О вынужденной популярности автоматизации в России
В начале 2025 года уровень безработицы в России достиг исторического минимума — 2,3%. На первый взгляд, это выглядит как достижение: занятость же растёт. Но на практике — это головная боль для бизнеса.
Нехватка рабочих рук, отток мигрантов, демографические изменения и структурная перестройка экономики делают найм всё более сложной и конкурентной задачей.
Когда на горизонте нет «дополнительных людей», приходится иначе распределять нагрузку. И автоматизация здесь выглядит как логичный шаг: больше управляемости, меньше зависимости от человеческого фактора. Но путь к ней — это не набор готовых решений, а сложный и часто непредсказуемый процесс.
Допустим, вы решили автоматизировать производство — и неважно в какой отрасли. Разработали ТЗ, утвердили бюджет, объявили тендер, выбрали подрядчика. Всё идёт по плану: впереди — тестирование, приёмка, запуск.
Автоматизация кажется логичным ответом на кадровый дефицит — но без подготовки и ясного понимания задач она легко превращается в источник новых проблем.
Но, как известно, дьявол кроется в деталях. Начинают всплывать нестыковки в данных, система не справляется с реальной нагрузкой, сотрудники — не поддерживают изменения и саботируют внедрение. В итоге проект, который должен был стать шагом вперёд, начинает буксовать.
Так и проявляются подводные камни автоматизации: не редкие сбои, а типичные просчёты, которые часто остаются без внимания на старте. Мы разбираем их постфактум, хотя могли бы предусмотреть заранее. Их причина не в технологиях, а в подходе — когда внедрение начинается без чёткой цели, без анализа процессов и без подготовки команды.
В этом материале разберём, что чаще всего мешает автоматизации работать на задачу:
- какие ошибки совершают компании,
- почему технологии не заменяют здравого смысла,
- как подготовиться к внедрению, чтобы не тратить ресурсы на исправление последствий.
№1. Автоматизация ради автоматизации
Поговорим о ситуации, когда технологии не решают реальных проблем.
Многие компании внедряют автоматизированные системы не потому, что это действительно необходимо, а потому что такова установка «сверху», потому что «у конкурентов уже есть», или потому что хочется выглядеть технологично.
Автоматизация начинает восприниматься как самоцель — признак современности, а не способ решения конкретных задач. В этой логике достаточно «что-то внедрить», чтобы всё сразу заработало лучше.
Но автоматизация должна быть привязана к реальной проблеме конкретной компании. Иначе она не даст положительного эффекта. В бизнесе на неё часто возлагают завышенные ожидания: сократим издержки, ускорим процессы, снизим фонд оплаты труда. Хотя на деле вопрос почти всегда в другом — в неэффективности самих процессов.
Автоматизировать хаотичный процесс — значит сделать хаос цифровым — и только.
Первый вопрос, на который стоит ответить, — в чём именно причина: в отсутствии технологий или в том, что процессы сами по себе неэффективны?
Ответ на него может сэкономить не один миллион. Скажем, сотрудники тратят 10–15% времени на ручной ввод данных в отчёты. На первый взгляд — явный кандидат на автоматизацию.
Но прежде чем запускать систему, стоит задать другой вопрос: кому вообще нужны эти отчёты? Выполняют ли они какую-то функцию? И есть ли у них эта функция сейчас?
Иногда достаточно просто пересобрать процессы: убрать лишние шаги, пересмотреть регламенты, перераспределить задачи. Это самый быстрый и дешёвый способ улучшения.
Поэтому если вы на этапе внедрения можете убрать два–три звена из цепочки и увидеть, что ничего не разваливается — возможно, автоматизация на этом этапе вам и не понадобится.
Пример №1
Крупная компания из сферы логистики решила ускорить процесс обработки заявок на закупку оборудования. Сотрудники разных отделов жаловались, что ожидание одобрения занимает слишком много времени — иногда до нескольких дней.
Руководство приняло решение внедрить систему автоматической проверки заявок, которая должна была анализировать запросы сотрудников и принимать решение без участия менеджеров.
Вот как выглядел процесс обработки заявок до внедрения автоматизации:
Что пошло не так
После внедрения автоматизированной системы время обработки заявок сократилось... но незначительно. Выяснилось, что «узкое место» находилось не в проверке заявок, а в том, что они долго «зависали» между разными отделами, ожидая одобрения от нескольких руководителей.
