В Астане прошел международный форум Business Technology Expo 2026, посвященный автоматизации и цифровизации бизнеса. Мероприятие собрало представителей бизнеса, IT-компаний, интеграторов, разработчиков цифровых решений и экспертов по искусственному интеллекту. Компании представили технологии для управления, автоматизации, повышения операционной эффективности и масштабирования бизнеса. Подробнее в репортаже El.kz с места событий.
В этом году деловая программа форума охватыватила несколько направлений: искусственный интеллект для бизнеса, Data Science и Agentic AI, цифровую трансформацию, маркетинг, HR-технологии и автоматизацию бизнес-процессов. Среди ключевых тем использование AI в управлении, финансах, продажах и операционной деятельности, внедрение гибридных архитектур для AI-решений, работа с данными, облачными сервисами, маркетинговой персонализацией и кадровыми рисками. Одной из центральных сессий первого дня стала конференция «AI для бизнеса: стратегия, технологии, результаты», посвященная тому, как искусственный интеллект меняет управление, продажи и операционную эффективность компаний в 2026 году.
Форум начался с выступления Владислава Андрианова, предпринимателя и специалиста по внедрению бизнес-аналитики и ИИ-решений. Владислав говорил о конкретных кейсах: где ИИ действительно разгружает бизнес, где помогает ускорить процессы, а где, напротив, не приживается из-за неподготовленности самой компании.
Я занимаюсь предпринимательством с 2016 года, и с 2020 года я занимаюсь разработкой ботов и внедрением ИИ в бизнес. Сначала я делал это на своих проектах, то есть у меня была типография, и сейчас также есть рекламная компания. Позже ко мне стали обращаться уже компании за услугой внедрения бизнес-аналитики.
По словам спикера, один из важных запросов бизнеса сегодня связан с тем, чтобы автоматизировать рутинную коммуникацию, но при этом сохранить контроль над качеством этой коммуникации. В качестве примера он привел Telegram-бота для мероприятий, где участники могли отправлять вопросы и комментарии ведущему в режиме реального времени. Задача заключалась не только в том, чтобы собрать обратную связь, но и в том, чтобы не допустить появления на экране токсичных или нецензурных сообщений.
Мы предложили такое решение: внедрить в этого бота на модерацию искусственный интеллект. То есть, условно, мы просто поставили ChatGPT, который считывал все сообщения и принимал решение, пропускать этот текст на экран или не пропускать.
Этот кейс, как отметил Андрианов, показывает одну из базовых функций ИИ в бизнесе: технология может брать на себя первичный анализ текстов и работать по заданным правилам. При этом речь идет не о замене сотрудников, а о перераспределении нагрузки. В другом проекте, связанном с технической поддержкой, автоматизация позволила снять с команды значительную часть типовых обращений.
Этот бот разгрузил отдел техподдержки на 80%. То есть ребята никого не уволили, но ребята смогли заниматься более важными задачами своей компании, чем 24 на 7 сидеть и отвечать на вопросы о том, как подключить джойстик или как зайти в игру.
Еще один успешный пример касался компании, которая продает программу Work and Travel для студентов. Здесь ИИ оказался эффективен из-за повторяемости клиентских вопросов. Если условия программы и законодательство не меняются, база ответов остается стабильной, а значит, бот может закрывать значительную часть первичной коммуникации.
Студенты задают однотипные вопросы, на что, собственно, бот вполне адекватно отвечает. Также бот проводит тестирование на английском языке и сразу же потом переводит этого студента менеджеру, где менеджер работает уже с теплым клиентом.
По словам Андрианова, такая логика особенно полезна для отделов продаж. Во многих компаниях менеджеры до сих пор тратят время на механическую переписку: отправляют одинаковые сообщения, уточняют базовые данные, квалифицируют клиента вручную. ИИ может забрать этот слой работы на себя, оставив человеку те этапы, где нужны переговоры, профессиональная оценка и закрытие сделки.
На самом деле у отдела продаж это прям боль. Во многих компаниях менеджеры просто заготовили сообщения и на каждое сообщение клиента копировали и отправляли. То есть, собственно, работали как боты.
