Маленький бизнес с большими возможностями

Сабир Алмасов

Маленький бизнес с большими возможностями

Введение

Ещё недавно небольшой бизнес довольно быстро упирался в людей. Не обязательно в большой штат. Даже скромный проект, если он начинал расти, постепенно обрастал исполнителями: кто-то собирал информацию, кто-то готовил коммерческие предложения, кто-то отвечал клиентам, кто-то вёл таблицы, кто-то изучал конкурентов, кто-то следил за рекламой. Часть задач отдавали сотрудникам, часть — фрилансерам, часть предприниматель делал ночью сам, потому что нанимать ещё одного человека не было денег.

Именно этот участок бизнеса изменился сильнее всего.

Не потому, что искусственный интеллект внезапно научился «вести компанию». И не потому, что можно открыть чат, написать «придумай бизнес» и через час стать предпринимателем. Такие обещания хорошо смотрятся в рекламе курсов и плохо работают в жизни. Настоящее изменение гораздо прозаичнее и потому важнее: резко подешевел большой пласт умственной работы, которая раньше требовала человеческих часов.

Поиск информации. Первичная обработка документов. Сравнение десятков предложений. Сводка сотен отзывов. Подготовка списка вопросов к переговорам. Классификация обращений клиентов. Разбор таблицы. Поиск повторяющихся жалоб. Составление первой версии регламента. Проверка гипотезы на противоречия. Подготовка нескольких сценариев решения. Перевод хаотичных заметок в понятный план. Раньше всё это тоже можно было сделать. Разница в стоимости времени.

Если основатель проекта должен был сам прочитать двести отзывов, открыть сорок сайтов конкурентов и вручную перенести данные в таблицу, исследование могло занять несколько дней. Если ту же работу поручали помощнику или аналитику, появлялись расходы на человека и управление его работой. Теперь значительную часть подготовительной работы можно выполнить быстрее — при условии, что предприниматель умеет ставить задачу, давать модели нормальные данные и проверять результат.

Это «при условии» будет повторяться в книге много раз.

ИИ не освобождает от необходимости понимать рынок. Он не знает Вашего клиента лучше Вас только потому, что отвечает уверенным тоном. Он может ошибиться в цифре, перепутать компанию, сослаться на несуществующий документ, неверно понять контекст или выдать правдоподобный текст там, где нужен точный факт. Современные модели становятся надёжнее, но проблема выдуманных фактов не исчезла. NIST, американский Национальный институт стандартов и технологий, включает риски генеративного ИИ в отдельный профиль управления рисками; разработчики самих моделей продолжают отдельно измерять и снижать галлюцинации. Для бизнеса вывод простой: хороший ответ модели — это рабочий материал, а не автоматически истина.

В то же время делать вид, что ничего не произошло, тоже странно. В исследовании Harvard Business School и Boston Consulting Group консультанты, работавшие с GPT-4 над задачами внутри так называемой «технологической границы» модели, выполняли работу быстрее и получали более высокие оценки качества. При этом на задачах за пределами этой границы технология могла ухудшать результат. Исследователи назвали эту особенность jagged frontier — «рваной» или неровной границей возможностей. Рядом могут находиться две задачи, которые человеку кажутся одинаково сложными, но одну модель решает блестяще, а другую — убедительно портит.

Это очень полезная метафора для предпринимателя. Она снимает два крайних взгляда. Первый: «ИИ всё сделает за меня». Второй: «ИИ — игрушка, которая пишет средние тексты». Оба слишком примитивны. Правильный вопрос звучит иначе: в каких конкретных операциях Вашего бизнеса ИИ уже даёт преимущество, а в каких его нужно держать на коротком поводке?

