автордың кітабын онлайн тегін оқу  Искусственный интеллект. Практическое руководство для внедрения

Джимшер Челидзе

Оглавление

Предисловие

Вы инвестировали в искусственный интеллект. Провели пилотный проект. Результаты выглядели многообещающе. Но когда пришло время масштабировать решение на всю компанию — всё застопорилось.

Система, которая давала 92% точности на чистых данных, начала постоянно ошибаться. Люди саботируют внедрение, боятся потерять работу. Интеграция с существующими системами оказалась сложнее. Намного сложнее, чем ожидалось. Инвестиции должны были окупиться за 6 месяцев. Через 18 месяцев они остаются убытком на балансе компании.

Если вы столкнулись с этим разрывом между пилотом и промышленной эксплуатацией — это знак того, что компания попала в типичную ловушку. И эта ловушка встречается часто.

Согласно исследованиям McKinsey и MIT NANDA за 2024–2025 годы, 95% инвестиций в ИИ (AI) не дают ожидаемых результатов. Компании запускают пилоты, но 75% из них так и остаются в режиме вечного теста. Система работает хорошо в лаборатории, но не в реальном мире.

Этот разрыв между пилотом и промышленной эксплуатацией (production) — не техническая проблема. Это проблема системы управления.

Большинство руководителей сосредоточены на технологии, а не на системе управления и людях. Другими словами, они думают о том, как заполучить лучшее предложение по ИИ вместо вопросов организации, ролей, культуры изменений.

Они думают: «Давайте купим лучшую модель, наймём самых умных специалистов, выделим максимальный бюджет — и всё сработает». Но это ошибка. Наличие лучшей технологии не гарантирует её правильное применение. Как хирургический инструмент бесполезен в руках того, кто не знает медицину.

В 2023 году большинство компаний даже не знало, что такое ИИ. Теперь мир охватил бум генеративного ИИ (GenAI). ChatGPT, Claude, Gemini сделали ИИ доступным, понятным и невероятно привлекательным. Результат — взрывной рост инвестиций и одновременно взрывной рост разочарований.

Это нормальный хайп-цикл для новых технологий: компании видят обещания результатов в демонстрационных версиях, но при внедрении в реальную работу сталкиваются со множеством препятствий:

— Данные грязные

— Люди не хотят менять процессы

— Система работает с точностью 70%, а не 95%

— ROI оказывается значительно ниже планов

В итоге родилась эта книга. Даже не просто книга, а полноценное практическое руководство, которое поможет вам преодолеть этот разрыв. Лучше учиться на опыте других компаний, а не на своих ошибках. Она основана на исследованиях McKinsey, MIT NANDA, Лаборатории Сколково, и на реальных кейсах компаний, с которыми я работал, а это и организации с 15 000 сотрудников, и стартапы на 10 человек. Я видел их успехи и провалы. Видел, как одна компания за 6 месяцев достигла +5 EBIT-пунктов, а другая за 2 года потратила миллионы и не получила ничего.

Разница не в технологии. Разница в системе управления.

В этой книге мы разберём:

— Шесть ловушек, в которые попадают 95% компаний при внедрении ИИ.

— Восемь закономерностей успеха, применяемых лидерами рынка (те 5%, которые действительно получают результаты)

— Три столпа успеха — управление, технология, люди — и как они работают вместе

— Практические инструменты и шаблоны, которые вы можете применить сразу же

Важное замечание о создании этой книги

Эта книга создавалась при активной помощи искусственного интеллекта. ИИ работал в качестве ассистента: подготовка черновиков на базе наработок, структурирование контента, проверка. То есть соблюдалась схема, в которой я определял стратегические цели и приоритеты, задавал контекст и ограничения, корректировал материалы, принимал финальные решения. А ИИ собирал и структурировал данные, предлагал различные варианты материалов.

Почему это важно?

— Практическое доказательство концепции. Сама технология, о которой я пишу, была использована при создании этого руководства.

— Скорость без потери качества. Благодаря ИИ я смог быстрее пройти множество итераций, проверить примеры, подобрать наиболее точные формулировки. Цикл создания книги сократился с 4—6 месяцев до двух.

— Прозрачность подхода. Я следую тому самому системному подходу, который рекомендую. ИИ — это инструмент. Он усиливает человеческие возможности, но не заменяет человеческое суждение и опыт.

ИИ помогал структурировать, формулировать, но стратегия, логика и ответственность — мои. Ну, и окончательная редактура всё еще остается за человеком, поскольку особый стиль изложения ИИ уже стал притчей во языцех.

Главный посыл этой книги — инвестируйте в систему, а не в технологию.

ИИ — это не волшебная палочка, а инструмент. Компании, которые добились успеха с ИИ, не применили лучшую модель. Они применили лучшую систему управления.

Теперь давайте разберёмся, как именно построена эта система, и как вам использовать данную книгу максимально эффективно.

Три столпа успеха

Все концепции в этой книге опираются на три основных столпа. Они присутствуют в каждой успешной программе внедрения ИИ.

Столп 1. Управление

Большинство компаний ошибочно считают ИИ-проект технологическим проектом. На самом деле это проект управления и организации.

Ключевые вопросы:

— Кто решает, куда идёт инвестиция?

— Кто отвечает за результат?

— Какие роли меняются?

— Как это влияет на структуру?

— Как это влияет на иерархию?

Ответы на эти вопросы определяют успех. Или неудачу.

Столп 2. Технология

Мы не гонимся за лучшей моделью ИИ, а смотрим глубже. Важно, чтобы архитектура могла масштабироваться, а инфраструктура росла вместе с бизнесом. Важно, чтобы данным можно было доверять. Важно, чтобы интеграция с существующими системами проходила без их полной переделки.

Столп 3. Люди и культура

Это самый недооценённый столп в то время, как люди — это 70% успеха или неудачи ИИ-проекта.

Если люди не хотят пользоваться системой, она не работает. Если они боятся потерять работу, то начинается саботаж. Если не верят в результаты — система стоит, какой бы продвинутой она ни была.

Все три столпа должны оставаться в равновесии.

Если один из столпов слабеет — система падает.

Лидеры распределяют инвестиции так:

— Треть в управление

— Треть в технологию

— Треть в людей

Точное распределение может варьироваться, но принцип неизменен. Все три столпа критичны.

Связь с другими моими книгами

Эта книга — уже вторая в серии работ об искусственном интеллекте.

Первая книга называется «Искусственный интеллект. С неба на землю». Она отвечает на вопрос «что такое ИИ на самом деле?» и даёт базовое понимание по таким темам, как: восемь компонентов системного подхода к трансформации; основы для понимания ИИ без маркетинговых обещаний; вопросы безопасности ИИ; глобальные тренды в мире ИИ. Если вы новичок в ИИ — рекомендуется начать именно с неё. Она очень отрезвляет и формирует стратегическое видение.

Данная же работа не является введением в ИИ. Она продолжает первую книгу, фокусируясь на конкретной методологии внедрения ИИ-проектов в организационных условиях.

Здесь мы спускаемся на тактический уровень, конкретизируем применение системного подхода к ИИ, показываем, как преодолеть разрыв между пилотом и промышленной эксплуатацией. Я дам практические инструменты и покажу реальные кейсы.

Также у меня есть ещё три книги из серии «Цифровая трансформация для директоров и собственников», которые посвящены самому направлению цифровизации и автоматизации.

— Часть 1. Погружение — введение в тему автоматизации и цифровизации.

— Часть 2. Системный подход — погружение в системный подход к менеджменту, на который я ссылаюсь в этой книге, с разбором его инструментов.

— Часть 3. Кибербезопасность — о вопросах безопасности и важности этого направления.

