Руслан Гатиятов, основатель платформы «Глабикс» и эксперт по управлению IT-командами, рассказывает о системном кризисе внедрения искусственного интеллекта в корпоративной среде.
К концу 2025 года прогнозируется закрытие 30% ИИ-проектов. Текущая волна разочарований — не конец эпохи, а необходимая фаза взросления отрасли, через которую проходили все прорывные технологии. Выживут компании, которые сфокусируются на бизнес-метриках вместо технологического совершенства и будут строить систему поэтапного внедрения с прозрачной оценкой результатов.
Текущая картина корпоративных ИИ-пилотов: масштабы провалов и влияние на бизнес
Корпоративный сектор вкладывает гигантские средства в искусственный интеллект — инвестиции в генеративный ИИ уже превысили 30–40 миллиардов долларов, но отдача далеко не всегда оправдывает расходы.
Одной из самых острых проблем отрасли остается массовый провал пилотных проектов. 95% корпоративных ИИ-пилотов не переходят в полноценное производство. Статистика указывает на системный кризис, от которого страдает бизнес в попытках освоить и применить технологию нового поколения.
Для корпораций ИИ-проекты часто переносятся из «инкубатора» в реальный бизнес без должной подготовки, что приводит к провалу. В тепличной среде создаются прототипы, которые не проверяются в рыночных условиях с живыми клиентами и конкуренцией. Часто это автоматизация внутренних процессов без четкой экономической мотивации и внимания к масштабируемости. Как итог, миллиарды инвестиций сгорают из-за отсутствия рыночной ориентации и стандартных бизнес-практик.
Проблему усугубляет «синдром блестящей презентации» — компании вкладываются в визуально эффектные решения и демонстрации, которые впечатляют руководителей, но не дают результата.
Эксперты отмечают, что ключ к успеху — не создание красивых демо, а глубокое понимание процессов, обучение сотрудников и тщательное тестирование, при котором KPI связан с прибылью и сокращением расходов.
Некоторые корпорации воспринимают ИИ как волшебный инструмент, который даст мгновенный результат. Это заблуждение мешает выстроить грамотную стратегию внедрения — пропускается этап адаптации и перестройки бизнес-процессов. Как показывает практика, успешное внедрение возможно лишь через культуру экспериментов и внутреннюю готовность к изменениям.
- Магнитогорский металлургический комбинат внедрил цифрового помощника с применением методов машинного обучения для прогнозирования температуры заказа в электросталеплавильном цехе. Благодаря этому экономический эффект от применения искусственного интеллекта превысил 4,5 млрд рублей, а время адаптации специалистов на новом оборудовании существенно сократилось. К тому же компания создала Центр компетенций ИИ для постоянного развития подобных проектов, что повысило эффективность производства и ускорило процесс внедрения новых технологических решений.
- Barclays Bank модернизировал процесс кредитования с помощью ИИ, запустив серию пилотных проектов. Сотрудники проходили специальные тренинги по работе с новой платформой. Обучение и контроль на каждом этапе снизили ошибочность и ускорили одобрение заявок, а уровень удовлетворенности клиентов вырос с 60% до 90%.
- Deloitte, международная аудиторская и консалтинговая компания, ввела индивидуальные ИИ-решения для обучения сотрудников. После поэтапной адаптации бизнес-процессов обучение стало персонализированным, а время адаптации специалистов сократилось на 35%, что позволило быстрее достигать бизнес-целей компании.
Технический долг ИИ: почему успешные пилоты разваливаются при масштабировании
Технический долг в ИИ-системах — накопление нерешенных проблем, которые незаметны на стадии пилота, но разрушают систему при масштабировании. Компании запускают прототип на ограниченных данных в контролируемой среде, всё работает, метрики показывают успех. Затем наступает фаза внедрения в реальные процессы — и система начинает рассыпаться. Причина не в плохой разработке, а в принципиальной разнице между пилотом и промышленной эксплуатацией.
Качество данных
Пилоты работают на тщательно подготовленных выборках, реальность встречает системы грязными, несогласованными и неполными данными. Например, в одном из крупных российских банков пилотная система скоринга сначала продемонстрировала отличные результаты на ограниченной базе исторических заявок. Но после масштабирования столкнулась с падением точности на 25%: в общей выборке появились пропуски в полях, некорректные значения и устаревшие сведения. Банку пришлось создавать отдельную инфраструктуру для очистки данных и регулярной адаптации модели — расходы выросли в разы, а ожидаемый экономический эффект сместился на более поздний срок.
Деградация моделей
Алгоритм, обученный на исторических данных, перестает работать при изменении рыночной ситуации или поведения пользователей. Один из российских ecom-гигантов внедрял систему персонализированных рекомендаций — пилот показал рост конверсии на 15%. Через полгода конверсия вернулась к исходным значениям: модель не адаптировалась к изменению предпочтений и сезонным колебаниям. Решение потребовало системы автоматического переобучения каждые две недели и мониторинга в реальном времени.
Инфраструктурные ограничения
Решение, работающее на 100 пользователях, ломается при нагрузке в 10 тысяч одновременных запросов. В одной из российских телекоммуникационных компаний тестировали голосового помощника для поддержки клиентов: пилот показал снижение нагрузки на сотрудников на четверть. Но после масштабирования на федеральный уровень время ожидания ответа выросло в двадцать раз, начались сбои в работе системы. Компания была вынуждена полностью пересматривать архитектуру решения и в разы увеличивать мощности серверов, чтобы обеспечить стабильную работу.