Однако, подчеркнул спикер, искусственный интеллект не способен самостоятельно навести порядок там, где внутри компании не описаны процессы. Один из неудачных кейсов был связан с компанией, продававшей курсы по туризму. Там хотели внедрить чат-бота, но в продажах не было четкой структуры: не были прописаны этапы работы с заявкой, критерии квалификации и переходы между стадиями. В итоге бот не смог устойчиво работать, потому что логика бизнеса собиралась уже в процессе внедрения. Систему пришлось переделывать под клиента, но отсутствие заранее описанного сценария стало главным ограничением. Этот пример Андрианов использовал как предупреждение для предпринимателей: перед автоматизацией нужно сначала формализовать собственную систему.
Отдельную часть выступления спикер посвятил работе ИИ с изображениями. В одном из проектов для компании-дистрибьютора напитков использовалось распознавание чеков через Google Vision. Система анализировала фотографию, считывала данные и принимала решение, засчитывать ли пользователя как участника акции. Большая часть чеков проходила автоматически, но здесь проявилось ограничение, которое сложно исключить полностью, человеческий фактор.
90% пользователей и чеков проходило, то есть Google Vision распознавал самостоятельно. Единственное, здесь тоже важный момент: всегда есть человеческий фактор. Многие люди, хотя мы писали огромные описания о том, как нужно сфотографировать чек, делали кривые фотографии, мятые чеки, смазанные фотографии.
Этот пример показывает, что при внедрении ИИ важно учитывать не только возможности алгоритма, но и качество входящих данных. Даже точная система распознавания будет ошибаться, если пользователь загружает нечитабельное изображение. Поэтому бизнесу нужно заранее продумывать резервные сценарии: ручную проверку, повторную загрузку, инструкции и ограничения.
ИИ может работать и анализировать изображения. И на основе этого анализа он может принимать нужные решения для вашего бизнеса.
Еще один кейс был связан с обработкой аудиозаявок. Компания из Санкт-Петербурга, обслуживающая подъезды, домофоны, видеокамеры и лифты, принимала обращения жителей по телефону. Записи поступали на почту, но дальше процесс становился непрозрачным: заявки могли теряться, а руководство не всегда видело, кто взял обращение в работу.
Они обратились к нам и попросили разработать бота, который мог бы самостоятельно заходить, слушать все аудиофайлы, которые там есть, и высылать текст с этих аудиофайлов в Telegram-группу вместе с кнопкой, где была кнопка “взять в работу” или “обработать”.
После внедрения такого решения обращения стали поступать в Telegram-группу в режиме реального времени. Ответственные сотрудники могли сразу брать их в работу, а руководство получило прозрачную картину по заявкам. В этом случае ИИ решил не только техническую задачу распознавания речи, но и управленческую проблему контроля.
Данный бот очень сильно разгрузил их работу, и заявки перестали теряться. То есть заявки в реальном времени, 24 на 7 приходят в Telegram-группу, ответственные люди видят их, берут в работу и работают с ними.
Главный вывод из выступления Андрианова — искусственный интеллект уже может быть рабочим инструментом для бизнеса, но его эффективность зависит от подготовки самой компании. ИИ способен анализировать текст, изображения и аудио, помогать с модерацией, квалификацией клиентов и обработкой заявок. Но если внутри бизнеса нет понятных процессов, технология не станет волшебной кнопкой. Она лишь перенесет существующую неразбериху в цифровую систему.
Айбар Усен на Business Technology Expo поднял вопрос, который становится все более заметным на фоне интереса к искусственному интеллекту: почему ИИ-решения не всегда приживаются в крупных компаниях и квазигосударственном секторе. По его словам, проблема часто начинается не с технологий, а с ожиданий заказчика. На рынке есть запрос на быстрые решения, но внедрение ИИ редко работает по принципу «установил и сразу получил результат».
Приходит и говорит: знаете, сделайте мне Jarvis, чтобы я сказал, он мне все сделал, и так все полетело. А так не происходит.
Спикер отметил, что за последний год рынок заметно изменился: вырос интерес к open-source-решениям, однако специалистов, которые могут качественно внедрять такие системы, по-прежнему мало. При этом даже наличие технологий и разработчиков не гарантирует успешный пилот. До данных и моделей, подчеркнул Усен, компания должна решить более базовый вопрос: кто внутри организации будет отвечать за результат.
Главный тезис, который мы поняли: AI не масштабирует ответственность. Ответственность остается за конкретными людьми. Если у вас на местах нет ответственных людей, то, в принципе, бесполезно, поскольку любой пилот будет провален.
