ШІ-трансформація без великого бюджету: з чого компанії почати вже зараз

Розмова про штучний інтелект у бізнесі часто починається з інструментів: яку платформу придбати, якого асистента створити, чи потрібна компанії власна модель, окремий відділ або великий бюджет на автоматизацію. Через це багато команд відкладають системну роботу з ШІ до моменту, коли з’являться гроші, люди та час.

Тим часом співробітники вже використовують генеративний ШІ у щоденній роботі: шукають інформацію, готують чернетки, аналізують документи, створюють презентації, структурують дані. Компанія, яка ще не сформулювала власного підходу, фактично вже має справу з ШІ – тільки без єдиних правил, навчання, вимірювання результату та розуміння ризиків.

За даними OECD, у 2025 році 20,2% компаній у країнах, де доступна статистика, повідомили про використання штучного інтелекту, тоді як у 2023 році таких було 8,7%. Окреме дослідження OECD серед малого та середнього бізнесу показало, що генеративний ШІ використовують близько 31% опитаних компаній, проте лише 29% користувачів застосовують його в основній діяльності бізнесу. Водночас 65% малих і середніх компаній, які вже працюють із генеративним ШІ, повідомили про покращення продуктивності співробітників. Ці цифри добре описують поточний етап ринку: інструмент уже опинився в руках людей, проте у багатьох компаніях ще не став частиною продуманих робочих процесів. McKinsey у глобальному дослідженні 2025 року зафіксувала, що 88% організацій регулярно використовують ШІ щонайменше в одній бізнес-функції, хоча масштабували свої програми приблизно третина компаній. Організації, які отримують найбільшу цінність від ШІ, майже утричі частіше за інших фундаментально переглядають окремі робочі процеси. 

Тому компанії з обмеженими ресурсами варто починати не з дорогого технологічного проєкту, а з чіткого розуміння власної роботи: де команда втрачає час, які завдання повторюються, де помилка коштує дорого, а де результат можна швидко перевірити людиною.

Перше завдання – зрозуміти, де команда вже потребує допомоги

На початку ШІ-трансформації керівникам часто хочеться отримати список найкращих сервісів або готовий план автоматизації на рік. Практичніший підхід починається з короткого аудиту щоденної роботи. Важливо провести AI Pulse дослідження, щоб виявити стан ШІ у вашій компанії. Чим користується ваша команда:  хто,  як часто,  якими інструментами, чи це платні чи безкоштовні підписки, які типи даних туди завантажують тощо.

У кожній компанії є процеси, які забирають багато часу, хоча не потребують щоразу нового стратегічного рішення: підготовка регулярних звітів, пошук інформації у великій кількості документів, транскрибування зустрічей, первинне структурування клієнтських запитів, адаптація матеріалів для різних каналів, аналіз відкритих даних або збір аргументів для презентації.

Другий етап – поставити командам кілька конкретних запитань:

У Havas Village на старті роботи з ШІ ми не будували складну багаторічну конструкцію. Спочатку потрібно було зрозуміти потреби колег, побачити рівень готовності команд, сформувати довіру та протестувати формати підтримки. Згодом з’явилися AI Office Hours – регулярні зустрічі з командою для огляду ШІ новин, вивчення нових інструментів та підходів, практики з ШІ, пошуку юзкейсів тощо. Паралельно впровадили внутрішню базу знань, короткі навчальні відео, воркшопи для різних команд і AI Hotline – внутрішній сервіс, через який працівники можуть звернутися з конкретним запитом. Один із таких запитів згодом переріс у внутрішню розробку платформи для аналізу специфічних даних. 

Цей досвід важливий через саму послідовність: спочатку компанія слухає людей і знаходить реальні проблеми, після чого інвестує час та ресурси туди, де вже видно практичну потребу.

Оберіть один процес, у якому результат легко перевірити

Найгірший спосіб почати роботу з ШІ – одразу намагатися автоматизувати критично важливий, складний, багаторівневий процес, у якому помилка може зашкодити клієнту, репутації або фінансам компанії. Значно розумніше обрати обмежений сценарій, де людина зберігає фінальне рішення, а користь можна виміряти протягом кількох тижнів.

Для маркетингової або комунікаційної компанії таким сценарієм може бути первинний моніторинг відкритих джерел, підготовка структури звіту, пошук інсайтів у великих масивах матеріалів, створення чернетки презентації або аналіз уже погоджених прикладів. Для HR-команди – узагальнення анонімізованого фідбеку після навчання. Для відділу продажів – підготовка структури персоналізованої пропозиції на основі відкритої інформації про потенційного клієнта.

