Внедрение искусственного интеллекта последнее время превратилось из решения рабочих проблем в маркер прогрессивности. Компании отчитываются о пилотных проектах, большие корпорации включают ИИ в дорожные карты развития. Создаётся впечатление, что без нейросетей бизнес обречён на отставание.
Но статистика неудачных внедрений растёт. По данным международных консалтинговых отчётов, от 50 до 70 процентов проектов по ИИ не доходят до промышленной эксплуатации или не окупаются. И причина не в плохих алгоритмах — причина в том, что ИИ — это инструмент для узкого класса проблем. Он требует особой инфраструктуры, данных и терпения. Большинство организаций не готовы к этому ни финансово, ни организационно.
В статье мы разберём, что происходит в компаниях, которые хотят внедрить свои полноценные ИИ-инструменты, какие при этом совершаются ошибки и расскажем, как не потерять деньги при выборе стратегии технологического развития.
Мифология рынка: почему создаётся иллюзия всеобщей нужности
Рынок ИИ формируют крупные вендоры — разработчики облачных платформ, производители чипов, консалтинговые гиганты. Их бизнес строится на продаже вычислительных мощностей и подписок, а ежегодные отчёты наполнены цифрами о росте рынка до триллионов долларов. Топ-менеджеры компаний тоже решают внедрить ИИ и получают премии за цифровую трансформацию. А иногда даже бывает выгодно запускать громкие проекты, даже если экономический смысл отсутствует. СМИ подхватывают кейсы успешных внедрений, неудачные случаи замалчиваются и в итоге возникает информационный пузырь. Мы как раз здесь.
Второй двигатель — страх упустить возможности. Когда конкуренты объявляют о внедрении чат-бота или системы прогнозирования, у руководителя может возникнуть тревога. Он думает, что соперник получит преимущество. На практике большинство таких заявлений — пилоты на ограниченных данных, которые никак не влияют на рыночные доли. Но давление внутри компании заставляет принимать поспешные решения.
Третье — смешение автоматизации и интеллекта. Бизнес называет ИИ любую систему, которая принимает решения без человека. Однако правило «если температура выше 30 градусов, включи кондиционер» — это алгоритм, а не интеллект. Простые скрипты, табличные формулы и роботы (те же самые RDA) справляются с рутиной дешевле и надёжнее. Настоящий ИИ требует обучения на больших массивах и способности обобщать новые ситуации. Если задача решается чёткой инструкцией, ИИ не нужен. Но поставщики часто продают обычную автоматизацию под видом искусственного интеллекта, завышая цену.
Экономическая нецелесообразность и затраты
Полная стоимость владения настоящим ИИ-решением состоит из нескольких слоёв. Первый слой — покупка или аренда инфраструктуры. Обучение глубоких сетей требует графических процессоров. Аренда одного современного GPU в облаке стоит от двух до пяти долларов в час, обучение сложной модели занимает недели. Умножьте это на количество экспериментов и уже можно считать расходы (потому что первая версия почти никогда не работает как нужно, да и вторая тоже).
Второй слой — оплата команды. Машинное обучение выполняют инженеры с зарплатой выше среднего по рынку, но в регионах таких специалистов почти нет, их нанимают удалённо за московские или зарубежные ставки. И третий слой — обслуживание, потому что модель не остаётся статичной. Данные меняются, поведение клиентов эволюционирует. Раз в три-шесть месяцев требуется дообучение, иначе точность падает до уровня случайного угадывания.
Теперь сравним с альтернативой.
Допустим, компания хочет автоматизировать обработку типовых обращений в контакт-центр. Можно нанять пять дополнительных операторов в аутсорсинге и это обойдётся в несколько миллионов рублей в год. Разработка и поддержка собственного NLP-бота обойдётся в десятки миллионов на старте и в несколько миллионов ежегодно. При этом бот обработает только 60–70 процентов запросов, остальное всё равно пойдёт операторам. Экономия сразу начинает уменьшаться. При этом для окупаемости нужен поток свыше 10 тысяч обращений в день, но такой объём есть у банков-гигантов и операторов связи. Средняя региональная сеть магазинов таких цифр точно не даёт.
Проблема исходных данных
Качество модели определяется качеством данных и это аксиома. Но часто бывает, что в государственных и крупных корпоративных системах данные разбросаны по десяткам устаревших баз. Например:
ИИ не умеет разбирать этот хаос самостоятельно. Он только выявляет закономерности, которые заложены в данные, а если там беспорядок, то после обучения ИИ его только усилит.
Подготовка данных занимает до 80 процентов времени в любом проекте. Здесь мы говорим про сверку справочников, устранение дублей, приведение форматов дат и валют. Команда из трёх аналитиков может потратить месяцы на очистку даже среднего по размеру, хранилища, а в корпорациях этот процесс может затянуться на кварталы из-за бюрократических согласований доступа. А ещё результат часто разочаровывает: после чистки выясняется, что данных для обучения осталось в два раза меньше, чем планировалось.
Отдельная проблема — неструктурированные данные: сканы договоров, рукописные заявления, аудиозаписи звонков. Современные системы распознавания текста и речи дают ошибку на уровне 5–15 процентов, но, например, для юридических или финансовых документов это уже критично.Если вы не можете гарантировать стопроцентное распознавание, то каждое действие после ИИ придётся перепроверять человеком и экономия труда просто обнуляется. В некоторых случаях точность распознавания ухудшается на специфической лексике — например, на технических терминах или диалектах. Без дообучения на ваших собственных образцах система точно не адаптируется.