Процесс был перегружен ненужными уровнями согласования, из-за чего даже самые простые заявки обрабатывались медленно.
Вот как процесс стал выглядеть после автоматизации (немногим лучше):
Как решили проблему
Компания провела анализ и оптимизировала процесс, убрав лишние этапы согласования. Теперь заявки отправлялись напрямую одному ответственному менеджеру, а одобрение происходило быстрее.
Только после этого автоматизированная система стала действительно полезной: она перестала работать в «узком горлышке» и стала ускорять процесс, а не просто перекладывать бумажную волокиту в цифровой формат.
Вывод
Если бы компания сначала разобралась с проблемой на уровне бизнес-процессов, она мог бы сэкономить миллионы, не бросаясь в дорогостоящую автоматизацию. Иногда правильнее не внедрять новые технологии, а просто навести порядок в существующих процессах.
№2. «Плохие» исходные данные
Сегодня в бизнес-среде популярен тезис: «данные — новая нефть», и компании действительно инвестируют в Big Data, нанимают специалистов, создают команды аналитиков.
Автоматизация, прогнозирование, алгоритмы — всё это работает только при одном условии: если данные в порядке. Есть железное правило: если на входе в систему поступает «мусор», то на выходе получится автоматизированный мусор (garbage in, garbage out).
Откуда в системе появляется «мусор»? Причин может быть несколько:
- человеческий фактор (например, ошибочно введённые данные и тд),
- использование устаревшей или неактуализированной информации;
- предвзятый подход к отбору данных — выбор того, что считать «актуальным», по-прежнему зависит от человека;
- отсутствие единой структуры и форматов хранения — ошибка, которая случается даже в самых технологичных компаниях (об этом — в примере ниже).
Пример №2
Крупная компания по производству строительных смесей решила внедрить WMS (Warehouse Management System), чтобы объединить склады в единую систему, оптимизировать их работу и упростить отслеживание продукции — от производства до отгрузки заказчику.
Что пошло не так
До внедрения WMS компания использовала для учёта товара, его остатков и отгрузок комбинацию 1С и Excel-таблицы. Производство и склады вели учёт раздельно, каждый — в своём формате — «так исторически сложилось». Один и тот же товар мог иметь разные SKU, наименования и описания в разных таблицах.
На уровне отдельных участков эта система работала, но при попытке объединить данные в единую платформу начались проблемы: дубли, нестыковки остатков, путаница в кодировке товаров.
Проект пришлось остановить почти на год, чтобы привести в соответствие справочники товаров, унифицировать SKU и наименования, а также устранить дубли и расхождения между данными складов и производства.
Автоматизация и алгоритмы — это лишь инструменты. Их эффективность зависит не от кода, на котором они написаны, а от данных, на которых они работают.
Как решили проблему
Компания пересмотрела свой подход к внедрению системы WMS. Был принят ряд волевых решений по упрощению типов и унификации товаров на складах и производстве.
В отдел качества продукции наняли специалиста, который отвечал за актуализацию и синхронизацию данных между складами и производством. Эти шаги помогли реализовать внедрение системы WMS и ее интеграцию с системой «Честный знак».
Вывод
Автоматизация и алгоритмы — это лишь инструменты. Их эффективность зависит не от кода, на котором они написаны, а от данных, на которых они работают. Если основа слабая, никакие технологии не спасут от ошибок — в том числе искусственный интеллект.
Прежде чем вкладываться в дорогостоящие решения важно убедиться, что данные в порядке — иначе придётся исправлять не следствия, а последствия.
№3. Недостаточная гибкость
Даже если с данными всё в порядке, автоматизация может не справиться с неожиданными изменениями.Это типичная ситуация «чёрного лебедя» — редкого события с серьёзными последствиями, которое невозможно предсказать заранее.
Этот термин предложил Нассим Талеб, автор одноимённой книги, в которой он подробно описывает уязвимость систем перед маловероятными, но разрушительными сценариями.
Алгоритмы устроены просто: они опираются на исторические данные и повторяющиеся шаблоны. И если в этих данных нет нужного прецедента, система не может адаптироваться.
Автоматизация эффективна при предсказуемых сценариях — но теряет устойчивость при резких внешних изменениях.