Если хотите всестороннего рассмотрения данной темы, то рекомендую их прочитать, ведь ИИ — это лишь частный случай автоматизации и цифровизации. А наибольший эффект ИИ даёт как раз в сочетании с другими технологиями и в контексте общей стратегии цифровизации и автоматизации. Например, наиболее перспективное сочетание:

— интернет вещей для сбора качественных больших данных без участия и влияния человека, и для исключения ошибок (осознанных или нет);

— беспроводная связь для передачи данных в облачные центры обработки данных;

— использование этих массивов для обучения искусственного интеллекта;

— работа искусственного интеллекта для обработки этих данных и подготовки рекомендаций для принятия решений или автоматизации процессов.

О данных и источниках

Все цифры, статистика и исследования в этой книге базируются на открытых и проверяемых источниках:

— MIT NANDA Research (2024–2025) — анализ 1000+ ИИ-проектов.

— McKinsey «The state of AI in 2025» — исследование 1500+ компаний.

— Google AI Research и Microsoft AI Research — публикации об инструментах и методиках.

— Лаборатория Сколково — анализ российского рынка ИИ.

Дополнительно используются данные из практических проектов, конечно же, максимально обезличенные по причинам конфиденциальности. Это важно. Я опираюсь не на гипотезы, не на предположения, а на проверенные кейсы и исследования.

Кейсы, приведённые в книге, основаны на реальных проектах. Названия компаний и конкретные детали изменены, но суть и результаты — аутентичны.

Глоссарий терминов и аббревиатур

Эта книга написана для руководителей и менеджеров без технического образования. Однако искусственный интеллект — область, где без специальных терминов не обойтись. Ниже — краткий глоссарий ключевых понятий, которые встречаются в книге.

Как пользоваться глоссарием

При первом упоминании термина в книге даётся его краткое пояснение. Если вы забыли значение — вернитесь к этому глоссарию. Все термины упорядочены по категориям, что облегчает поиск.

Глоссарий не содержит сложных технических деталей. Цель — дать вам достаточное понимание для принятия управленческих решений, а не для программирования моделей.

Основные технологии

ИИ (AI, Artificial Intelligence) — технология, позволяющая машинам выполнять задачи, требующие человеческого интеллекта: распознавание изображений, понимание текста, принятие решений, прогнозирование.

GenAI (Generative AI, генеративный ИИ) — подкласс ИИ, способный создавать новый контент: тексты, изображения, код, музыку. Примеры: ChatGPT, Claude, Gemini. Именно GenAI вызвал взрывной рост интереса к ИИ в 2023–2025 годах.

ML (Machine Learning, машинное обучение) — раздел ИИ, где модели обучаются на данных без явного программирования каждого правила. Система сама находит закономерности в примерах.

Промышленная эксплуатация (production) — стадия, когда ИИ-система работает в реальных условиях бизнеса. В отличие от пилота, здесь система обрабатывает настоящие задачи, влияет на клиентов и приносит измеримые результаты.

Пилот (POC, Proof of Concept) — экспериментальная стадия проекта для проверки, работает ли идея в принципе. Обычно на ограниченных данных, в изолированной среде, без интеграции с реальными процессами.

MLOps (Machine Learning Operations) — набор практик для управления жизненным циклом ML-моделей: разработка — тестирование — внедрение — мониторинг — обновление. Аналог DevOps для машинного обучения.

Data Lake (озеро данных) — централизованное хранилище, куда компания собирает все данные: структурированные (таблицы), неструктурированные (документы, изображения), полуструктурированные (логи, JSON). В отличие от традиционных баз данных, Data Lake хранит данные в сыром виде.

Ключевые концепции книги

GenAI Divide (разрыв GenAI) — разрыв в результатах между лидерами (5% компаний) и отстающими (65%). Лидеры получают в 3,6 раза больше выгоды от ИИ, чем отстающие. Это не разница в бюджетах или технологиях — это разница в системе управления.

Shadow AI Economy (теневая экономика ИИ) — явление, когда сотрудники используют ИИ-инструменты (ChatGPT, Claude, Copilot) без ведома компании. С одной стороны, это показывает готовность людей к ИИ, с другой — компания теряет контроль над данными и качеством.

Investment Bias (перекос инвестиций) — одна из шести ловушек внедрения ИИ: неправильное распределение бюджета.

Три столпа успеха — три направления, которые лидеры выстраивают одновременно.

Восемь закономерностей успеха — паттерны поведения лидеров (5% компаний), которые стабильно достигают результатов от внедрения ИИ.

Стратегии внедрения

Buy (покупка) — стратегия покупки готовых ИИ-решений. Примеры: AWS Fraud Detection, Google Vision, Microsoft Azure Cognitive Services. Доля успеха: 67%. Быстрое внедрение, минимальная разработка, но высокая зависимость от вендора.

Build (разработка) — стратегия разработки ИИ-решений с нуля собственными силами. Полный контроль, уникальность, но высокие риски. Доля успеха: 8%. Подходит только крупным компаниям с сильными командами Data Scientist.

Modify (адаптация) — стратегия адаптации платформ и моделей под свои нужды. Золотая середина между Buy и Build. Доля успеха: 25%. Подходит среднему бизнесу.

Роли и структуры

Chief AI Officer (CAIO) — главный специалист по ИИ, топ-менеджер, отвечающий за ИИ-стратегию компании. Входит в управляющий комитет. В крупных компаниях — обязательная роль.

Управляющий комитет по ИИ (AI Board) — коллегиальный орган принятия решений по ИИ-проектам. Обычно 7–11 человек: CAIO, CTO, CFO, руководители ключевых подразделений. Встречается раз в квартал или месяц. Решает: запускать/останавливать проекты, распределять бюджет, утверждать стратегию.

Центр компетенций (CoE, Center of Excellence) — команда экспертов (5–25 человек) для координации ИИ-проектов в средних компаниях. Функции: обучение, консультации, контроль качества, разработка стандартов.

Офис по ИИ — структура для крупных компаний (50+ человек). Отличается от Центра компетенций масштабом: не только консультирует, но и реализует проекты.

Data Scientist — специалист по разработке ML-моделей. Обучает модели, подбирает алгоритмы, оценивает качество.

ML-инженер — инженер, внедряющий модели в промышленную эксплуатацию. Строит конвейеры обработки данных, интегрирует модели с IT-системами, мониторит работу.

Метрики и показатели

ROI (Return on Investment, возврат инвестиций) — основной показатель эффективности проекта. Формула: (Прибыль — Инвестиции) / Инвестиции × 100%. Лидеры достигают ROI 200%+ за 18 месяцев. Отстающие: -50% до +10%.

EBIT (Earnings Before Interest and Taxes) — прибыль до вычета процентов и налогов. Ключевая метрика для оценки операционной эффективности. Лидеры достигают +5 EBIT-пунктов за 18 месяцев. Середняки: +0.5%. Отстающие: ≈0%.

NPS (Net Promoter Score, индекс лояльности) — метрика, измеряющая готовность клиентов рекомендовать компанию. Рассчитывается как разница между долей промоутеров (оценка 9—10) и критиков (оценка 0—6). Шкала: от -100 до +100. Хороший результат:> 50. Используется для оценки влияния ИИ-проектов на клиентский опыт.

Adoption Rate (уровень использования) — процент пользователей, реально применяющих систему (не путать с любимым в отчетах термином «внедрили»). Лидеры достигают 80%+ adoption rate. Отстающие: <30%.

Точность модели (accuracy) — процент правильных предсказаний модели. Пример: если модель распознаёт документы с точностью 92%, это означает, что из 100 документов 92 распознаны правильно, 8 — с ошибками.

Методологии

Balanced Scorecard (BSC, Система сбалансированных показателей) — методология оценки проектов по четырём перспективам: финансы, клиенты, процессы, обучение и рост. Помогает не зацикливаться только на финансовых метриках. В контексте ИИ-проектов позволяет оценить влияние не только на прибыль, но и на клиентский опыт, эффективность процессов и развитие компетенций.

