Специалист по внедрению ИИ: кого искать и как проверить
Кто такой специалист по внедрению ИИ: агентство-интегратор, фрилансер, штатный сотрудник или консультант, который настраивает и учит. Красные флаги, вопросы на первой встрече и как выглядит хороший первый месяц.

Специалист по внедрению ИИ — должность, которой три года назад почти не было, а теперь так себя называют все: от студента после двухнедельного курса до крупных интеграторов. Собственнику сложно отличить одного от другого, пока не потрачены деньги и квартал. Я сам работаю в этой роли, поэтому постараюсь написать честно, в том числе про то, когда вам нужен не такой, как я. В статье — какие бывают исполнители, по каким признакам отсеять слабых, какие вопросы задать на первой встрече и как выглядит хороший первый месяц.
Коротко:
- Есть четыре типа исполнителей: агентство-интегратор, фрилансер, штатный специалист и консультант, который настраивает систему и учит команду. Каждый подходит под свою задачу.
- Понимание бизнеса важнее знания моделей: модели меняются каждые несколько месяцев, а умение найти, где компания теряет деньги, остаётся.
- Главные красные флаги: обещания без цифр «до/после», привязка к одной модели или платформе, отсутствие плана передачи знаний.
- Хороший первый месяц — это аудит, один-два работающих агента или автоматизации с измеримым эффектом и понятный план дальше.
- Проверяйте исполнителя на вашей задаче, а не на презентации.
Кто такой специалист по внедрению ИИ
Это человек или команда, которые находят в вашей компании процессы, где ИИ даст измеримый эффект, и доводят решение до работы: с данными, интеграциями, правилами и людьми, которые им пользуются.
Важное слово — «доводят». Поставить чат-бота на сайт или показать сотрудникам нейросеть может кто угодно. Внедрение — это когда через три месяца агент всё ещё работает, команда им пользуется, а в отчёте видны сэкономленные часы или дополнительные заявки.
Четыре типа исполнителей
| Агентство-интегратор | Фрилансер | Штатный специалист | Консультант, который настраивает и учит | |
|---|---|---|---|---|
| Сильные стороны | Ресурсы, большие проекты, юридические гарантии | Быстро и гибко на узкой задаче | Знает компанию изнутри, всегда рядом | Видит бизнес целиком, оставляет навык в команде |
| Слабые стороны | Долго, много согласований, часто типовые решения | Узкий фокус, риск исчезнуть | Нужно найти и удержать, один человек — одна точка отказа | Не заменит большую команду на крупном проекте |
| Когда подходит | Крупная компания, сложные интеграции, требования безопасности | Одна понятная задача: бот, скрипт, интеграция | ИИ — постоянная часть продукта или процессов | Нужно перестроить процессы и научить людей работать самим |
| Риск зависимости | Высокий | Средний | Низкий | Низкий, если передача знаний в плане |
Агентство-интегратор
Подходит, когда у вас большая компания, десятки систем, служба безопасности и закупки через тендер. Минус — скорость: пока согласуют ТЗ, модели успевают смениться. И проверьте, кто будет делать работу на самом деле: продаёт сеньор, а делает джун — частая история.
Фрилансер
Хорош на узкой задаче с понятным результатом: подключить бота к CRM, написать интеграцию, настроить обработку документов. Плохо подходит, когда нужно сначала понять, что вообще автоматизировать.
Штатный специалист
Имеет смысл, когда ИИ становится постоянной частью продукта или процессов и задач хватает на полную занятость. Сложность в том, чтобы найти человека, который понимает и бизнес, и технологии, и удержать его.
Консультант, который настраивает и учит
Это мой формат. Я прихожу на ограниченный срок: разбираю процессы, ставлю агентов и автоматизации, настраиваю окружение и учу собственника и команду работать с ним самим. Цель — чтобы через несколько недель я был нужен только для усиления, а не для каждой мелочи. Плюс такого подхода — нет долгой зависимости. Минус — он не заменит команду из двадцати разработчиков на большом проекте.
Почему понимание бизнеса важнее знания моделей
Модели меняются каждые несколько месяцев. То, что сегодня лучшее, через полгода будет средним. Специалист, вся ценность которого в знании «какая нейросеть сейчас лучше», устаревает вместе с ней.
А вот что не устаревает:
- умение найти, где компания теряет деньги: пропущенные заявки, медленные ответы, ручной перенос данных;
- умение посчитать эффект до старта и измерить после;
- понимание, как работают продажи, маркетинг, операционка, — чтобы не автоматизировать то, что нужно просто убрать;
- умение договориться с людьми, которые будут этим пользоваться.
Я 15 лет работал в продажах, маркетинге, управлении продуктами и разработке: был РОПом в 23, гендиректором финтех-проекта в 26, потом CMO. Самые сильные результаты с ИИ у меня получились не там, где была самая «умная» модель, а там, где я понимал воронку. Например, AI-ассистент для юридической фирмы снизил стоимость лида на 45% и поднял средний чек на 30% — потому что закрыл конкретную дыру в воронке, а не потому что был на какой-то особенной модели. Больше примеров с цифрами — в статье про кейсы внедрения ИИ.