В бизнес-планах 2018 года вряд ли кто-то учитывал риск глобальной пандемии, локдаунов или геополитических конфликтов. Алгоритмы, обученные на спокойном периоде, не замечают перелома — они продолжают рассчитывать прогнозы, как будто ничего не изменилось.
В итоге — ошибки в логистике, несвоевременные закупки, дефицит или избыток товара.
Этот эффект заметен не только в больших системах. Даже в простом технологическом процессе автоматизация может «споткнуться» о ситуацию, к которой не была подготовлена.
Если все упростить, можно представить следующую ситуацию: у нас есть простой процесс нагревания бака с водой и молодой инженер, окончивший вчера институт.
Он знает, что с водой в замкнутом пространстве может быть две проблемы: она либо замерзла, либо вскипела. Для этих двух критических ситуаций наш воображаемый инженер предусматривает следующие случаи.
- Предупреждение: температура воды выше 90 или ниже 10 градусов. Происходит оповещение персонала.
- Авария: температура воды выше 95 или ниже 5 градусов. Происходит остановка процесса охлаждения/нагревания.
Что делает алгоритм, если датчик выходит из строя и передаёт одно и то же значение — например, 25 градусов, — хотя вода уже закипает? Или если показания скачут от 20 до 80 без понятной логики?
Если система не сталкивалась с таким сценарием, она не распознает его как аномалию.
Без анализа поведения данных во времени и понимания контекста алгоритм продолжит считать, что всё в норме — пока не станет слишком поздно. Поэтому такие системы требуют контроля: их нельзя оставлять без обратной связи и пересмотра логики работы в нестандартных ситуациях.
Пример №3
Представьте, что ретейл-компания в 2021 году внедрила автоматизированную систему управления складскими запасами на основе анализа данных за последние 5 лет.
Алгоритм на основе анализа BigData рассчитывал: текущие запасы сезонных товаров на складах в десятке регионов страны, сколько товара нужно дополнительно заказать, сколько будет выкуплено и сколько необходимо переместить между региональными складами.
Что пошло не так
Для расчётов использовались продажи за 2015–2019 годы. 2020-й исключили как «аномальный» из-за пандемии, полагая, что спрос вскоре вернётся к прежним показателям.
Однако последовавшие годы — 2022–2024 — показали совершенно другую картину: изменились потребительские предпочтения, экономическая обстановка и логика покупательского поведения.
Алгоритм, обученный на данных «тихого» периода, не распознал этих изменений. В результате в одних регионах возник переизбыток товара, в других — дефицит.
Как итог: финансовые потери от повторной транспортировки товара, упущенные продажи и недовольные клиенты.
Гибкость и адаптивность — уникальные человеческие способности, которые автоматизация пока не может заменить.
Как решили проблему
Компания обновила подход к работе с алгоритмами. В расчёты включили актуальные данные, добавили учёт макроэкономических показателей и сигналы, указывающие на сдвиги в структуре спроса.
Алгоритмы донастроили под работу с новыми трендами, включая возможность учитывать резкие отклонения от исторических шаблонов.
Вывод
Алгоритмы хороши, когда всё идёт по плану. Но мир непредсказуем. Гибкость и адаптивность остаются уникальными человеческими способностями, которые автоматизация пока не может заменить.
Поэтому бездумное доверие алгоритмам без механизма корректировки — это всегда риск, который может стоить бизнесу слишком дорого.
№4. Сопротивление сотрудников
Даже самые технологически выверенные проекты могут застопориться на уровне внедрения — просто потому, что сотрудники не готовы менять привычный порядок.
Автоматизация часто воспринимается как угроза: возможные сокращения, потеря контроля, новые требования, больше внимания со стороны руководства и тд.
Чем масштабнее изменения, тем выше риск сопротивления сотрудников — от пассивного игнорирования до активного саботажа. Чаще всего это не злой умысел. Просто люди не понимают, зачем всё меняется, чего от них ждут, и какую роль они будут играть в новой системе.
Когда изменения спускаются сверху, без объяснений и вовлечения сотрудников, это почти всегда вызывает тревогу.
Чтобы автоматизация заработала, недостаточно запустить технологию.
Команду нужно провести через процесс изменений — заранее, поэтапно, с понятными шагами:
- ещё на старте объяснить, зачем это делается и что изменится в работе конкретных людей;
- запустить пилотный этап, где можно безопасно попробовать систему;
- провести тренинги по конкретным кейсам, а не абстрактное обучение;
- встроить обратную связь — и оперативно отвечать на вопросы;
- показать, что новая система не забирает работу, а убирает рутину и делает процессы предсказуемыми.