Lean (бережливое производство) — методология устранения потерь и оптимизации процессов. Основной принцип: делать больше меньшими ресурсами. В контексте ИИ: сначала оптимизируйте процесс, потом автоматизируйте его. Lean помогает выявить узкие места до внедрения ИИ.

Kaizen (непрерывное улучшение) — философия постепенных, но регулярных улучшений. В контексте ИИ: не ждите идеальной модели, запускайте на 80% точности и улучшайте постепенно. Kaizen противостоит перфекционизму, который часто убивает ИИ-проекты.

OKR (Objectives and Key Results, цели и ключевые результаты) — методология каскадирования целей от компании к командам и сотрудникам. Цель декомпозируется на 3—5 ключевых результатов с измеримыми метриками. В ИИ-проектах помогает связать техническую работу Data Scientist с бизнес-целями компании.

Change Management (управление изменениями) — набор практик для управления организационными изменениями при внедрении новых технологий. Включает коммуникацию, обучение, мотивацию, работу с сопротивлением. В ИИ-проектах критически важно: 70% неудач связаны с человеческим фактором, а не с технологией.

Gates (контрольные точки) — точки принятия решений на стадиях проекта. Решение: GO (продолжаем), STOP (останавливаем), CAUTION (требуется доработка).

Области применения

Фронт-офис — видимые проекты, взаимодействующие с клиентами: продажи, маркетинг, клиентский сервис. Характеристики: высокая видимость, ROI 2–3x, быстрая окупаемость, но сложность в масштабировании.

Бэк-офис — внутренние операции: финансы, логистика, HR, ИТ. Характеристики: низкая видимость, ROI 8–20x, медленная окупаемость, но простота масштабирования. Лидеры начинают с бэк-офис.

Инструменты и платформы

Генеративные ИИ:

— ChatGPT (OpenAI) — самый популярный генеративный ИИ для текстов. Используется в Shadow AI Economy сотрудниками для составления документов, анализа данных, генерации идей.

— Claude (Anthropic) — генеративный ИИ, специализирующийся на длинных контекстах и аналитической работе. Популярен среди аналитиков и консультантов.

— Gemini (Google) — генеративный ИИ от Google, интегрированный с поиском. Используется для исследований и аналитики.

— Copilot (Microsoft/GitHub) — ИИ-ассистент для программирования. Генерирует код, помогает разработчикам. Часть теневой экономики ИИ.

— Perplexity — ИИ-поисковик, сочетающий генеративный ИИ с поиском в реальном времени. Используется для быстрого поиска информации с пояснениями.

Облачные сервисы для бизнеса:

— AWS Fraud Detection (Amazon) — готовое решение для выявления мошенничества. Пример стратегии Buy.

— Azure Cognitive Services (Microsoft) — набор готовых ИИ-сервисов: распознавание речи, перевод, анализ текста. Популярен в корпоративном секторе.

— Google Vision (Google) — сервис для распознавания изображений. Используется в розничной торговле, производстве, безопасности.

Источники данных

MIT NANDA — исследовательский центр MIT (Massachusetts Institute of Technology), анализирующий более 1000 ИИ-проектов в 2021–2025 годах. Ключевой источник данных для этой книги. Выявил GenAI Divide и шесть ловушек.

McKinsey — глобальная консалтинговая компания, ежегодно публикующая отчёт «The State of AI». Опрашивает 1500+ руководителей по всему миру. Предоставляет данные о распределении инвестиций, ROI, успешных стратегиях.

Лаборатория Сколково — российский исследовательский центр, анализирующий внедрение ИИ в российских компаниях. Источник данных о специфике российского рынка и адаптации глобальных практик.

Google AI Research — исследовательское подразделение Google, публикующее научные работы по ИИ. Источник данных о технических трендах и возможностях новых технологий.

Microsoft AI Research — исследовательское подразделение Microsoft. Публикует исследования о применении ИИ в корпоративном секторе и влиянии на производительность.

Что дальше?

Теперь, когда вы понимаете структуру книги и как её использовать, мы готовы перейти к главному. В следующей главе мы разберём парадокс ИИ: почему 95% компаний падают в разрыв между пилотом и промышленной эксплуатацией. И как этого избежать.

Добро пожаловать в путешествие от хаоса к системе.

Часть 1. Проблема и её понимание

В этой части мы разберёмся с главным парадоксом: почему 95% компаний, вкладывающих деньги в ИИ, не получают обещанные результаты? Ответ не в технологии. Ответ в системе управления.

Вы изучите три вещи:

— Что говорят исследования McKinsey и MIT NANDA о состоянии ИИ-проектов.

— Разрыв между пилотом и промышленной эксплуатацией — где именно теряются проекты и почему это происходит.

— Шесть ловушек, в которые попадает 95% компаний, и как их избежать.

— Восемь закономерностей, которые необходимы для успеха.

После этой части вы поймёте не только проблему, но и начнёте видеть пути её решения.

Глава 1. Парадокс ИИ и GenAI Divide

95% всех инвестиций в ИИ не дают результата. Это не маркетинговая метафор и не преувеличение. Это вывод исследований McKinsey, MIT NANDA и других авторитетных источников.

Из каждых 20 ИИ-проектов успешен только один. Остальные 19 проваливаются, то есть дают результаты ниже ожиданий или застревают в пилотной стадии, или никогда не переходят в промышленную эксплуатацию (production).

В этой главе мы разберёмся, почему это происходит, как это выглядит на практике и как этого избежать.

Почему 95% инвестиций в ИИ не дают результата

Статистика и исследования

Позвольте привести цифры из авторитетных независимых источников. В 2024–2025 годах три крупных исследования пришли к одинаковым выводам.

MIT NANDA Research проанализировал более 1000 ИИ-проектов в компаниях разного размера с 2021 по 2024 годы. Результат:

— Только 5% проектов достигли запланированного ROI за 18 месяцев.

— 75% проектов остались пилотами, не перейдя в промышленную эксплуатацию.

— 20% проектов были свёрнуты или переделаны после первого года.

McKinsey опросил 1500+ руководителей и IT-директоров в США и Европе. Вопрос был прямой: «Создал ли ваш ИИ-проект стоимость, которая оправдала инвестиции?»

— Утвердительно ответили только 35% компаний.

— 30% компаний признали полный провал проекта.

MIT NANDA Corporate Tracking — база данных по внедрению ИИ в крупные компании. Отслеживали 350+ проектов трансформации в компаниях с выручкой более $1 млрд. Выводы ясны:

— Компании без системного подхода получили в среднем -2% EBIT (потеряли деньги).

— Компании с системным подходом получили +5% EBIT.

Где кроется проблема

Проблема точно не в технологиях, ведь к 2025 году они уже зрелые и применимы:

— Генеративные GPT-модели работают хорошо

— Классические ML-фреймворки стабильны

— Облачная инфраструктура масштабируется легко

Проблема также не в квалификации специалистов, так как на рынке достаточно хороших Data Scientist и инженеров.

Проблема в системе управления.

Компании думают: купи лучшую технологию, найми лучших людей — система заработает. Но это не так. ИИ отличается от традиционных ИТ-систем.

ИИ требует управления тремя столпами одновременно:

— Управление (стратегия, роли, бюджет, организация)

— Технология (архитектура, данные, интеграция, инфраструктура)

— Люди (компетенции, культура изменений, мотивация)

Большинство компаний успешны в одном столпе — обычно в технологии. Но не во всех трёх. Результат: система рушится.

GenAI Divide — разрыв между лидерами и отстающими

Все компании, которые внедряют ИИ, естественным образом делятся на три категории в зависимости от подхода к трансформации и от достигнутых результатов.

ЛИДЕРЫ (5% компаний) — 75% успеха

Статус: Трансформация работает. ИИ встроен в бизнес. Результаты видны.