Красные флаги
Если видите это, стоит насторожиться:
- Обещания без цифр. «Увеличим эффективность», «оптимизируем процессы». Хороший специалист говорит: «сократим время ответа на заявку с часов до минут, измерим так-то».
- Решение до диагноза. Вам предлагают готовый продукт или бота ещё до того, как разобрались в процессах.
- Привязка к одному поставщику. Всё строится на одной модели или одной платформе без плана Б. Особенно рискованно сейчас: Anthropic и OpenAI официально не обслуживают Россию, а доступ через VPN, по данным СМИ, становится менее стабильным.
- Чёрный ящик. Вам не объясняют, как устроено решение, не дают доступы и исходники. Уйдёт подрядчик — уйдёт и система.
- Нет передачи знаний. В плане нет обучения команды и документации.
- Нет разговора о данных и безопасности. Персональные данные клиентов, коммерческая тайна, куда это уходит — если об этом не спрашивают вас, это плохой знак.
- Предложения обойти ограничения. Если исполнитель строит рабочие процессы на сервисах, которые не обслуживают Россию, через серые схемы, — это риск для вашего бизнеса, а не находчивость.
Вопросы на первой встрече
Задайте их и слушайте не только ответы, но и то, задаёт ли специалист вопросы вам.
- Что вы сделали похожего и какие были цифры до и после? Ждите конкретики: процесс, метрика, результат. Если цифры под NDA, можно рассказать о методе.
- С чего вы начнёте в моей компании? Хороший ответ — с аудита процессов и выбора одного-двух мест с быстрым эффектом, а не с «большой платформы».
- Как мы поймём, что получилось? Должна прозвучать метрика и способ её измерить.
- На каких моделях и инструментах будете строить и почему? Ищите выбор под задачу: для данных, которые должны остаться в России, — GigaChat, модели в российских облаках или своя модель на сервере; для разработки — Claude Code там, где он доступен, или открытые альтернативы вроде OpenCode.
- Что будет, если модель или сервис станут недоступны? Правильный ответ — архитектура, где модель можно заменить.
- Что останется у нас, когда вы уйдёте? Доступы, код, документация, обученные люди.
- Кто конкретно будет делать работу?
И главная проверка: предложите исполнителю разобрать одну вашу реальную задачу прямо на встрече. За полчаса видно, понимает ли человек бизнес или пересказывает презентацию.
Как выглядит хороший первый месяц
Ориентир, по которому можно сверять любого исполнителя, не только меня:
Неделя 1. Аудит. Разговоры с собственником и ключевыми людьми, разбор процессов, данных и систем. На выходе — карта: где теряются время и деньги, что отдать ИИ, в каком порядке и как измерить.
Неделя 2. Быстрые победы. Первый агент или автоматизация на реальных данных. Например, квалификация заявок, протоколы встреч, отчёт из CRM. Работает рядом с человеком, который проверяет результат.
Неделя 3. Интеграция и правила. Агент подключён к нужным системам, прописаны правила, права доступа и порядок передачи сложных случаев человеку. Команда начинает пользоваться.
Неделя 4. Цифры и план. Первые измерения «до/после», разбор ошибок, обучение команды и план на следующий месяц. Как учить людей, чтобы навык остался, — в статье про обучение команды работе с ИИ.
Если через месяц у вас только презентации и ТЗ, а ничего не работает на реальных данных, — это повод задуматься.
Как проверить результат
Через 1–3 месяца задайте себе простые вопросы:
- Агенты работают без постоянного участия исполнителя?
- Есть цифры «до/после» хотя бы по одному процессу?
- Команда пользуется инструментами каждую неделю, а не «попробовала один раз»?
- Вы понимаете, как устроено решение, и можете его менять?
Если на все четыре «да» — внедрение состоялось. Как считать окупаемость, разобрал в статье про окупаемость автоматизации, а общий план для собственника — в статье про внедрение ИИ в бизнес.
Частые вопросы
Нужен ли штатный специалист по внедрению ИИ? Если ИИ становится постоянной частью продукта и задач хватает на полную занятость — да. Для старта обычно выгоднее внешний специалист, который настроит систему и обучит своих людей, а внутренний чемпион продолжит.
Можно ли внедрить ИИ самим, без специалиста? Можно, если в команде есть человек, который понимает и процессы, и инструменты, и готов на это время. Специалист нужен, чтобы пройти путь быстрее и без типичных ошибок.
Сколько длится внедрение? Первые результаты должны быть в первые одну-две недели. Перестройка нескольких процессов — несколько недель, в зависимости от размера компании.
Сколько стоят ваши услуги? Называю после 30-минутного созвона, когда понятны масштаб и процессы, и фиксирую в договоре до старта.
Если вы выбираете, кому доверить внедрение, — проверьте меня так же, как советую выше: на вашей задаче. Посмотрите, как устроен турбо-рефакторинг бизнеса под ИИ, или опишите в Telegram, где компания теряет больше всего времени, — на 30-минутном созвоне разберём это вместе.
Похожие статьи: Кейсы внедрения ИИ: истории с цифрами · Обучение ИИ для бизнеса: как научить команду