Это не опционально. Это часть внедрения — такая же важная, как настройка алгоритма или интеграция с 1С.
Пример №4
Крупный игрок e-com рынка решил автоматизировать набор персонала на складские операции и сократить зависимость от аутсорсинговых компаний. Для этого разработали приложение, с помощью которого кандидаты могли самостоятельно выбирать склад, операцию и смену для выхода на работу.
Что пошло не так
Уже на этапе пилотного запуска система столкнулась с сопротивлением изнутри. Больше всего саботировали её внедрение сотрудники HR-отдела и менеджеры, отвечающие за взаимодействие с подрядчиками по персоналу.
Для них внедрение платформы означало потерю контроля над привычной схемой найма: исчезала необходимость в ручной координации, сокращались контакты с аутсорсинговыми агентствами, становился виден реальный объём и эффективность операций.
Кроме того, автоматизация повышала прозрачность — а это могло привести к выявлению несогласованных схем и злоупотреблений.
Как решили проблему
Руководство провело серию встреч с руководителями HR-направления и менеджерами, участвующими в найме.
Вместо общих презентаций использовали конкретные сценарии: как платформа будет распределять заявки, как автоматизирует учёт смен и сколько времени это освободит у сотрудников.Обсудили риски и сняли часть опасений, показав, что система не исключает человека из процесса, а упрощает операционную часть.
Для топ-менеджеров провели отдельные сессии с демонстрацией аналитики: сколько теряется времени на согласование заявок, сколько — на ручную координацию, как автоматизация поможет перераспределить ресурсы. После этого большинство поддержало изменения.
Вывод
Сопротивление сотрудников — естественная реакция на перемены, особенно если речь идёт о системных изменениях, затрагивающих привычные процессы. Успех автоматизации зависит не только от качества технологии, но и от того, как организован переход.
Прозрачность решений, пошаговое внедрение, обучение по реальным сценариям и готовность отвечать на вопросы — всё это должно стать частью проекта, а не сопроводительной активностью.
Если команда понимает, зачем всё меняется, и видит своё место в новой системе, сопротивление снижается. А сами сотрудники — даже те, кто вначале был против — становятся проводниками изменений.
Инвестиции в адаптацию, обучение и настройку коммуникации возвращаются в виде устойчивой работы, сниженного стресса в команде и роста качества на операционном уровне.
Подведём итоги
Автоматизация — мощный, но не самодостаточный инструмент для трансформации процессов и роста бизнеса. Её успех зависит как от качества решений, так и от того, как именно компания готовится к изменениям.
Выше мы разобрали ключевые подводные камни, с которыми чаще всего сталкиваются компании — от автоматизации «ради галочки» до игнорирования роли сотрудников в процессе изменений.
Эти ошибки возникают не из-за самих технологий, а из-за того, как к ним подходят: без чётких целей, без анализа текущих процессов и без подготовки команды.
Чтобы избежать подводных камней, автоматизацию нужно рассматривать не как IT-проект, а как часть управленческого подхода.
В основе — четыре практических шага:
- Определить цель
Что именно не работает в текущей системе?
Это может быть, например, ручной труд без понятной ценности, нестыковки в учёте или устаревшие процессы, которые зависят от конкретных людей и не поддаются масштабированию.
Без этого шага автоматизация рискует превратиться в красивую оболочку поверх старых проблем. - Выбрать решение под задачу
Не самое гибкое или модное, а то, которое впишется в текущую логику работы, будет учитывать степень зрелости компании, имеющиеся ресурсы и не потребует перестройки всего процесса. - Запустить пилотный проект
Проверить систему на ограниченном участке, оценить, где возникают сбои, как реагируют сотрудники, что нужно изменить. И только после этого — масштабировать. - Продолжать экспериментировать
Не бойтесь вносить различные изменения в систему автоматизации и наблюдать за тем, как будет меняться процесс. Нет ничего более наглядного, чем результат, полученный в ходе живого опыта.
Автоматизация усиливает то, что уже есть. И если в основе — хаос, сбои и непрояснённые задачи, она только ускорит их проявление. Поэтому проект начинается не с выбора подрядчика — а с честного анализа собственных процессов, задач и готовности к изменениям.