Что делают лидеры:

— Начинают с системы управления (не с выбора модели)

— Создают ясные роли: Chief AI Officer, управляющий комитет, лидеры в отделах

— Выстраивают три столпа одновременно: управление, технология, люди

— Запускают системное внедрение: дорожная карта, волны внедрения, этапы с контрольными точками (Gates)

— Инвестируют в людей и культуру наравне с технологией

— Регулярно оценивают результаты по объективным KPI

Что получают лидеры:

— +5 EBIT-пунктов за 18 месяцев (реальный результат)

— ROI +200% и выше

— Масштабирование: 2–3 успешных проекта переходят из пилота в промышленную эксплуатацию

— Конкурентное преимущество: 3.6x над отстающими

— Культура изменений: люди готовы к новому и видят ценность

Примеры результатов лидеров:

— Финансовая компания: верификация платежей — снижение ошибок на 60%, экономия $2 млн/год

— Производство: предиктивное обслуживание — сокращение простоев на 40%, +3% EBIT

— Ретейл: прогнозирование спроса — сокращение затоваривания на 50%, +$5 млн/год прибыли

Как узнать лидера:

— Есть явный руководитель по ИИ (Chief AI Officer или эквивалент)

— ИИ в стратегии компании (письменно, обсуждается на совещаниях)

— В каждом отделе есть лидер, ведущий изменения

— Бюджет под ИИ выделяется регулярно и предсказуемо

— Люди переподготовлены и мотивированы

— Результаты оценивают по KPI (по конкретным цифрам)

Главное отличие лидеров: они понимают, что ИИ-проект — это проект управления, а не ИТ. Это не означает, что лидеры богаче или технологичнее. Многие лидеры — компании с бюджетом ниже среднего. Но они начали правильно.

СЕРЕДНЯКИ (30% компаний) — 30% успеха

Статус: Есть успешные пилоты, но масштабирование застревает.

Что делают середняки:

— Запускают ИИ-проекты, часть из них работает

— Получают видимые результаты на одном пилоте (модель работает, люди видят результат)

— Дальнейшее масштабирование тормозится

— Результаты держатся на отдельных звёздных командах или людях

— Если уходит ключевой специалист, проект сразу теряет инерцию

— Нет системы, которая бы повторила успех в другом месте

Что получают середняки:

— +0.5% EBIT (вместо +5%)

— ROI 30–50% (что-то вернули, но мало)

— Один успешный результат в одном отделе/проекте

— Остальное: пилоты, тесты, обещания развития (чего не происходит)

Примеры середняков:

— Компания запустила чат-бот для клиентов. Чат-бот работает на 70%. Интеграция неполная. Никто не знает KPI. Масштабирование на другие регионы не планировалось.

— Компания внедрила ИИ для анализа текста в одном подразделении, получилось хорошо. Однако другие подразделения не следуют примеру. Года два говорят «может, внедрим», но не внедряют.

— Инвестировали $2 млн в ИИ-проект. После года вернули $500 тыс. ROI есть, но он далеко не 200%.

Как узнать середняка:

— ИИ-проекты есть, но нет явной стратегии (или стратегия расплывчатая)

— Результаты зависят от личности (ушел руководитель проекта — проект упал)

— Разрозненные попытки в разных подразделениях, но нет единого подхода

— Люди немного обучены, но не мотивированы

— Бюджет расходуется, но ROI непонятен и низок

— Руководство «поддерживает» на словах, но не ведёт личной инициативой.

Главная проблема середняков: они запустили ИИ, но не построили систему. Без системы один успешный пилот не превращается в два, а два не превращаются в пять. Каждый новый проект начинается с нуля, каждая ошибка повторяется снова.

ОТСТАЮЩИЕ (65% компаний) — 5% успеха или уход в минус

Статус: Пилоты не успешны, ИИ не приносит результата. Инвестиции теряются.

Что делают отстающие:

— Запускают пилоты «для галочки» — потому что «модно», потому что «конкуренты делают», потому что на совещании босса спросили «а что вы делаете с ИИ?»

— Нет реальной стратегии (или стратегия настолько размыта, что её не видно)

— Нет долгосрочных ролей — может быть какой-то внешний подрядчик или один программист в ИТ-службе, но это не человек, который отвечает за результат

— Нет KPI и оценки результата или KPI формальны («запустили», «было 5 проектов»)

— Люди сопротивляются и саботируют процесс внедрения, поскольку боятся потерять работу, не верят в ИИ.

Что получают отстающие:

— ROI отрицательный или близкий к нулю (-50% до +10%)

— Эффекта нет — система может работать на 30% точности, но в промышленную эксплуатацию не идёт

— Деньги потрачены впустую — инвестиция не окупилась

— Разочарование с пресловутым оправданием «пробовали, не работает»

— Слухи в компании о том, что ИИ — это пустая трата денег.

Примеры отстающих:

— Компания потратила $2 млн на ИИ-проект прогнозирования спроса. Модель работает на 60% точности, что меньше, чем давал старый метод (70%). Проект закрыт. Деньги потеряны.

— Компания купила дорогую ML-платформу, но нет команды для работы с ней, как и ясной стратегии что делать. Платформа лежит и «ржавеет».

— Компания запустила пилот автоматизации обработки документов, и он показал 80% точности. Потом попробовали масштабировать, но на других объектах точность упала до 50%. Система не работает, проект закрыт.

— Компания вложилась в ИИ для HR (поиск кандидатов). Результат: система выбирает только людей из определённых регионов (в данных была скрытая предвзятость), как следствие скандал и закрытие проекта.

Как узнать отстающего:

— Нет явной ИИ-стратегии (если есть, то её никто не помнит и не понимает)

— Первый проект проваливается, второй не планируется

— Люди боятся ИИ и открыто или скрыто сопротивляются

— Инвестиции теряются в процессе

— Руководство разочаровано делает вывод в стиле «ИИ — это не для нас»

— ИИ кажется экзотикой, мол, да, это модно, возможно, у кого-то другого он и работает.

Главная проблема отстающих: они запустили ИИ как чисто технологический, а не управленческий проект с ожиданием, что ИТ сделает всю работу за них. Но ИИ так не работает.

От пилота к эксплуатации: где теряются проекты

Парадокс пилота

Вот типичная история ИИ-проекта, который застревает в разрыве:

Месяцы 1–3: Пилот. Эйфория

Команда запускает пилотный проект для узкой задачи (например, автоматизация обработки документов в бухгалтерии). Собирает 10 000 примеров документов, на которых тренирует модель, достигая точности 92%. Демонстрирует руководству — все довольны. Принимается решение масштабировать.

Месяцы 4–6: Первая попытка масштабирования. Проблемы

Внезапно выяснилось, что:

— Данные на других объектах «грязнее», а формы документов отличаются. Из-за этого точность падает до 75%.

— Люди не хотят использовать систему. Бухгалтеры боятся потерять работу.

— Интеграция с SAP сложнее, чем ожидалось. Требуется переделать конфигурацию. Это занимает 3 месяца.

— Система требует постоянного обслуживания. Нужно выделить специалиста, чего бюджет точно не может позволить.

Месяцы 7–12: Разочарование

Проект застревает на одном месте, новых результатов нет. Потеря денег, мотивации и терпения руководства.

Месяцы 13–18: Конец

Проект либо сворачивается, либо продолжается как «вечный пилот» с минимальными результатами. Инвестиции потрачены, люди разочарованы. ИИ становится «чёрным ящиком, который ничего не даёт».

Это случилось с 75% всех ИИ-проектов.

Пять разрывов, где теряются проекты

Разрыв 1. Данные

На пилоте данные чистые потому, что специально отобраны. При переходе в промышленную эксплуатацию данные становятся грязными: формы варьируются, поля пропущены. Все это заметно сказывается на точности.

Разрыв 2. Люди

На пилоте люди мотивированы, потому что делают что-то новое, интересное и модное. При переходе в эксплуатацию это становится их основной рутиной, приходится работать по-новому, а менять привычные и отлаженные процессы (даже если объективно это чистых хаос) довольно тяжело.