Масштаб внедрения показывает, что этот вопрос перестал быть теоретическим. По данным Stanford AI Index 2026, 88% опрошенных организаций сообщали об использовании ИИ хотя бы в одной бизнес-функции, а генеративный ИИ применялся как минимум в одной функции примерно у семи из десяти организаций. Это данные преимущественно корпоративного мира, и переносить их напрямую на маленькие компании нельзя. Но OECD в отдельном исследовании более пяти тысяч малых и средних компаний в семи странах получила другой важный результат: генеративный ИИ уже использовался примерно в 31% таких компаний. При этом большинство применяло его для периферийных, а не для центральных операций бизнеса. Только 29% пользователей генеративного ИИ в выборке говорили, что используют его в основных видах деятельности компании.

И вот здесь появляется возможность для малого предпринимателя.

Большая компания внедряет технологию медленно не потому, что у неё глупые сотрудники. У неё есть старые системы, согласования, безопасность, юридические требования, отделы, бюджеты и процессы, которые нельзя перестроить за вечер. У человека, запускающего небольшой проект, всего этого может не быть. Его слабость — ограниченные деньги и время. Его сила — отсутствие организационного груза.

Если Вы начинаете с нуля, Вам не обязательно сначала создать привычную компанию, а потом годами «внедрять ИИ». Можно сразу спроектировать работу так, чтобы человеческое внимание расходовалось только там, где оно действительно нужно: на выборе проблемы, контакте с клиентами, доверии, переговорах, ответственности, сложных решениях и контроле качества. Остальные участки можно по возможности удешевлять с помощью программных инструментов, автоматизации и моделей.

Я называю это командой одного человека. Термин условный: никакой настоящей команды из нейросетей у Вас нет. У модели нет должности, ответственности перед клиентом, профессиональной репутации и страха потерять деньги из-за ошибки. Поэтому в этой книге не будет фраз вроде «назначьте ChatGPT своим финансовым директором» или «пусть Claude станет Вашим маркетологом». Это красивое, но вредное очеловечивание инструмента.

У Вас есть один ответственный человек — Вы. И есть набор функций, часть которых теперь можно выполнять дешевле и быстрее.

Это различие кажется семантическим, пока не случается ошибка. Если «ИИ-маркетолог» сделал неверный вывод о целевой аудитории, отвечать клиенту будете Вы. Если «ИИ-аналитик» придумал цифру, решение на её основе примете Вы. Если автоматизация отправила неподходящее сообщение важному заказчику, извиняться придётся тоже Вам. Поэтому правильная конструкция выглядит не как виртуальный офис с выдуманными сотрудниками, а как система: данные → обработка → проверка → решение → действие → обратная связь.

Человек контролирует эту цепочку и решает, где машине можно дать свободу, а где она получает только право подготовить черновик.

Почему из этого получается отдельный тип бизнеса, а не просто более удобная работа фрилансера? Потому что меняется экономика маленького проекта.

Раньше ниша могла быть слишком маленькой, чтобы оплачивать команду. Допустим, существует несколько сотен компаний, которым полезен еженедельный мониторинг цен по узкой категории промышленного оборудования. Большому аналитическому агентству такой рынок может быть неинтересен. Нанять двух аналитиков, продавца и администратора ради него дорого. Но один специалист, который умеет автоматически собирать допустимые открытые данные, проверять их, использовать ИИ для классификации и анализа изменений, а затем превращать результат в понятный отчёт, может построить на такой нише устойчивый микробизнес.

Или другой пример. В определённой отрасли постоянно появляются небольшие тендеры. Клиенты готовы платить не за «список тендеров», который и так можно найти, а за фильтрацию: какие закупки им действительно подходят, где странные требования, где слабая конкуренция, что изменилось по сравнению с прошлой неделей. Ценность создаётся не количеством найденных ссылок, а снижением шума и экономией времени человека, принимающего решение.

Или бизнес получает сотни отзывов из маркетплейсов, карт, социальных сетей и службы поддержки, но никто их системно не читает. Один внешний специалист может регулярно собирать массив, удалять дубли, группировать проблемы, проверять примеры и выдавать руководителю не «анализ тональности», а пять конкретных причин возвратов, три фразы покупателей, которые повторяются чаще всего, и список изменений, которые стоит проверить. Это уже не копирайтинг и не продажа «магии ИИ». Это информационная работа с понятным экономическим эффектом.