Міжнародні компанії, які вже публікують результати своїх ШІ-проєктів, часто рухалися саме таким шляхом. Kraft Heinz, за даними кейсу Google Cloud, почала роботу з генеративним ШІ з одного чітко визначеного завдання – прискорення ручного процесу створення маркетингового контенту для нових продуктів. Компанія повідомила, що час підготовки такого контенту скоротився з восьми тижнів до восьми годин, після чого рішення почали ширше застосовувати у командах маркетингу та розробки продуктів. Подібна логіка працює і поза маркетингом. У кейсі ENEOS Materials, опублікованому OpenAI, компанія спершу створила міжфункціональну волонтерську команду, яка мала самостійно опанувати технологію та знайти корисні сценарії для виробничого бізнесу. У HR-напрямі компанія використала інструмент для аналізу даних після навчальних програм і повідомила про скорочення часу на агрегацію та аналіз даних приблизно на 90%. Кейси опубліковані постачальниками технологій, тому їхні показники варто сприймати як заявлені компаніями результати, а не як незалежну оцінку. Проте вони добре показують робочу послідовність: вузька проблема, пілот, перевірка користі, поступове розширення.

Для старту потрібен відповідальний, навіть коли немає окремого AI-відділу

Підписуйтеся на наші соцмережі

Компанія з обмеженим бюджетом може не мати Chief AI Officer, внутрішнього технічного центру або можливості купити доступ до інструментів для всіх співробітників. У такій ситуації особливо важливо призначити одну людину, яка координуватиме перші кроки за додаткові бонуси.

Це може бути операційний менеджер, керівник цифрового напряму, HR-фахівець, маркетинг-стратег або керівник команди, який уже активно тестує ШІ й здатен організувати процес. Його перше завдання полягає не в тому, щоб стати технічним експертом з усіх моделей, а в тому, щоб зібрати запити, визначити один пілот, зафіксувати правила використання та домовитися з керівництвом про критерії успіху.

Навіть невеликій компанії корисно залучити до цього процесу представника бізнесу, людину, яка розуміє питання даних і безпеки, а також фахівця, здатного оцінити юридичні ризики. Така група не потребує щотижневих багатогодинних засідань: на початку достатньо короткого узгодження дозволених сценаріїв, заборонених даних, правил перевірки результатів і відповідальних осіб.

NIST у своєму добровільному AI Risk Management Framework та профілі для генеративного ШІ пропонує організаціям управляти ризиками відповідно до власних цілей і пріоритетів, визначаючи, де потрібні контроль, оцінка та людський нагляд. Для невеликого бізнесу це означає, що перша система управління ШІ може складатися з кількох чітких сторінок правил, журналу пілотів і списку відповідальних людей, без створення складної корпоративної бюрократії. Мінімальні правила мають з’явитися раніше за масштабування

Брак бюджету не зменшує ризики. Співробітник може випадково завантажити в публічний сервіс клієнтську інформацію, персональні дані, комерційно чутливий документ або матеріали, використання яких обмежене договором. Генеративна модель може впевнено сформулювати неправильний факт, помилкове посилання чи некоректне трактування документа.

Тому компанії варто мати коротку внутрішню інструкцію ще до моменту, коли ШІ стане масовою практикою. У ній достатньо зафіксувати:

Для компаній, які працюють із клієнтами, ринками або людьми в Європейському Союзі, це питання має також регуляторний вимір. Стаття 4 AI Act передбачає, що організації, які використовують системи ШІ, повинні забезпечувати достатній рівень ШІ-грамотності працівників та інших осіб, які працюють із такими системами від їхнього імені. Європейська комісія окремо пояснює, що навіть використання ChatGPT для написання рекламного тексту або перекладу потребує обізнаності працівників щодо ризиків, зокрема щодо вигаданих або неточних відповідей моделі. Водночас Європейська комісія не вимагає єдиного формату навчання, окремого AI Officer або спеціального сертифіката для підтвердження грамотності. Компанія може вести внутрішній облік навчань, рекомендацій і практичних ініціатив, адаптуючи їх до реальних інструментів та ризиків своєї діяльності. Навчання має бути пов’язане з робочими завданнями

Одноразова лекція про можливості штучного інтелекту ніколи не змінить ні роботу команди, ні її культуру. Співробітник може вийти з неї з десятками нових термінів, проте наступного дня знову повернутися до звичних таблиць, документів і листування, оскільки не зрозуміє, як застосувати новий інструмент у власній задачі.

Найкорисніше навчання починається з реального робочого контексту. Команді продажів потрібні сценарії для підготовки до зустрічей і структурування пропозицій. Аналітикам – способи швидше опрацьовувати масиви даних із обов’язковою перевіркою висновків. HR-команді – правила роботи з анонімізованим фідбеком і підготовкою навчальних матеріалів. Креативній команді – розуміння того, де ШІ допомагає розширити поле ідей, а де фінальне рішення все одно залежить від людського відчуття бренду, контексту та культури.