Разрыв 3. Интеграция

На пилоте система работает отдельно. При переходе в промышленную эксплуатацию нужно интегрировать её с ERP, CRM и другими ИТ-системами. Это требует переделки конфигурации, кастомизации, тестирования.

Разрыв 4. Управление

На пилоте ответственность ясна: есть команда проекта, есть спонсор. При переходе в промышленную эксплуатацию нужно встроить это в ежедневную работу большого количества людей. Кто отвечает за результат? Кто поддерживает систему? Кто принимает решения?

Разрыв 5. Экономика

На пилоте бюджет большой. $200 тыс. на проект из $100 млн выручки — это смешные деньги. Но при масштабировании начинаются серьезные и критические подсчеты. ROI от половинчатой системы, которая работает на 70%, может быть нулевым или отрицательным.

Большинство компаний падают в один из этих разрывов. Умные компании избегают их.

Shadow AI Economy — невидимая жизнь ИИ в компаниях

Есть один феномен, который мало кто замечает. Он называется Shadow AI — невидимая экономика ИИ в компаниях.

Вот что происходит: люди без официального разрешения и какого-то специального бюджета на внедрение сами начинают использовать ИИ для своей работы. Просто потому, что это удобно.

Сотрудник заходит в ChatGPT, дает ему задачу, получает результат. Или использует Claude для анализа данных, или Copilot для написания кода, или Perplexity для исследований.

Никто об этом не знает, никто не отслеживает. Но это происходит везде.

Почему это важно? Потому, что люди уже готовы к ИИ: они видят в нем ценность и хотят использовать, но компания не дает им подобные инструменты. Другими словами, люди готовы к внедрению ИИ, а компания нет. Это приводит к тому, что компания теряет контроль, а без него ИИ может стать ненадёжным источником информации, ведь никто не отменял так называемые «галлюцинации» ИИ. В то же время, происходит слив в ИИ конфиденциальных данных, что ставит безопасность компании под вопрос. Качество результатов непредсказуемо.

Shadow AI показывает, что спрос на ИИ в компаниях огромный. Но предложение — плохое. И пока компания не организует это правильно, люди будут использовать внешние сервисы. Это и хорошо, и плохо, но главное — это неизбежно. Если работник увидел ценность в ИИ, его уже не остановить административным ресурсом.

Резюме главы

Главный вывод

Разрыв между пилотом и промышленной эксплуатацией — это не случайность и не техническая проблема. Это систематическая проблема управления, которая затрагивает 95% ИИ-проектов.

На пилоте условия идеальны. На промышленной эксплуатации условия сложные.

Те компании, которые добились успеха (5% лидеров) начали не с технологии, а с системы управления. Они выстроили три столпа одновременно, применив системный подход. Результат: +5 EBIT-пунктов вместо 0%.

Три основных тезиса

1. ИИ — это не технологический проект, это проект управления

95% компаний начинают с вопроса «Какую модель выбрать?» Правильный вопрос: «Как организовать трансформацию?» Различие кажется малым, но результаты отличаются в 3.6 раза.

Следствие: если в вашей компании за ИИ отвечает ИТ-отдел или один программист, то вы в группе риска (отстающие). Если за ИИ отвечает менеджмент (руководитель, подразделение, комитет) — у вас больше шансов на успех.

2. Три столпа должны быть в равновесии

Одного крепкого столпа недостаточно. Нужны все три. Лидеры инвестируют равномерно в управление и организацию (роли, процессы, стратегия), в технологию (инфраструктура, модели, данные) и в культуру персонала (обучение, мотивация, коммуникация).

Распределение может варьироваться по компаниям, но принцип един: все три столпа должны быть крепкими.

Следствие: если вы инвестируете 80% в технологию (лучшая модель, лучший инженер) и только 10% в людей — вы упадёте в разрыв. Люди не примут изменения, а система будет стоять на одной ноге.

3. Дорога от пилота к промышленной эксплуатации требует системного подхода

Масштабирование пилота — взять то же самое и сделать больше.

Системный подход — проанализировать, что сработало, переделать архитектуру, переподготовить людей, переорганизовать процессы, потом масштабировать.

Простой пример:

Неправильно:

Пилот работает на 80% — масштабируем точно так же — точность падает до 50% — система не работает.

Правильно:

Пилот работает на 80% — анализируем, что сработало — переделываем архитектуру — переподготавливаем людей — масштабируем — получаем результат на 75%.

Ключевые цифры для запоминания

— 95% ИИ-проектов не дают ожидаемого результата

— 75% ИИ-проектов остаются пилотами. Не переходят в промышленную эксплуатацию

— 3.6x — разрыв в результатах между лидерами и отстающими компаниями

— 5% компаний получают реальные результаты (+5 EBIT-пунктов)

— 30% компаний — середняки (результаты есть, но ниже ожиданий)

— 65% компаний — отстающие (результаты близки к нулю или отрицательны).

ГЛАВА 2. ШЕСТЬ ЛОВУШЕК: ПРОБЛЕМА И ПОНИМАНИЕ КОРНЕЙ

В предыдущей главе мы выяснили, что подавляющее большинство компаний не преодолевают разрыв между пилотом и промышленной эксплуатацией. Почему так происходит? Потому, что они попадают в ловушки.

Важное уточнение: ловушка ≠ ошибка.

— Ошибка — вы сделали что-то неправильно.

— Ловушка — вы сделали всё правильно, но для неправильной задачи.

Почему именно шесть ловушек?

Три ловушки сформулированы исследователями, три — на основе консалтингового опыта. Зная эти ловушки, вы избежите большинства проблем. Чуть ниже я дам подробное описание каждой из них, а пока покажу парочку матриц:

Эта карта поможет вам понять, на каком этапе какие ловушки наиболее опасны.

Ловушка 1. Пробел в обучении: системы без памяти и способности улучшаться

ИИ-система работает хорошо на пилоте, но со временем точность падает, и система начинает ошибаться. Причина этого кроется в том, что ИИ-модели требуют постоянного поддержания: они деградируют и нуждаются в дообучении на накопленных данных.

Аналогия: врач учился 10 лет назад и с тех пор ничему не научился. Он не знает про новые болезни и новые методы. Его рекомендации устаревают ежедневно. Именно это происходит с ИИ-системами в большинстве компаний.

Пример 1. Банк запустил ИИ для обнаружения мошенничества. На пилоте точность 95%, а через 6 месяцев мошенники адаптировались и изменили тактику. Теперь система обнаруживает только 60% мошенничества.

Пример 2. Ретейл внедрил ИИ для прогнозирования спроса. После запуска компания изменила ассортимент, но систему не переделали, и она продолжает прогнозировать спрос на старый ассортимент. Результат: неправильные запасы, потери, недостача товара.

Почему это происходит

Техническая причина

Большинство ИИ-систем — статичные модели. Вы обучаете модель один раз, потом она просто применяется. Нет механизма, который бы переучил систему на новых данных.

Организационная причина

Никто не отвечает за улучшение системы после запуска. На пилоте ясно, что всю ответственность несет команда проекта, но при промышленной эксплуатации кто отвечает? Все = никто!

Экономическая причина

Переобучение требует денег. Бюджет проекта закончился, и на постоянное улучшение не предусмотрен.

Решение: механизм постоянного обучения

Шаг 1: Встроить механизм.

Определите частоту переобучения. Это зависит от скорости изменения данных. Например, для прогнозирования спроса в магазине переобучать требуется каждую неделю, поскольку спрос меняется быстро, а для задач по классификации документов — раз в месяц, так как сами виды документов довольно типовые.

Шаг 2: Выделить роль, отвечающую за обновление

Конкретная роль — владелец модели или куратор ИИ-системы, который (один или со своей командой) следит, работает ли система, не упала ли точность, пора ли переучивать.

Шаг 3: Отслеживать качество постоянно

Делать это нужно еженедельно или ежемесячно. Если точность упала, то это явный сигнал для переобучения. Для удобства создайте дашборд с ключевыми метриками: точность модели, время ответа, объём обработанных данных, количество ошибок. Пользуйтесь им регулярно.