Подобных моделей много. Их объединяет одна особенность: раньше значительная часть себестоимости состояла из человеческих часов на поиск, сортировку, первичный анализ и подготовку результата. Когда эти часы дешевеют, становятся жизнеспособными более узкие проекты.

Но здесь легко обмануть себя. Сокращение стоимости производства ещё не означает наличие спроса. Можно за десять минут сгенерировать отчёт, который никому не нужен. Можно автоматизировать сбор данных, которые никто не готов покупать. Можно построить красивую систему из семи сервисов, а потом обнаружить, что клиенты предпочитают обычный Excel от человека, которому доверяют.

Поэтому эта книга начинается не с инструментов.

Сначала мы разберём экономику маленького бизнеса и карту задач: что ИИ делает хорошо, что плохо, что опасно передавать без проверки. Затем — самое важное — научимся искать не идеи, а проблемы, за решение которых платят. После этого разберём исследование рынка, проверку спроса, продажи и обратную связь. Только потом дойдём до архитектуры процессов и автоматизации. Во второй половине книги подробно рассмотрим модели, где один человек действительно может создать продукт или услугу с высокой долей информационного труда: мониторинги, нишевые базы данных, аналитические подписки, конкурентную разведку, поиск возможностей, сервисы структурирования и проверки информации, микро-SaaS и услуги, в которых ИИ позволяет резко увеличить число обслуживаемых клиентов.

Отдельная глава будет посвящена деньгам. Потому что «делать быстро» и «зарабатывать» — разные навыки. Предпринимателю нужно считать не только расходы на подписки, но и собственное время, цену ошибки, стоимость привлечения клиента, частоту покупки, маржу и объём ручной работы, которая остаётся после всех автоматизаций.

И ещё одна глава — границам модели. Один человек не может бесконечно расти. Чем больше клиентов, тем дороже становится его внимание. Где-то потребуется специалист с экспертизой, которую нельзя заменить проверкой текста в чате. Где-то появится ответственность, которую разумнее разделить. Где-то продажи будут держаться на отношениях, а не на автоматической воронке. И иногда лучший способ «автоматизировать» узкое место — просто нанять компетентного человека.

В 2025 году Международная организация труда, оценивая влияние генеративного ИИ на десятки тысяч рабочих задач, пришла к выводу, что примерно каждый четвёртый работник в мире занят в профессии с той или иной степенью воздействия генеративного ИИ, но наиболее вероятный результат — изменение содержания работы, а не массовое исчезновение профессий. Для предпринимателя это важнее разговоров о том, «кого заменят нейросети». Бизнес состоит не из должностей, а из задач. Одни задачи можно ускорить, другие — частично автоматизировать, третьи — оставить человеку. И когда Вы начинаете проект с такой декомпозиции, организация получается другой.

Возможно, самый полезный эффект ИИ для предпринимателя вообще не связан с тем, что он делает за Вас. Он заставляет по-новому оценить каждую операцию. Зачем мы собираем этот отчёт? Кто принимает по нему решение? Почему менеджер тратит три часа на перенос данных? Нужен ли этот этап? Можно ли получить ответ раньше? Какие данные действительно меняют решение? Нужен ли здесь человек с дорогой экспертизой или достаточно аккуратной первичной обработки с последующей проверкой?

Эти вопросы быстро выводят на неприятную правду: во многих компаниях значительная часть работы существует потому, что так сложилось, а не потому, что она создаёт ценность.

У маленького бизнеса есть роскошь не наследовать этот груз.

