Image: Epium.com
Компании по всему миру тратят миллиарды на внедрение искусственного интеллекта, но большинство этих проектов либо не достигает заявленных целей, либо тихо сворачивается через год после старта. По данным McKinsey, лишь около 20% компаний, запустивших ИИ-инициативы, отчитываются об ощутимом влиянии на бизнес-результаты. Причины редко технические, а чаще всего проблема в подходе, в том, как компании думают об ИИ еще до того, как начинают его внедрять.
Покажите рынку тех, кто драйвит ваши инновации. Расширенное участие в Super Board— это большая нативная история о взлетах, трансформациях и технологических прорывах компании. Усиливайте персональный бренд руководителей — напишите на advert@d-e.group.
Зміст
Самой распространенной и самой дорогой ошибкой в этом аспекте является запускать ИИ-проект потому, что “все внедряют” или потому, что об этом написали в Forbes. Без четкого ответа на вопрос “какую конкретную бизнес-проблему это решает и как мы измерим результат” проект превращается в дорогой эксперимент с непредсказуемым финалом.
ИИ хорошо решает узкие, хорошо сформулированные задачи. Размытая цель вроде “повысить эффективность” почти гарантирует разочарование. Перед любым внедрением стоит сформулировать гипотезу так же четко, как для A/B-теста: что именно изменится, по каким метрикам и через какое время.
ИИ-модель не является волшебной палочкой, которая компенсирует хаос в данных. Наоборот: она его усиливает и выдает на выходе уверенные, хорошо отформатированные ошибки. Компании годами откладывали наведение порядка в базах данных, считая это скучной инфраструктурной работой, и сталкиваются с этим именно тогда, когда пытаются обучить модель на собственных данных или подключить ИИ к внутренним процессам. Перед стартом любого серьезного ИИ-проекта нужен честный аудит: есть ли данные вообще, структурированы ли они, достаточно ли их для обучения, нет ли в них системных предубеждений.
Технология может быть идеальной и все равно провалиться, если команда не понимает, зачем она, и боится, что ИИ заменит их рабочие места. Сопротивление внедрению со стороны сотрудников – один из самых частых скрытых факторов неудачи, о котором редко пишут в постмортемах.
Параллельно возникает противоположная проблема: чрезмерное доверие к ИИ со стороны тех, кто начинает воспринимать его ответы как истину без верификации. Обе крайности разрушительны. Внедрение ИИ – это всегда одновременно и изменение процессов, и изменение культуры, и обучение людей. Компании, которые думают только об инструменте и не думают о людях вокруг него, закономерно получают саботаж или некритическое использование.
Амбициозные планы вроде “построить собственную LLM на корпоративных данных” или “автоматизировать весь клиентский сервис за квартал” выглядят привлекательно на слайдах для борда и быстро рушатся о реальность. Первые ИИ-проекты почти всегда стоит делать узкими, быстрыми и максимально близкими к уже имеющимся процессам.
Это дает реальный опыт команды, первые измеряемые результаты и доверие внутри организации, без которого масштабирование невозможно. Сложность можно наращивать постепенно, ведь начинать с нее – типичная ловушка.
ИИ-проект не заканчивается в день запуска, ведь здесь он только начинается. Модели деградируют со временем, если их не переобучать на новых данных. Бизнес-контекст меняется, и то, что хорошо работало год назад, может давать системные ошибки сегодня. Многие компании закладывают бюджет на разработку и внедрение, но не предусматривают ресурсов на поддержку, мониторинг и итерацию. Результатом этого является система, которая медленно деградирует, пока кто-то не заметит и не поднимет тревогу.
Скорость внедрения часто выигрывает у безопасности, особенно в средних компаниях, где нет выделенной команды по AI governance. Корпоративные данные попадают во внешние модели без понимания условий обработки, сотрудники используют бесплатные ИИ-инструменты для работы с конфиденциальными документами, а вопрос о том, кто отвечает за решение, принятое ИИ, так и остается без ответа. С развитием регуляторной базы, в частности EU AI Act, который вступает в силу поэтапно, эти вопросы из категории “разберемся потом” переходят в категорию реальных юридических рисков.