Галлюцинации и репутационные риски
Генеративные модели(те же LLM), создают правдоподобный, но не всегда достоверный текст. Это свойство называют галлюцинацией. Модель не ищет истину в базе знаний, она лишь предсказывает следующее слово по вероятности. Если вероятность ведёт к красивому, но вымышленному факту, модель выдаёт его с той же уверенностью, что и проверенный. Во внутренних чатах это вызывает улыбку, а в официальной переписке с клиентами или контролирующими органами такой непроверенный ответ может стать поводом для судебных исков.
Для госкомпаний репутационный ущерб может быть ещё серьёзнее. Отказ в государственной услуге на основании рекомендации ИИ требует юридического обоснования. Если система не может объяснить, почему она приняла такое решение, гражданин имеет право оспорить это в суде. Большинство нейросетей работают как чёрный ящик, но в банковском скоринге регулирующие органы требуют прозрачной логики. Клиент должен знать, какие факторы повлияли на отказ в кредите. Линейные модели или деревья решений дают такую прозрачность, но они уступают нейросетям в точности. И компромисс здесь не всегда очевиден.
Ещё один риск — использование внешних облачных моделей. Данные клиентов или гостайны не должны покидать контур компании. При этом построение собственного закрытого экземпляра модели требует колоссальных мощностей. Например, для языковой модели с сотнями миллиардов параметров нужен кластер из тысяч GPU. Стоимость такого проекта стартует от миллиарда рублей (и не забываем, что покупка готового API от иностранных вендоров противоречит законодательству о локализации данных). Попытки обойти это через внутренние прокси не защищают от утечек, потому что запросы всё равно уходят наружу.
Человеческий фактор и потеря экспертизы
Сотрудники часто относятся к ИИ с подозрением, потому что они видят в нём угрозу своим рабочим местам. Даже если руководство обещает не увольнять людей, страх всё равно остаётся и выливается в пассивный саботаж. Например, менеджеры среднего звена не передают реальные данные в систему, а дают усреднённые или искажённые показатели, чтобы доказать неэффективность алгоритма. А операторы намеренно исправляют верные предсказания системы на свои, чтобы показать её бесполезность. В результате пилотный проект получает искажённую обратную связь, руководство видит низкую точность и закрывает проект. Но проблема была не в алгоритме, а в сопротивлении персонала.
Если же внедрение продавливают силой, возникает обратный эффект — деградация молодых специалистов. Раньше аналитик тратил время на ручной сбор данных, построение гипотез, проверку связей. Этот процесс формировал его экспертизу, Он понимал бизнес и чувствовал нюансы. Но когда анализ полностью доверяют ИИ, начинающий специалист получает готовый ответ без промежуточных выводов. Он перестаёт задавать вопросы о причинах и следствиях. Как результат, через два-три года компания получает сотрудников, которые умеют нажимать кнопки в интерфейсе, но не могут объяснить, почему прогноз выглядит именно так.
Когда ИИ действительно становится необходимым
Есть условия, при которых отказ от ИИ обходится дороже внедрения.
-
Повторяющиеся операции с большим числом однотипных объектов. Сюда относится обработка входящих документов с единой структурой, проверка кредитных заявок по формальным критериям и классификация миллионов товарных позиций. В этих задачах человек делает ошибки из-за усталости, а машина работает без остановки и выдаёт стандартное качество.
-
Превышение порога физической обработки. Если штат аналитиков не справляется с объёмом данных даже при сверхурочной работе, а упущенная выгода от задержек исчисляется десятками миллионов, стоит рассматривать автоматизацию на основе обучения. Например, в ритейле прогнозирование спроса идёт по тысячам SKU в каждой точке. Если ручное планирование даёт сбой, то полки пустеют или переполняются. ИИ сглаживает эти пики, используя многомерные корреляции, которые человек не может физически удержать в голове.
-
Высокая стоимость человеческой ошибки. В авиастроении, атомной энергетике, медицинской диагностике ошибка человека опаснее ошибки алгоритма. Алгоритм как минимум консервативен, он не переутомляется и не отвлекается. Но в этих ситуациях внедрение требует особого контроля и валидации (потому что цена ошибки запредельно высока), что удорожает проект. Тем не менее, безопасность перевешивает затраты.
Во всех перечисленных случаях обязательны два фактора: наличие размеченной истории принятых решений минимум за два года и возможность оперативно исправлять данные без согласований с десятком отделов. Если эти условия не выполняются, даже в перечисленных областях внедрение, скорее всего, провалится. Здесь сначала нужно строить систему сбора и хранения, затем автоматизировать отчётность, и только потом добавлять элементы прогноза.
Заключение
ИИ — это не цель, а средство.
В большинстве бизнес-задач человеческий опыт, прозрачная отчётность и медленные, но надёжные вычисления побеждают дорогой и капризный алгоритм. Внедрение ради отчёта перед акционерами, руководством региона или ради хайпа и моды не окупится никогда. К тому же, экономия на людях за счёт интеллекта часто оборачивается двойными расходами на исправление его ошибок и восстановление доверия клиентов.
Не поддавайтесь давлению, проверяйте гипотезы на малом масштабе и не стесняйтесь признавать, что полноценное внедрение ИИ — это пока не то, что требуется компании. Сегодня он подходит далеко не каждому, и это нормально. Но если подходит и вы точно знаете, что это ваш путь — отнеситесь к нему ответственно, чтобы не разочароваться в технологии ни экономически, ни организационно.