Вам не нужно строить компанию по образцу компаний двадцатилетней давности. Не нужно сначала нанимать ассистента только потому, что «у предпринимателя должен быть ассистент». Не нужен маркетолог, пока Вы не поняли, что и кому продаёте. Не нужен аналитик, если у Вас нет данных и решений, которые от них зависят. Не нужна сложная CRM, пока у Вас семь потенциальных клиентов и Вы помните каждого по имени.

Сначала нужна проблема. Потом — клиент. Потом — способ регулярно создавать для него ценность. И только после этого — система, которая позволяет делать это быстрее, дешевле и стабильнее.

ИИ способен стать частью такой системы. Иногда очень сильной частью. Но не её смыслом.

Главный вопрос книги поэтому звучит просто: что теперь действительно способен построить один человек, если перестанет копировать устройство старого малого бизнеса и начнёт проектировать работу с нуля?

Дальше будем отвечать на него не лозунгами, а через процессы, деньги, ограничения и конкретные модели.

Глава 1. Маленький бизнес стал дешевле в управлении — но не проще

У предпринимателя есть несколько видов дефицита. Денег не хватает почти всегда. Времени — ещё чаще. Но самый неприятный дефицит появляется позже, когда проект начинает жить: не хватает внимания.

Пока заказов мало, основатель может держать всё в голове. Он помнит, кому обещал перезвонить, где лежит нужный файл, почему клиент попросил скидку, кто из конкурентов запустил новую услугу и что надо исправить на сайте. С ростом объёма информации память перестаёт быть системой. Начинаются пропущенные письма, просроченные обещания, решения по ощущению и постоянное чувство, что что-то важное забыто.

Традиционный способ борьбы с этим — люди и управленческий слой. Помощник собирает информацию. Менеджер ведёт клиентов. Аналитик готовит отчёт. Маркетолог следит за конкурентами. Руководитель получает уже сжатый результат.

Для крупной компании эта конструкция естественна. Для маленькой она может убить экономику ещё до того, как появится устойчивый спрос.

Постоянные расходы меняют характер риска

Представим два проекта с одинаковой выручкой в 500 000 рублей в месяц.

У первого три сотрудника, офис, бухгалтер на аутсорсе, несколько программных подписок и обязательные рекламные расходы. До того как собственник получил хотя бы рубль прибыли, бизнес уже должен выплатить значительную сумму просто за право продолжать существовать ещё один месяц.

У второго один основатель, небольшая инфраструктура, несколько сервисов, подрядчик на узкую задачу по мере необходимости и отсутствие постоянного офиса. Его переменные расходы могут расти вместе с выручкой, но обязательный ежемесячный «порог выживания» намного ниже.

В хорошие месяцы разница может быть незаметна. В плохие — становится решающей.

Модель одного человека интересна не потому, что сотрудники плохи или дороги. Сильный сотрудник часто окупает себя многократно. Проблема в моменте найма. Маленький бизнес обычно обязан платить зарплату раньше, чем точно знает, что работа для этого человека будет загружена и принесёт больше денег, чем стоит. Это ставка на будущий объём.

ИИ и автоматизация позволяют часть таких ставок отложить.

Если предприниматель может сам, с помощью инструментов, обрабатывать входящие заявки, анализировать обратную связь, готовить исследования и контролировать базовые показатели, ему не требуется нанимать четыре функции одновременно. Он покупает не человека «на всякий случай», а точечную производительность: месячную подписку, использование модели по мере необходимости, специализированный сервис, несколько часов эксперта.

Это меняет структуру затрат: больше расходов становятся обратимыми. Подписку можно отключить. Объём использования — сократить. Подрядчика — привлечь только на проект. Сотрудника так легко «выключить» нельзя, да и не следует относиться к людям как к переменной в таблице.

Экономия появляется не там, где принято её искать

Когда люди обсуждают ИИ в бизнесе, первым примером часто становится создание контента. Это заметно: раньше текст писал человек, теперь черновик генерирует модель. Но для предпринимателя куда важнее менее эффектная работа.