Значение управления изменениями и человеческого фактора для успешного внедрения ИИ
Технология никогда не работает изолированно от людей. Основная проблема внедрения ИИ — не алгоритмы и инфраструктура, а сопротивление сотрудников и неготовность организации меняться.
Корпоративная культура играет решающую роль в судьбе ИИ-проектов. Если организация консервативна и привыкла к стабильным процессам, внедрение новых технологий встречает непонимание среди работников. Сотрудники видят угрозу своей позиции, опасаются сокращений или необходимости переучиваться. Неслучайно 33% российских компаний сталкиваются с сопротивлением работников при внедрении технологий искусственного интеллекта
Масштабные инициативы особенно уязвимы перед человеческим фактором. Попытка внедрить ИИ сразу во все отделы требует изменения парадигмы работы тысяч людей одновременно. Это вызывает хаос, недовольство и саботаж.
Лучше использовать Small-scale подход: компании начинают с малых пилотов в одном отделе, обучают команду, собирают обратную связь, корректируют процесс и только потом расширяют внедрение. Такой метод снижает сопротивление и позволяет адаптировать решение под реальные нужды бизнеса.
Так, ВТБ запускал пилотное внедрение ИИ в отделе сбора просроченной задолженности. В первую очередь обучили небольшую команду пользоваться системой для автоматической обработки запросов, собрали отзывы о различных сценариях, а затем усовершенствовали продукт. После успешного тестирования технологию внедрили в другие подразделения. В итоге автоматизация ускорила работу с обращениями, снизила нагрузку на сотрудников и повысила общую результативность отдела.
Управление изменениями требует четкой коммуникации и вовлечения сотрудников на всех этапах. Успешные компании не навязывают технологии, а объясняют сотрудникам пользу ИИ и показывают, как он облегчает их работу. Прозрачность целей, регулярная обратная связь и поддержка на уровне менеджмента создают среду, где люди готовы осваивать новые инструменты.
Финансовая и рыночная динамика: реальность ROI, бюджетный контроль и столкновение с коррекцией на рынке ИИ
Прозрачного отслеживания бюджета ИИ-проектов добиться сложно. B2B-цикл растягивается на месяцы: пилот, пауза, сбор обратной связи, минимальный продукт, снова пауза, несколько новых пилотов. Без четкой разбивки на этапы с контрольными точками деньги сгорают незаметно. Единственный работающий подход — фиксированный бюджет на каждую фазу и жесткое правило: если пилот не показывает прогресс, его закрывают до перехода к следующему этапу.
Из-за долгого цикла классические показатели окупаемости не работают. Нужны альтернативные метрики, привязанные к конкретным бизнес-процессам. Для отделов продаж это конверсия лидов, сокращение времени онбординга клиента, длительность цикла сделки. Для маркетинга — охваты, вовлеченность, снижение стоимости привлечения.
На волатильном рынке ИИ побеждают компании, которые не обещают мгновенную отдачу, а строят прозрачную систему оценки промежуточных результатов. Они адаптируют показатели эффективности под конкретные задачи и стадии проекта. Такой подход снижает риск пустых инвестиций и сохраняет доверие бизнеса даже в периоды турбулентности.
Вперед выходят команды, которые быстро учатся на ошибках и гибко перераспределяют ресурсы при изменении внешних условий. Они не гонятся за хайпом, а выстраивают устойчивые партнерства, собирают регулярную обратную связь и развивают внутреннюю экспертизу. Это создает фундамент для долгосрочного роста и привлекает долгие инвестиции, несмотря на рыночные коррекции.
Перспективы развития: обучение на ошибках и путь к зрелости индустрии ИИ
Текущий кризис доверия к ИИ-проектам — закономерная стадия развития. История повторяется: нанотехнологии, криптовалюты и блокчейн проходили через такие же циклы восторга и разочарования. Рынок имеет инерцию — при появлении новой технологии инвесторы вкладывают деньги без критической оценки, затем наступает коррекция, большая часть проектов закрывается, остаются те, кто действительно решает проблемы бизнеса. ИИ находится в этой переломной точке, где отсеиваются спекулятивные инициативы и формируется база для устойчивого роста.
Следующие два-три года станут периодом специализации.
- Появятся узкоспециализированные инфраструктурные ИИ-решения, которые оправдали себя в конкретных отраслях: госсектор, финансы, производство, продажи.
- Закончится фаза хаотичных экспериментов, когда каждая компания пытается изобрести велосипед.
- Индустрия перейдет к четкой сегментации: будут определены ниши, где ИИ работает эффективно, и области, где технология пока не приносит результата.
Для компаний, планирующих первый ИИ-проект в 2025 году, ключевая рекомендация — снять розовые очки и настроиться на долгую работу. Искусственный интеллект не дает мгновенного бума продаж, рынок перенасыщен решениями с бейджиком «ИИ». Успех требует выстраивания взаимоотношений, создания воронок продаж, инвестиций в маркетинг и обучение команды. Поэтому сфокусируйтесь на бизнес-метриках, а не на технологическом совершенстве.
Обложка: downloaded from Freepik