Как не попасть в эту ловушку

— Уже во время пилота планируйте, как в дальнейшем переучивать систему

— Выделите роль, отвечающую за обновления

— Включите в бюджет постоянное обновление бизнес-кейсов

— Отслеживайте качество через дашборд еженедельно

Ловушка 2. Неправильное распределение инвестиций (Investment Bias) — деньги идут не туда

Компания выделяет бюджет на ИИ, но деньги распределяются неправильно.

Двойной перекос:

— По направлениям — видимые проекты / внутренние операции

— По статьям расходов — технология / управление и люди

Результат: система может быть отличной технически, но компания не получает результата. Люди не используют систему, а процессы не переделаны.

Перекос 1. По направлениям (фронт-офис vs бэк-офис)

Компания выделяет большой бюджет на видимые проекты (продажи, маркетинг, клиентский сервис), чтобы показать результаты акционерам. Невидимые проекты (финансы, логистика, операции) получают меньше денег, поскольку не заметны для внешнего клиента. При этом их ROI в 4—15 раз выше.

Половина бюджета идёт на проекты всего лишь с ROI 2—3x. Но почему так происходит?

— Видимость как подтверждение успеха

Финансовое руководство видит демонстрируемые результаты: «Вот чат-бот. Клиенты его используют. Красиво.»

— Система поощрений

Руководитель видимого проекта получает признание, а руководитель бэк-офиса, сэкономивший 5 млн, получает меньший бонус

— Политика внутри организации

Отдел продаж — самый влиятельный, между тем бэк-офис борется за каждый руб. ль

— Фокус на стратегии роста

Большинство компаний думают о постоянном росте и продажах. При этом они забывают, что продажи формируются из качества сервиса и продукции, а для этого нужны процессы, мотивированная и компетентная команда (которую вы не сформируете на рутинных и ручных задачах), необходимая инфраструктура.

Пример неудачного вложения.

Логистическая компания, бюджет $100 млн:

— $70 млн на видимый проект (приложение для водителей) с ROI 1.5x

— $30 млн на бэк-офис (оптимизация маршрутов, складов) с ROI 3.5x

Бэк-офис дал в 2.3 раза больший результат на треть бюджета.

Вывод.

Инвестируйте 30% в видимые проекты (для PR) и 70% в проекты бэк-офиса (для реального ROI 4—15x). Анализируйте потенциальный ROI, а не видимость. Рассказывайте о результатах бэк-офиса внутри компании.

Помните: Видимость ≠ результат.

Фронт-офис хорош для пилотных проектов (PR внутри компании, инвесторам, внешнему миру). Бэк-офис создаёт реальную стоимость (EBIT) на масштабе.

Перекос 2. По статьям расходов

Почему возникает перекос:

— Технология кажется «материальной»

ИТ-директор думает, что раз ИИ — это технология, то нужна мощная инфраструктура. Следовательно, нужно потратить кучу денег на новый сервер.

— Управление и люди неосязаемы.

Сложно измерить, сколько нужно затратить на коммуникацию и мотивацию, и какой результат это принесет. Следовательно, это трудно обосновать в бюджете

— Никто не отвечает за управление

Есть технический лидер, но кто отвечает за то, чтобы люди приняли систему?

Пример неудачного вложения.

Финансовая компания, бюджет $2 млн:

— $1.4 млн на ML-платформу и специалистов

— $300 тыс. на обучение людей (один семинар)

— $300 тыс. на процессы и роли (минимум)

В результате система работает на 95% технически, но люди не знают, как её использовать. Процессы не переделаны, в системе нет жизни.

Вывод

Бюджет распределяйте так, чтобы 30—50% шло на технологию, 20—40% на управление, 20—50% на людей. Выделите деньги на консультантов по процессам и не скупитесь на обучение и коммуникацию. Помните: технология без управления — это пустая трата денег

Ловушка 3. Расчёт на чудо там, где нужны изменения — ИИ как пластырь на проблему

Компания думает, что очередной чат-бот повысит качество обслуживания. Однако оно зависит от процессов, людей и их компетенций. Чат-бот может помочь, но он не решит проблему, если корневая причина в неправильных процессах или некомпетентных людях, если нет базы знаний.

Другими словами, компания пытается решить организационную проблему технологическим решением.

Пример 1. Обслуживание клиентов

Проблема: клиенты долго ждут, получают неправильный ответ. Вместо того, чтобы устанавливать новый чат-бот, нужно сначала разобраться, почему ответы неправильные (люди не компетентны, процессы не описаны, система поиска неудобна?), а уже потом внедрить чат-бот как дополнение.

Пример 2. Производственный брак

Проблема: много брака, качество снижается. Опять же, сначала надо разобраться, почему брак происходит (люди не обучены, оборудование сломано, процесс не документирован?), и только после этого внедрить ИИ для контроля

Пример 3. Неправильные прогнозы спроса

Проблема: неправильные прогнозы приводят к затовариванию или дефициту. Думаю, вы уже понимаете, что прежде чем устанавливать специальную ML-модель, нужно провести анализ, почему текущие прогнозы неправильные (нет исторических данных, процесс не описан?).

Почему это происходит

ИИ выглядит как волшебная таблетка, но на самом деле в его основе лежит качественный анализ, помогающий видеть проблемы лучше. И уж точно он не решает проблемы вне его компетенции.

Компании видят ИИ как способ уйти от решения сложных человеческих проблем. Это неправильно.

Решение здесь одно — проводить диагностику автоматизируемых процессов до внедрения ИИ.

Шаг 1. Понять корневую причину

Спросите: «Что является корневой причиной этой проблемы?»

Методы диагностики:

— Интервью с людьми, работающими с проблемой

— Анализ данных (история проблемы)

— Карта процесса (как сейчас работает)

Шаг 2. Разделить на две части

Часть 1 — что можно решить при помощи ИИ?

— Автоматизировать рутину

— Улучшить анализ

— Помочь в классификации

Часть 2 — что нужно решить управлением?

— Переделать процесс

— Обучить людей

— Изменить структуру

Шаг 3: Внедрять ИИ после решения организационных проблем

Повторюсь, сначала организация (процессы, люди, компетенции), а затем ИИ как дополнение

Еще раз: первым делом проведите анализ корневых причин, разделите проблему на организационную и технологическую части. Сначала решите организационную часть, а затем внедрите ИИ (как дополнение, а не как основное решение). Помните: ИИ не может заменить правильно организованный процесс

Ловушка 4. Люди против машины — сопротивление и саботаж

Вы внедрили ИИ-систему, которая автоматизирует работу людей. Люди боятся потерять работу, отчего саботируют систему. В итоге результат от внедрения нулевой. Это самая популярная ловушка.

Чем лучше ваша ИИ-система, тем больше людей она может заменить. Поэтому у людей есть стимул сделать так, чтобы она не работала.

Пример 1. Автоматизация контакт-центра

Вы внедрили ИИ-чат-бот. Он должен обрабатывать 40% простых звонков. Это означает, что 40% операторов могут потерять работу. Операторы начинают саботировать внедрение, распространяя информацию, что система работает неправильно, а клиенты жалуются, поэтому лучше оставить все по-старому. На самом деле система работает на 85%, но операторы просто не хотят её использовать.

Пример 2. Автоматизация бухгалтерии

Вы внедрили ИИ для обработки документов. Бухгалтеры должны проверять результаты. Вместо этого бухгалтеры проверяют каждый результат вручную (как раньше), не доверяя рутину системе.

Пример 3: ML-модель для принятия решений

Компания внедрила ML-модель для оценки кредитного риска. Менеджеры должны использовать рекомендации модели, но вместо этого игнорируют рекомендации, аргументируя это своим опытом.

Причины здесь вполне понятные.

Во-первых, это страх потерять работу. Люди видят ИИ как угрозу: «Если система будет работать хорошо, меня уволят.»