Допустим, Вы продаёте B2B-услугу. Перед встречей с новым клиентом нужно понять, чем занимается компания, кто её конкуренты, какие проекты она запускала, какие изменения произошли за год, кто принимает решения, какие проблемы могут быть у бизнеса и что из Вашего предложения ему действительно подходит.

Раньше основатель либо тратил на подготовку час-два, либо приходил на встречу почти вслепую. Если встреч десять в неделю, качественная подготовка превращается в отдельную работу. Сейчас значительную часть разведки можно ускорить: собрать открытые источники, вытащить факты, сравнить их, составить список гипотез и вопросов. Но ценность рождается не потому, что модель «провела исследование». Ценность в том, что Вы потратили двадцать минут на проверку и размышление вместо двух часов на механический поиск.

Или возьмём обратную связь. У небольшого интернет-магазина 1500 отзывов о товарах и доставке. Владелец их «иногда читает». Значит, фактически у бизнеса есть данные, но нет процесса извлечения смысла. Можно выгрузить отзывы, убрать персональные данные, распределить жалобы по темам, посчитать повторяемость, выбрать характерные цитаты и проверить каждую важную группу вручную. Самая дорогая часть работы — не прочитать 1500 сообщений. Самая дорогая часть — решить, что менять после анализа.

Вот где проходит полезная граница: машине достаётся объём, человеку — ответственность и смысл.

Производительность не равна освобождённому времени

Здесь есть ловушка. Исследования действительно показывают рост производительности на некоторых видах работы. В известном исследовании Brynjolfsson, Li и Raymond доступ к генеративному помощнику повысил производительность сотрудников службы поддержки в среднем примерно на 14%, причём сильнее всего выиграли менее опытные работники. В другом полевом эксперименте Microsoft Research среди тысяч офисных сотрудников пользователи генеративного инструмента стали тратить меньше времени на электронную почту.

Но предприниматель не получает эти проценты автоматически.

Если Вы сэкономили два часа, а потом потратили их на бесконечное улучшение промптов, настройку ещё одной базы и сравнение десяти моделей, бизнес не стал эффективнее. Он просто заменил старую занятость новой.

Это одна из главных болезней периода ИИ: иллюзия производительности. Человек производит невероятное количество артефактов — планы, исследования, таблицы, концепции, письма, схемы, презентации — и чувствует, что сделал много. Но клиент не заплатил, продукт не улучшился, решение не принято.

Поэтому полезно делить работу на три категории.

Первая — работа, непосредственно создающая ценность для клиента. Например, найденная коммерческая возможность, точный анализ, закрытая сделка, исправленная причина возвратов.

Вторая — работа, которая обеспечивает первую: сбор данных, подготовка, бухгалтерия, контроль качества, планирование.

Третья — декоративная деятельность, существующая в основном для ощущения контроля. Бесконечные документы, отчёты, которые никто не использует, автоматизации ради автоматизаций, совещания с самим собой в чате.

ИИ умеет резко увеличивать объём третьей категории. Это не его вина. Он послушно создаёт то, что Вы просите.

Сильный предприниматель использует технологию прежде всего для сокращения второй категории и усиления первой.

Маленькие рынки становятся интереснее

Самое перспективное следствие снижения стоимости информационного труда — возможность обслуживать узкие ниши.

Большая компания любит большой рынок. Ей нужно оплачивать структуру, руководителей, продажи, разработку, поддержку. Поэтому ниша на несколько десятков миллионов рублей в год может оказаться для неё слишком маленькой.

Один человек мыслит иначе. Ему не обязательно строить миллиардный бизнес, чтобы получить хороший доход. Если он находит 40 компаний, готовых платить по 25 000 рублей в месяц за полезный отраслевой мониторинг, это уже миллион рублей ежемесячной выручки. Реальность, конечно, сложнее: не все заплатят, будут расходы, отток, налоги, ошибки. Но сама экономика допустима там, где у компании с десятью сотрудниками она могла бы не сойтись.