Для внедрения ИИ нужен не просто формальный куратор, а человек внутри компании, который понимает ценность проекта и готов продвигать его на уровне своего подразделения. Именно он знает, какие процессы болят сильнее всего, где теряются деньги или время, и какие данные действительно имеют значение для будущего решения. Без такого внутреннего участника внешний подрядчик видит только фасад процесса, а не его реальные узкие места.
Это не просто за какую-то маленькую семью ответственный человек, а человек, который болеет за результат, он болеет за свое дело, за свою компанию, и он тащит вообще весь этот проект.
По словам Усена, крупная организация не может просто купить платформу и ожидать, что она сразу начнет работать на все подразделения. Внедрение почти всегда начинается с одного конкретного сценария, одного агента и одного владельца процесса. Уже вокруг него выстраиваются данные, логика, тестирование и понимание, можно ли масштабировать решение дальше.
Не бывает так, что поставили платформу, и она для всей компании начала работать. Всегда начинается с конкретного агента, с конкретного человека.
После выбора пилота начинается более тяжелая часть работы: разбор бизнес-процесса и подготовка данных. Усен подчеркнул, что сам ИИ-агент сегодня может быть собран довольно быстро, но это не означает быстрого внедрения. Основное время уходит на погружение в процесс клиента, очистку данных, проверку гипотез и настройку решения под реальные задачи бизнеса.
Самого агента сейчас можно сделать за один день. Самое сложное — это бизнес-аналитика: погрузиться в процесс клиента, узнать все детали, потом сделать агента. И потом начинается очень длительный процесс тестирования.
Особенно осторожно такие решения внедряются в финансовом секторе, где цена ошибки высока. Если система должна работать без галлюцинаций, ее нельзя выпускать в полноценную эксплуатацию после короткой демонстрации. Для клиентов, работающих с чувствительными данными и финансовыми решениями, период проверки может растягиваться на месяцы.
Большинство наших клиентов — это финансовый сектор. Стоимость ошибки очень высока, поэтому мы не можем допускать ошибки. Если в требовании есть, чтобы агент вообще не галлюцинировал, тестирование идет в среднем шесть месяцев.
Еще один барьер, по мнению спикера, связан с тем, как компании считают стоимость своих процессов. Усен сравнил подход казахстанских и европейских заказчиков. В европейских компаниях, по его наблюдениям, бизнес часто заранее понимает, сколько стоит конкретная операция, простой, ошибка или штраф. Поэтому там легче определить, где ИИ может дать измеримый экономический эффект.
В европейских компаниях они точно знают стоимость каждого процесса. Каждая штука запускается в процесс, они говорят: это нам стоит 17 тысяч долларов, это нам стоит 7 тысяч долларов.
В Казахстане, по словам Усена, внедрение нередко начинается наоборот: подрядчик сначала разбирает процесс клиента, затем объясняет его руководству и только после этого показывает, где возможна оптимизация. Такой порядок замедляет проекты, потому что экономическая мотивация становится понятной не до старта, а уже в процессе анализа.
В Казахстане процесс какой? Мы приходим к заказчику, показываем его процесс, потом руководству заказчика идем рассказываем про этот процесс, как его внедрить. Потом говорим, как мы можем оптимизировать эти процессы, какой экономический эффект будет.
По мнению спикера, компаниям важно хотя бы на базовом уровне считать, сколько времени и денег уходит на отдельные операции. Даже простой расчет человеко-часов может показать, где автоматизация действительно нужна, а где проект не даст ощутимого эффекта. Без такой оценки ИИ превращается в модный эксперимент, а не в инструмент повышения эффективности.
Отдельно Усен объяснил, почему в Казахстане автоматизация часто проигрывает найму дополнительных сотрудников. По его словам, дешевый труд снижает стимул к перестройке процессов: компании проще поставить человека на ручную операцию, чем инвестировать в технологическое решение. Но такой подход не всегда решает проблему качества, особенно если сам процесс внутри организации не выстроен.
У нас очень дешевый труд. У нас всегда можно на какой-то процесс нанять человека и поставить.
В итоге, по словам спикера, главная причина неудачных ИИ-проектов в квазигосударственном секторе и крупных организациях заключается не в отсутствии технологий. Проблема глубже: не назначены ответственные люди, не описаны процессы, не посчитана их стоимость, а данные часто требуют долгой подготовки. Поэтому искусственный интеллект не становится самостоятельным спасателем бизнеса. Он работает только там, где уже есть управляемая система и люди, готовые отвечать за результат.
Ранее мы писали, что британский предприниматель создал виртуальное государство на острове с ИИ-правительством.