Во-вторых, это потеря контроля. Люди привыкли контролировать свою работу, а ИИ отнимает этот контроль. Никто не любит, когда какая-то машина сама что-то там решает.

В-третьих, это недоверие к технологии. Люди не понимают, как работает «черный ящик» ИИ, а то, что не объяснимо, автоматически вызывает сомнение.

В связи с этим большую роль играет честная коммуникация и переподготовка персонала.

Шаг 1: Честная коммуникация с первого дня

Не скрывайте, что ИИ автоматизирует часть работы. Объясните, как система будет обрабатывать рутинные задачи, и что люди займутся более сложными и интересными делами. Скажите, что увольнений не будет, но роли изменятся.

Пример коммуникации: «ИИ-чат-бот будет обрабатывать простые вопросы (проверка баланса, статус заказа), а вы будете работать со сложными случаями, требующими эмпатии и решения проблем.»

Шаг 2: Переподготовка

Обучите людей новым навыкам. Покажите, как работать вместе с ИИ: контролировать и совершенствовать ее, исправляя ошибки.

Шаг 3: Показать результаты

Покажите людям, что система делает работу проще. Например, «За первый месяц система обработала 10 000 простых запросов. Это освободило вас на 40% времени для сложных случаев».

Шаг 4: Вовлекайте людей в улучшение системы

Просите обратную связь: «Где система ошибается? Как её улучшить?»

Когда люди видят, что их мнение важно, они перестают сопротивляться.

Повторюсь, как не попасть в эту ловушку:

— Честная коммуникация (нет увольнений, роли изменятся)

— Переподготовка и обучение новым навыкам

— Показывайте результаты (как система делает работу проще)

— Вовлекайте людей в улучшение системы

— Поощряйте использование системы (бонусы за качество)

— Объясняйте просто, как работает ИИ

Ловушка 5. Качество данных игнорируется: грязные данные = плохие результаты

Во время пилотного проекта используются чистые, специально отобранные данные, но при промышленной эксплуатации всё не так: формы варьируются, поля пропущены, форматы смешаны. Как следствие, точность падает до 60%. Система не работает.

Грязные данные — это данные, в которых есть ошибки, опечатки, дубликаты, пропущены важные значения, используются разные форматы (классический случай: «25.03.2026» в одной строке данных и «25 марта 2026 года», «март, 25, 2026» в следующих), присутствуют логические противоречия и так называемый «мусор» (нерелевантные, случайные значения).

Реальный пример

Компания внедрила ИИ для классификации товаров. Во время пилотного проекта имелось 1000 карточек товаров с полным описанием и разнесением по категориям.

Точность такой системы составляла 95%, поэтому её запустили в промышленную эксплуатацию, при которой вместо тысячи товаров появилось 100 тысяч. Разумеется, о полном заполнении карточек уже не шло и речи: 30% описаний были пропущены, категории перепутаны.

Точность такой системы упала до 65%, а такой результат никому не нужен.

Это не уникальная ситуация. При пилотировании проекта команда внедрения всегда вручную отбирает лучшие данные. Таких идеальных данных в реальной операционной деятельности не существует.

Еще одна причина заключается в отсутствии процесса управления качеством. Никто не следит, чтобы данные были чистыми. Не только люди, но и каждая электронная система вносит данные по-своему.

В реальной жизни источников данных может быть много, в то время, как при пилотном проекте он всего один.

Чтобы избежать всего этого, нужно организовать управление качеством данных.

Шаг 1. Создать стандарт качества

Определите, какие данные считаются чистыми:

— Все обязательные поля заполнены

— Форматы единообразны

— Нет дубликатов

— Значения логически корректны

Шаг 2. Встроить проверку качества

Система должна автоматически проверять данные:

— Отклонять записи с критическими ошибками

— Предупреждать о некритических проблемах

— Заполнять пропущенные значения (если безопасно)

Шаг 3. Мониторить качество постоянно

Еженедельно смотрите отчет на предмет того, сколько записей отклонено, какие проблемы самые частые, какие источники самые грязные.

Шаг 4. Оптимизировать источники данных

Если источник постоянно даёт грязные данные, свяжитесь с владельцем и выясните, что происходит.

Шаг 5. Назначить ответственного за качество данных

Этот человек будет мониторить качество еженедельно, работать с владельцами источников данных, контролировать соблюдение стандартов и улучшать процессы очистки. Без этой роли качество данных никто не будет контролировать.

Чек-лист, как не попасть в эту ловушку

— Во время пилота документируйте, как очищали данные

— Создайте стандарт качества данных

— Встройте проверки качества в систему

— Мониторьте качество через отчёты еженедельно

— Оптимизируйте источники, дающие грязные данные

— Назначьте ответственного за качество данных

Ловушка 6. Отсутствие планирования масштабирования: компания думает о пилоте, а не о будущем

Компания запускает пилот и сосредотачивается на одном — чтобы он заработал. И только по окончании пилотного проекта выясняется, что никто не планировал, как его масштабировать.

Система, которая работает на сто пользователей, падает на десяти тысячах. Система, которая стоила $500 тыс., требует $5 млн. для масштабирования. Это не из-за плохого технического решения, а из-за того, что её никогда по-настоящему (а не в презентациях) не планировали масштабировать.

Состояние менеджмента во время пилотирования можно описать как «блаженное невежество»: данные отобраны, их мало, и они чистые; люди — энтузиасты, готовые к изменениям; масштаб системы маленький (100 пользователей, 1000 документов); архитектура временная («потом переделаем»).

В таком состоянии менеджмент уверен, что когда пилот успешно завершится, проект спокойно масштабируется.

Когда приходит время промышленной эксплуатации, наступает четыре шока.

Шок 1. Объём данных в 100 раз больше

Система, которая обрабатывала 100 документов в час, теперь должна обрабатывать 3000. Архитектура не выдерживает. Сервер падает.

Пример: компания внедрила ИИ для классификации писем. На пилоте было 100 писем в день, а в масштабе — 10 000. В результате система начала падать ежедневно в 11 утра.

Шок 2. Люди в реальности работают не так, как во время пилотного проекта.

На пилоте было 5 энтузиастов, которые проверяли результаты и исправляли ошибки, а в реальности имеем 500 незамотивированных человек, половина из которых впервые слышит про систему. Ошибки копятся, система перестает работать.

Шок 3. Процессы не переделаны

Сложно представить, чтобы внедренная дорогая ИИ-система работала на старых «ручных» процессах. Она требует высокой точности, минимума человеческого фактора, описанных действий и источников данных.

Шок 4: Нет роли поддержки

Во время пилотного проекта команда внедрения сама за всем следит. Но после его успешного завершения команда расходится, за поддержку больше некому отвечать. На первых порах все начинают обращаться за «техподдержкой» всё к тем же людям, которые внедряли проект. Так сказать, «по старой памяти». Но все мы прекрасно понимаем, что мотивация постоянно отвечать на вопросы пользователей у таких знатоков быстро падает. Так система незаметно деградирует.

Всего этого «шока» можно было бы избежать, но, увы, менеджеры ценят быстрые победы, и пилотные проекты полностью отвечают этому. Добавим сюда отсутствие навыков проектировать по-настоящему масштабируемые системы. Специалисты, делающие пилоты, часто не знают, как проектировать системы для 10 000 пользователей.

Решение тут одно — планировать масштабирование еще ДО или во время пилотирования.

Шаг 1. В начале пилота спросите:

— Будет ли масштабирование?

— Какой объём данных в операциях?

— Сколько реальных пользователей?

— Какое разнообразие данных?

Шаг 2. Выберите архитектуру, готовую к масштабированию

Вместо того, чтобы строить временное решение, стройте для масштабирования:

— Облачная инфраструктура (масштабируется автоматически)

— Модульная архитектура (легко добавлять новые компоненты)

— Стандартизированные процессы обработки данных

Шаг 3. Переделайте процесс до масштабирования

Не масштабируйте «как есть». Переделайте процесс так, чтобы он работал на 10 000 пользователей: обучите людей новым ролям, документируйте процесс, встройте проверки качества.