Именно поэтому в новой среде стоит смотреть не только на массовые рынки. Очень узкая специализация может стать преимуществом.

«Аналитика для бизнеса» звучит бессмысленно широко. «Еженедельный мониторинг цен и новых поставщиков расходных материалов для частных стоматологических клиник» уже можно проверить. «Поиск тендеров» — товар с огромной конкуренцией. «Отбор закупок на конкретный тип лабораторного оборудования с предварительной проверкой требований» — конкретная проблема.

ИИ хорошо сочетается с нишами ещё по одной причине: ему можно дать отраслевой контекст. Чем лучше организованы Ваши источники, словарь терминов, примеры решений, критерии качества и история прошлых случаев, тем меньше Вы зависите от общих знаний модели и тем больше создаёте собственный производственный актив.

Этот актив — не «секретный промпт». Секретный промпт легко копируется и редко стоит много. Актив — это собранные данные, правила проверки, понимание клиента, процессы и накопленная история решений.

Чем новая компания отличается от фриланса

Если Вы один, возникает естественный вопрос: разве это не обычный фриланс?

Иногда — да. И в этом нет ничего плохого. Но у бизнеса одного человека есть важное отличие: он постепенно отвязывает доход от каждой отдельной минуты владельца.

Не обязательно через «пассивный доход». Этот термин слишком часто означает фантазию. Скорее через повторяемость.

Фрилансер обычно продаёт выполнение конкретной работы. Каждый новый заказ требует нового объёма личного труда. Предприниматель старается превратить работу в процесс, где часть результата повторяется: одинаковый источник данных, стандарт проверки, типовая структура отчёта, подписка, база знаний, методика, автоматический сбор, единый интерфейс.

Например, специалист вручную анализирует отзывы для одного ресторана за 30 000 рублей. Это услуга. Если он выстраивает процесс, который каждый месяц собирает отзывы из нескольких разрешённых источников, классифицирует темы, сравнивает динамику, а он сам проверяет аномалии и формулирует рекомендации, у него появляется возможность обслуживать десять ресторанов не в десять раз дольше. Если добавляется личный кабинет и стандартные метрики, модель ещё сильнее приближается к продукту.

Это и есть направление движения: от единичного труда к повторяемой системе.

Но пытаться построить систему до первого клиента опасно. Вы ещё не знаете, что повторять.

Почему сначала нужно делать руками

Предприниматель, увлечённый ИИ, легко попадает в инженерную ловушку. Он видит потенциальную услугу и сразу начинает проектировать идеальную машину: автоматический сбор данных, агенты, триггеры, база, дашборд, генерация отчёта, рассылка клиенту. Через месяц система работает. Клиентов нет.

Правильный порядок обычно обратный.

Сначала Вы вручную находите одного человека с проблемой. Потом вручную решаете её настолько хорошо, чтобы он захотел заплатить второй раз или порекомендовать Вас. Потом смотрите, какие куски работы повторились. И только их начинаете удешевлять.

Есть простой критерий: не автоматизируйте действие, которое ещё не повторили несколько раз вручную и не поняли, зачем оно клиенту.

Это не религия. Бывают процессы, которые очевидно нужно автоматизировать сразу, например резервное копирование или выставление стандартных уведомлений. Но для продукта и продаж правило работает удивительно хорошо.

Предположим, Вы решили продавать мониторинг изменений законодательства для небольших компаний определённой отрасли. Можно потратить два месяца на систему, которая отслеживает сотни документов. А можно сначала выбрать пять компаний, раз в неделю вручную просматривать официальные источники с помощью ИИ-поиска, составлять короткий обзор и спрашивать владельцев: «Что из этого для Вас действительно важно? Что Вы сделали после моего сообщения?» Через четыре недели Вы поймёте, что из двадцати типов изменений клиентов волнуют только четыре, а половина ценности состоит не в новости, а в объяснении, к кому внутри компании она относится и какой вопрос нужно задать юристу или бухгалтеру.