Даже когда ИИ-проект технически успешен, компании нередко фиксируют не те метрики. Количество запросов к чат-боту вместо решенных проблем клиентов. Скорость генерации кода вместо уменьшения количества багов в продакшене. Процент автоматизированных задач вместо реального высвобождения времени команды. Неправильные метрики дают ложное ощущение успеха или неудачи и ведут к ошибочным решениям о масштабировании или закрытии проекта. Метрики успеха нужно определять еще до старта, и они должны быть привязаны к бизнес-результату, а не к активности системы.
Рынок ИИ-инструментов меняется настолько быстро, что стратегия “выбрали одного поставщика и забыли” превращается в риск уже через год-два. Компании, которые глубоко интегрировали единый инструмент в критические процессы, оказываются в заложниках: изменение ценовой политики вендора, прекращение поддержки модели или просто появление значительно лучшего конкурента и переход стоит дороже, чем первоначальное внедрение. Архитектура, которая допускает замену модели или поставщика без переписывания всего пайплайна не является паранойей, ведь это разумная инженерная гигиена.
Эта ошибка немного пересекается с недооценкой качества данных. Но здесь речь идет не о данных, а именно о процессах. ИИ, наложенный на плохо организованный процесс, не исправляет его, а ускоряет и масштабирует все имеющиеся дисфункции.
Если отдел продаж теряет лиды из-за отсутствие четкого процесса квалификации, то ИИ-агент будет терять их быстрее и в больших объемах. Перед автоматизацией любого процесса стоит убедиться, что он вообще работает так, как задумано, и что люди понимают его логику. Автоматизация хаоса дает автоматизированный хаос.
ИИ-проекты нередко запускают как чисто технические инициативы и сразу оказываются без человека, который отвечает за то, чтобы продукт решал реальную проблему реального пользователя. Инженеры строят то, что технически интересно. Бизнес формулирует требования размыто. А между ними нет никого, кто постоянно спрашивает: “Решает ли это конкретную проблему, и действительно ли люди будут этим пользоваться?” Отсутствие сильного продакт-менеджмента в ИИ-проектах — одна из причин, почему внутренние инструменты, в которые вложили месяцы работы, в итоге использует пять человек.
Давление на быструю окупаемость заставляет команды либо выбирать видимые, но малозначимые кейсы, чтобы показать результат борда уже через квартал, либо объявлять проект неудачным раньше, чем он успел набрать данные и стабилизироваться. ИИ-системы, особенно те, которые обучаются на собственных корпоративных данных или интегрированы в сложные процессы, нуждаются во времени на калибровку.
Нереалистичные ожидания по срокам являются производной от нереалистичных обещаний на этапе продажи решения внутри организации. Если проект “продается” с горизонтом в три месяца, он почти всегда проваливается из-за управленческих решений.
Пилот сработал и команда празднует победу, не понимая, что масштабирование пилота на всю организацию может стоить в десятки раз больше и потребовать полного переосмысления архитектуры. То, что хорошо работает для пятидесяти пользователей в контролируемой среде, часто рассыпается при пяти тысячах. Это происходит из-за нагрузки, разнообразия входных данных, интеграционных конфликтов и человеческого фактора в масштабе. Вопрос “как это будет выглядеть при полном развертывании” нужно задавать еще на этапе проектирования пилота, а не после того, как он показал первые положительные результаты.
Большинство этих ошибок не новы, ведь они повторяются от волны к волне технологических внедрений, от ERP-систем девяностых до облачной миграции двухтысячных. ИИ не исключение. Компании, которые сейчас получают реальную отдачу от искусственного интеллекта, как правило, не те, что внедрили самые сложные решения, а те, что начали с четкого вопроса, честного аудита своих данных и небольшого проекта, на котором можно было учиться без катастрофических последствий.
https://itc.ua/articles/top-10-yy-ynstrumentov-kotorye-realno-ekonomyat-vremya-cto-y-cio/
Контент сайту призначений для осіб віком від 21 року. Переглядаючи матеріали, ви підтверджуєте свою відповідність віковим обмеженням.
Cуб'єкт у сфері онлайн-медіа; ідентифікатор медіа - R40-06029.