Шаг 4. Переподготовьте людей

Перед масштабированием обучите максимальное количество реальных пользователей новым процессам и системе.

Повторим:

— На пилоте уже планируйте масштабирование

— Выберите архитектуру, готовую к масштабированию

— Переделайте процесс до масштабирования

— Переподготовьте людей перед масштабированием

Помните, что масштабирование — это просто больше данных, а полноценная переделка системы.

Резюме: шесть ловушек и их решения

Три вывода

Вывод 1. Ни одна ловушка не технична. Все ловушки — это ошибки управления. Даже ловушки №1 и 5 (технология и данные) решаются управленческими мерами (роли, процессы, бюджет).

Вывод 2. Ловушки взаимосвязаны. Если вы попали в Ловушку №6 (нет планирования масштабирования), то автоматически рискуете попасть в Ловушку №1 (система деградирует), №5 (грязные данные) и №4 (люди сопротивляются).

Вывод 3. Лидеры (5% успешных компаний) избегают всех шести ловушек одновременно. Для этого они:

— Планируют дообучение на пилоте (Ловушка 1)

— Распределяют инвестиции по ROI (Ловушка 2)

— Решают организационные проблемы перед ИИ (Ловушка 3)

— Честно коммуницируют и переподготавливают людей (Ловушка 4)

— Управляют качеством данных (Ловушка 5)

— Планируют масштабирование на пилоте (Ловушка 6)

Результат: +5 EBIT-пунктов за 18 месяцев вместо нуля или минуса.

Главное, что тут нужно запомнить: все шесть ловушек — это системные проблемы управления, а не технические ошибки. Если вы их знаете и избегаете, у вас есть шанс стать одним из 5% лидеров.

В следующей главе мы разберём, какие именно действия помогают лидерам избежать этих ловушек, и выделим восемь закономерностей успеха.

ГЛАВА 3. ЗАКОНОМЕРНОСТИ УСПЕХА — ЧТО ДЕЛАЮТ 5% ПОБЕДИТЕЛЕЙ

Введение: от парадокса к паттернам успеха

В Главе 1 мы описали разрыв: 5% компаний получают +5 EBIT-пунктов, их ROI достигает 200%, в то время как 95% остальных теряют деньги, получая минимальный результат. В Главе 2 мы разобрали ловушки, которые создают этот разрыв.

В этой главе поговорим о восьми конкретных закономерностях успеха. Это не теория, а паттерны поведения, выявленные на основе анализа более тысячи реальных ИИ-проектов.

Важное наблюдение: все закономерности работают не по отдельности, а вместе. Применяя одну-две, вы получите частичный результат. Применяя все восемь, вы создаёте систему, которая работает стабильно.

Закономерность 1. Стратегия покупки вместо разработки (67% успеха)

Лидеры покупают готовые решения. Отстающие разрабатывают с нуля. Согласно исследованию McKinsey, 67% успешных проектов используют стратегию Buy, и только 8% Build — покупка эффективнее разработки.

Компания выделяет бюджет на ИИ, и у нее есть три пути:

— Buy — покупка готовых API и решений

— Modify — адаптация низкокодовых платформ

— Build — разработка с нуля собственными силами

Пример 1. Финансовая компания (Build — провал)

Компания решила построить ML-модель для детекции мошенничества:

— Наняли команду: 3 Дата-сайентиста, 2 ML-инженера

— Потратили: $1.2 млн

— Время разработки: 12 месяцев

— Результат: точность 70% (ниже ожиданий)

— ROI: отрицательный

Пример 2: Та же компания (Buy — успех)

Компания изменила стратегию. Купила AWS Fraud Detection:

— Команда: 3 специалиста для интеграции

— Потратили: $150 тыс.

— Время внедрения: 4 месяца

— Результат: точность 85%

— ROI: 4x за первый год

Разница: Buy сэкономил $1 млн, дав результат в 3 раза быстрее. ROI оказался в 4 раза выше.

Однако Buy — не всегда правильный выбор. Модель не работает в трёх случаях:

— Когда задача уникальна (готовых решений нет на рынке)

— Когда данные конфиденциальны (их нельзя отправлять во внешние API)

— Когда требуется полный контроль (вендор может изменить условия)

В этих случаях используйте Build. Но таких задач меньше 10%.

Правило принятия решения

— Начните с Buy. Ищите готовые решения. Покрывают ли они 90% задач?

— Если Buy не подходит, попробуйте Modify. Есть ли низкокодовые платформы?

— Выбирайте Build только в крайнем случае. Есть ли абсолютная необходимость?

Команда захочет строить Build, т.к. это интереснее для специалистов. Руководство захочет свою уникальную платформу (основные доводы примерно такие: «мы не как все», «это безопаснее»).

Сопротивляйтесь этому. 67% успеха — у Buy. 8% — у Build. Начинайте с поиска готовых решений. Не с проектирования архитектуры.

Подробнее этот вопрос мы рассмотрим в отдельной главе.

Закономерность 2. Начинаем не с ИИ — сначала процессы, потом технология

Большинство компаний начинают неправильно. Они спрашивают: «Какую модель выбрать?», а надо — «Какой процесс улучшить?». Лидеры оптимизируют процесс до внедрения ИИ, отстающие пытаются наложить ИИ на хаос. Но дело в том, что ИИ усиливает существующий процесс: если он плох, ИИ сделает еще хуже, если же процесс оптимизирован, ИИ даст эффект.

Пример 1. Правильный подход

Производственная компания хотела внедрить ИИ для прогнозирования отказов оборудования.

Шаг 1. Анализ текущего процесса

Картировали процесс и выделили 8 этапов обслуживания. Обнаружили проблемы:

— 30% времени тратятся на поиск инструментов

— Нет единой базы знаний по ремонту

— 5 разных систем учёта запчастей

— Нет стандартных протоколов осмотра

Шаг 2. Оптимизация перед внедрением ИИ

Компания провела ряд изменений:

— Унифицировали базу знаний, создали стандартные инструкции.

— Объединили 5 систем учёта в одну, исключили дублирование.

— Оптимизировали размещение инструментов, сократили время поиска на 60%.

— Разработали чек-листы, стандартизировали процесс осмотра.

Результат без ИИ:

— Время ремонта сократилось на 20%

— Затраты снизились на 15%

— Простои уменьшились на 10%

Шаг 3. Внедрение ИИ после оптимизации

Модель анализирует чистые данные из единой системы, прогнозы интегрированы в стандартные чек-листы. Техники работают по унифицированным инструкциям. Система обучается на структурированных данных.

Результат с ИИ:

— Прогнозирование снижает простои ещё на 40%

— Общий эффект: снижение простоев на 50% (10% +40%)

— ROI: 7.3x за 18 месяцев

— EBIT: +3 пункта

Пример 2. Неправильный подход

Компания-конкурент пропустила этап оптимизации и сразу внедрила ML-модель для прогнозирования отказов. Модель обучали на данных из 5 разрозненных систем, процесс ремонта остался хаотичным, отсутствовали стандартные протоколы.

Результат:

— Модель прогнозирует с точностью 60% (вместо 85%)

— Техники игнорируют прогнозы из-за неточности.

— Время простоя не сократились

— ROI близок к нулю, инвестиции не оправдались.

Разница:

— Компания А: оптимизация перед внедрением ИИ. Как итог, +50% эффекта

— Компания Б: ИИ без оптимизации. Как итог, нулевой эффект.

Правило последовательности

Последовательность работы должна быть следующей:

— Картируйте текущий процесс. Нарисуйте схему «как есть».

— Выявите проблемы. Где тратится время? Где ошибки? Где узкие места?

— Оптимизируйте процесс. Устраните дублирование, хаос, неэффективность.