ИИ для бизнеса: что он может (и чего не может) делать

Самое популярное предложение в сфере ИИ для бизнеса сегодня — это то, что мы слышим каждую неделю: основатель собирается пропустить весь этап общения с поставщиками ПО и просто поручить ИИ создать систему точек продаж за выходные. Звучит заманчиво. Вы описываете, что хотите, модель пишет код, и в понедельник вы уже открыты для бизнеса. Люди действительно делают впечатляющие вещи таким образом: целевые страницы, внутренние дашборды, каркас мобильного приложения.

А потом они пытаются принять реальный платеж, и выходные растягиваются на целый квартал (оцените каламбур).

Это не предостережение против ИИ. Мы используем его постоянно, и предприниматели, которые понимают, в чем он действительно хорош, вырываются вперед по сравнению с теми, кто этого не понимает. Но сейчас в торговле наблюдается вполне определенная модель ошибок, и стоит разобраться, почему это происходит, а не просто констатировать факт.

Примечание по времени: этот текст написан в июле 2026 года, когда большинство людей используют модели Claude Opus 4.8, Gemini 3.5 Flash и GPT-5.5. Этот список быстро устареет. Эти инструменты меняются от месяца к месяцу, и ограничение, актуальное сегодня, может быть устранено к моменту, когда вы это читаете, в то время как появятся новые нюансы, о которых еще никто не предупреждал. Относитесь к приведенным ниже деталям как к моментальному снимку и заведите привычку проверять текущие возможности и известные слабые места той модели, которую вы реально используете.

Как на самом деле работают эти модели

Большая языковая модель — это механизм прогнозирования. Она прочитала огромное количество текста и кода и по своей сути делает одну вещь очень хорошо: на основе всего написанного к этому моменту она оценивает наиболее вероятный следующий фрагмент текста. Вот и все. У нее нет базы данных, в которой она ищет информацию, нет внутреннего реестра достоверных фактов, с которыми она сверяется. Она генерирует наиболее правдоподобное продолжение.

Именно поэтому ее работа кажется волшебством при выполнении некоторых задач. Написание описания товара, составление черновика письма, создание React-компонента, который отображает аккуратную сетку кнопок, — все это задачи на завершение шаблона, и модель видела миллионы подобных примеров. Результат выглядит правильным, потому что он правильный с точки зрения статистики.

Проблемы начинаются тогда, когда «наиболее правдоподобное» и «фактически верное» перестают быть одним и тем же.

Галлюцинации, говоря простым языком

Когда модель выдает что-то, что звучит уверенно, но является абсолютно неверным, в индустрии это называют галлюцинацией. Из-за этого слова кажется, будто произошел какой-то сбой. Но это не так. Система работает именно так, как задумано, выдавая правдоподобный текст в ситуации, когда правдоподобное и истинное разошлись.

Спросите у модели метод API для частичного возврата средств, и если она не видела точную актуальную документацию, она не скажет «Я не знаю». Это не самое вероятное продолжение. Вместо этого она придумает название метода, которое выглядит точно так же, как настоящее, с правильным соглашением о именовании и разумными параметрами. Текст будет звучать авторитетно. Но код молча выдаст ошибку в тот самый момент, когда клиент попросит вернуть свои деньги.

В торговле это имеет большее значение, чем где-либо еще, потому что цена малейшей ошибки — это некорректное движение реальных денег. Галлюцинация во вступлении к статье в блоге — это просто неловко. Галлюцинация в расчете налогов, процессе возврата средств или списании запасов — это чарджбэк, аудит или клиент, с которого списали деньги дважды.

Почему разработка систем торговли устроена сложнее, чем кажется

Когда кто-то говорит «создай мне POS» или «создай мне магазин», обычно представляют экран: сетку товаров, корзину, кнопку оформления заказа. ИИ может быстро создать такой экран, и выглядеть он будет профессионально.

Но экран — это лишь легкие 10%. Частью системы торговли, а не просто ее картинкой, решение делает все то, что находится за экраном. И почти все это связано с состоянием данных и интеграциями, а не с макетом:

Платежи. Прием денег включает в себя платежный процессор, мерчант-аккаунт, соответствие стандарту PCI, обработку токенизированных карт и десяток пограничных случаев, таких как отклоненные карты, частичное списание, возвраты, споры и конвертация валют. Модель может написать код, который выглядит так, будто он вызывает платежный API. Но безопасен ли этот код, соответствует ли он требованиям и правильно ли обрабатывает сценарии сбоев — это совсем другой вопрос, и именно он имеет решающее значение.

Запасы. Остатки на складе — это не просто цифра на странице; это значение, которое должно оставаться корректным, когда два клиента одновременно оформляют покупку последнего экземпляра товара, когда оформляется возврат или когда проводится ручной пересчет. Ошибитесь в логике параллельных запросов, и вы продадите больше, чем у вас есть. Модели традиционно слабы в такой логике, чувствительной к состоянию и гонкам данных, именно потому, что корректность здесь зависит от поведения системы в реальном времени, которого модель никогда не видит.