Цей принцип підтверджують і дослідження продуктивності. У роботі Erik Brynjolfsson, Danielle Li та Lindsey Raymond, опублікованій NBER, доступ до генеративного ШІ-асистента підвищив продуктивність працівників служби підтримки в середньому на 14%, причому найбільший ефект отримали нові та менш досвідчені працівники – їхня продуктивність зросла на 34%. Дослідники припускають, що інструмент допомагав передавати практики сильніших працівників тим, хто ще не накопичив достатнього досвіду. Водночас дослідження Boston Consulting Group та науковців Harvard Business School показало нерівномірність впливу генеративного ШІ на складну інтелектуальну роботу: у частині завдань технологія підвищувала якість і швидкість, а в інших могла погіршувати результат, якщо люди надто покладалися на її відповіді. Саме тому навчання має охоплювати не лише способи отримати швидку чернетку, а й уміння перевіряти, уточнювати та відхиляти слабкий результат. Пілот варто оцінювати як бізнес-рішення

Коли ресурсів мало, компанія не може дозволити собі десятки паралельних експериментів без зрозумілого результату. Тому навіть найменший пілот потребує базового вимірювання.

Перед стартом варто зафіксувати, скільки часу команда витрачає на процес зараз, якою є звична якість результату, скільки помилок або доопрацювань виникає, хто перевіряє фінальний матеріал. Після двох–чотирьох тижнів тестування можна порівняти показники та ухвалити рішення: продовжувати, змінити сценарій або завершити експеримент.

Для першого пілоту зазвичай достатньо кількох метрик:

Такий підхід захищає бізнес від двох крайнощів. Перша – захоплення демонстраційними можливостями інструменту без реальної користі для компанії. Друга – відмова від ШІ через невдалий перший експеримент, який просто був погано обраний або не мав критеріїв оцінки.

Microsoft у Work Trend Index 2026, заснованому на опитуванні 20 000 працівників, які використовують ШІ, та аналізі сигналів Microsoft 365, повідомляє, що організаційні чинники – культура, підтримка керівників і практики розвитку талантів – мають удвічі більший заявлений вплив на результат від ШІ, ніж лише індивідуальні зусилля працівника. Попри комерційний контекст цього дослідження, висновок важливий для керівників: навіть хороший інструмент не компенсує відсутність правил, відповідальності та робочого процесу, у який його можна вбудувати. Масштабування починається з повторюваних сценаріїв

Після успішного пілоту компанії часто поспішають купити більше ліцензій або запустити ще кілька десятків експериментів. Для бізнесу з обмеженими ресурсами кориснішим стане інший крок: зафіксувати те, що вже спрацювало.

У невеликій внутрішній базі знань можна зберігати перевірені сценарії використання, шаблони запитів, приклади хороших результатів, правила перевірки, перелік дозволених інструментів і короткі пояснення типових помилок. Завдяки цьому кожен новий співробітник не починатиме знайомство із ШІ з нуля, а команда не витрачатиме час на повторне винайдення однакових підходів.

Саме на цьому етапі окремі експерименти починають формувати нову робочу практику. Люди вже розуміють, у яких задачах інструмент допомагає, керівники бачать результат у цифрах, юридичні та безпекові правила стають зрозумілими, а бізнес може визначити, де наступна інвестиція справді виправдана.

Що можна зробити протягом першого місяця

Компанії, яка ще не має окремого бюджету на ШІ, достатньо почати з простого плану на 30 днів.

Перший тиждень: зібрати від команд повторювані трудомісткі задачі, з’ясувати, які ШІ-інструменти вже використовуються, та визначити найбільш очевидні ризики щодо даних і точності.

Другий тиждень: обрати один сценарій із низьким рівнем ризику та зрозумілим людським контролем, призначити відповідального, зафіксувати правила використання і базові показники процесу до тестування.

Третій тиждень: провести коротке практичне навчання саме для учасників пілоту, протестувати інструмент у роботі та збирати запитання, помилки й корисні прийоми.

Четвертий тиждень: порівняти час, якість та досвід команди до і після тестування, вирішити, чи варто продовжувати сценарій, і оформити першу внутрішню інструкцію для подальшого використання.

Такий старт не потребує великого технологічного проєкту. Він потребує дисципліни та відповідальної особи: обрати конкретну проблему, залишити людині відповідальність за результат, навчити команду працювати з ризиками та виміряти, чи зміни справді допомогли.

Трансформація починається раніше, ніж з’являється бюджет

Для бізнесу з обмеженими ресурсами штучний інтелект легко сприймати як технологію великих компаній, які можуть дозволити собі власні лабораторії, корпоративні платформи та масштабні інтеграції. Проте перший етап трансформації залежить передусім від управлінської зрілості: чи бачить компанія власні вузькі місця, чи готова навчати людей, чи здатна відповідально тестувати нові підходи та зберігати те, що вже дало результат.

Мета ШІ у компанії не повинна зводитися до демонстрації технологічності або механічного скорочення роботи. У професійному середовищі він має допомагати людям швидше знаходити інформацію, менше виснажуватися на повторюваних задачах, уважніше перевіряти результат і залишати більше часу для рішень, у яких потрібні досвід, відповідальність і людське судження.

Я формулюю це просто: ШІ має допомагати людям вміщати заплановану роботу в робочий день і залишати більше простору для справді цінних завдань. Компанії можуть почати рух у цьому напрямі вже зараз – із одного процесу, однієї відповідальної людини та одного чесно виміряного результату.

Джерела