История заказов и сверка. Каждая транзакция должна быть записана один раз, без возможности изменения, и сверена с тем, что платежный процессор зафиксировал по факту. Это скучная, не самая увлекательная бухгалтерская логика, но именно она убережет вас от проблем с бухгалтером и налоговой службой.

Налоги. Ставки различаются в зависимости от юрисдикции, класса товара, местоположения клиента, и они постоянно меняются. Правдоподобно выглядящая функция расчета налога хуже, чем ее полное отсутствие, потому что она будет ошибаться так, что вы заметите это только при подаче отчетности.

Ни одна из этих задач не связана с дизайном макета. Это проблемы обеспечения корректности данных во времени, и подход «сгенерируй наиболее правдоподобный код» структурно не подходит для гарантирования этой корректности.

Где ИИ действительно заслуживает своего места

Мы не призываем вас держать ИИ подальше от вашего бизнеса. Как раз наоборот. Большая часть того, что небольшому магазину нужно делать изо дня в день, находится как раз в той зоне, где ИИ дает реальное преимущество. Если вы не используете его для этих задач, вы работаете усерднее своих конкурентов.

Формула идеальной задачи для ИИ: уверенный первый черновик экономит вам кучу времени, и вы можете сразу оценить результат и понять, хорош ли он. Маркетинг и работа с контентом подходят под это описание практически идеально.

Генерация изображений для рекламы. Вы можете создавать рекламные визуалы, макеты продуктов и графику для соцсетей за считанные минуты вместо того, чтобы платить за фотосессию или подписку на фотосток. Для сезонного промо или быстрого A/B-тестирования двух креативов это действительно полезно, а стоимость близка к нулю.

Написание постов для соцсетей и подписей к ним. Опишите ему свой продукт и задайте нужный тон, и он набросает план постов на неделю быстрее, чем вы написали бы один. Вы по-прежнему выступаете в роли редактора, но проблема чистого листа исчезает.

Поиск идей для рекламы и рассылок. Здесь ИИ блистает, даже если результат требует доработки. Попросите набросать двадцать идей для кампании к началу учебного года: большинство будут посредственными, но две или три окажутся отличными, и вы вряд ли придумали бы все двадцать самостоятельно.

Обсуждение решений. Используйте его как собеседника для обсуждения общих бизнес-вопросов, например, как выстроить предложение программы лояльности или что протестировать следующим шагом. Относитесь к нему как к умному коллеге, который иногда может уверенно ошибаться, а не как к оракулу, и он станет отличным партнером для размышлений.

Наряду с этим есть и менее заметные, но важные победы: суммаризация отзывов и обращений в поддержку для выявления закономерностей, создание первой версии автоматизации для последующей проверки человеком и ответы на вопросы в стиле «как сделать что-то» по инструментам, которые вы уже используете.

Два нюанса, которые отличают качественный результат от очевидного шаблонного контента ИИ

First, AI-generated visuals have a sameness problem. The default look, those glossy, slightly-too-perfect gradient posters, is now so common that customers recognize it instantly, and it reads as cheap. If you use generated images, push past the first result: change the style, feed it your own brand colors and product photos, crop and edit it like a starting point rather than a finished piece. A poster that looks like every other AI poster does less for you than no poster at all.

Second, proofread everything before it goes out. Because AI states wrong things as confidently as right ones, a hallucinated price, a made-up product feature, or a fake statistic will sail straight into your newsletter if you don't check. The rule is simple: AI can write the draft, but a human signs off before anything reaches a customer. Read every word as if you'll be held to it, because you will be.

The common thread across all of it: AI is excellent where a confident draft saves you time and you can easily check the result.

It's dangerous where being subtly, confidently wrong costs you money and you can't easily check the result.

The distinction that actually matters

Here's the part most of the "AI built my POS" stories miss. There's a difference between asking AI to invent commerce logic from scratch and asking it to assemble a store on top of infrastructure that already handles the money correctly.

When a general-purpose model writes your payment handling, your inventory math, and your tax logic from nothing, every one of those is a fresh chance to hallucinate something plausible but wrong. You're trusting the prediction engine with the parts that have to be exact. That's the version that turns into a quarter-long debugging project.

But the payment processing, the stock decrements, the order ledger, the reconciliation: none of these need to be reinvented for every store. They're the same hard problems every merchant has, and they should be solved once, correctly, by people who handle the edge cases on purpose. When that foundation already exists and is known to work, the job left for AI is the part it's genuinely good at: composing the surface, arranging the layout, wiring up the flow. Plausible is fine there, because a human can see the result and the money underneath is already handled.

So the lesson isn't "keep AI away from commerce." It's: be very suspicious of any setup where AI is generating the logic that moves money, and much more comfortable where AI is building on top of infrastructure that already moves money correctly. The first is asking a prediction engine to be exact. The second is letting it do what it's brilliant at while something built for correctness handles the rest.

A storefront has to be correct. The money has to move right every single time, not most of the time. The smart use of AI in commerce is knowing which layer it belongs in, and making sure the layer underneath was never left up to a guess.