13 февраля 2026 г.

Сергей Житинский

Применимость генеративного искусственного интеллекта (GenAI) для повышения эффективности бизнес-процессов — не просто тренд, а предмет интенсивных обсуждений в советах директоров крупных предприятий. По данным исследований, более 50% российских компаний уже внедрили GenAI хотя бы в одну свою функцию. Однако исследование Массачусетского технологического института (MIT) показывает, что около 95% GenAI-пилотов не доходят до устойчивого масштабирования и не оказывают измеримого влияния на ключевые бизнес-метрики организаций.

Сергей Житинский, генеральный директор инженерной IT-компании Git in Sky, рассказал о причинах этой тенденции и объяснил, при каких условиях значительные усилия и инвестиции компаний могут принести ощутимые результаты.

Завышенные ожидания

Самая распространенная ошибка заключается в завышенных ожиданиях от технологии. Порой даже зрелые компании стремятся внедрить GenAI, ожидая быстрого эффекта без существенного пересмотра процессов. В результате пилоты часто ограничиваются демонстрацией возможностей технологии, но остаются оторванными от реальных рабочих сценариев. Поэтому когда дело доходит до внедрения, оказывается, что ожидания по скорости, масштабу эффекта или уровню автоматизации были изначально завышены, а инфраструктура и процессы к этому не готовы.

Более устойчивый подход — начать с одной четко сформулированной цели и метрики, которую нужно улучшить. Достаточно вспомнить пример Verizon, которая внедрила AI-ассистента от Google для повышения эффективности службы поддержки, интегрировав его с внутренними документами. Такое решение привело к сокращению времени обработки звонков, повысило возможности сотрудников в решении сложных случаев и косвенно повлияло на рост продаж (40%) за счет повышения эффективности операторов.

Сложности с интеграцией

Еще одна ключевая причина провалов — неспособность интегрировать GenAI с ядром бизнес-процессов. Иными словами, инструменты, работающие автономно в пилотной среде, теряют свою ценность, когда не взаимодействуют с ERP, CRM и финансовыми системами.

Уже во время внедрения компании нередко обнаруживают, что AI-модель не может, допустим, получать данные в режиме реального времени или передавать результаты обратно в другие системы. Можно привести примеры, когда проблемы возникают не только на уровне API, но и из-за различий в семантике данных, бизнес-правилах и SLA между системами.

Примечательно, что вертикальные AI-решения, которые ориентированы на конкретные бизнес-процессы (например, инструменты, преобразующие голосовые заметки врача в структурированные отчеты или предиктивные системы, прогнозирующие отказ оборудования до его возникновения), реже выходят за рамки пилотной фазы в сравнении с универсальными горизонтальными AI-решениями (чат-боты или копайлоты). По статистике, лишь около 10% от общего числа первых доходят до этапа внедрения, среди причин — технические, организационные, культурные барьеры, а также качество данных.

Разрыв с реальностью

Даже если ИИ-решение нацелено на выполнение конкретной задачи и интегрировано с другими бизнес-процессами, успех не гарантирован. Типичная картина, когда пилот проходит в идеальных условиях: с подготовленными данными при непосредственном участии экспертов и с мягкими критериями успеха. Но внедрение в реальности это:

  • данные в грязном виде, в том числе с ошибками;

  • необходимость интеграции с десятками порой устаревших систем;

  • повышенные требования к скорости, безопасности и стабильности;

  • эксплуатация при пиковых нагрузках, с которой связана отказоустойчивость системы.

Поэтому модель, которая успешно прошла пилотный запуск, может оказаться бесполезной при масштабировании. Например, если она не ускоряет процессы, сбоит или требует ручной подготовки данных. Иными словами, при выходе из контролируемой среды технология легко может потерять смысл.

Один из примеров — попытка McDonald’s внедрить AI-систему для автоматизации заказов на drive-thru. Несмотря на многообещающие предварительные результаты, реальность со сторонним шумом и различиями в акцентах покупателей привела к многочисленным ошибкам, в частности, неверным позициям в заказах. Это вызвало негативную реакцию клиентов и прекращение внедрения.

Человеческий фактор

Даже самая идеальная модель не сможет работать, если в жизненном цикле проекта не учитывается влияние человеческого фактора. Причем оно может иметь совершенно разные проявления. Начиная с того, что пользователи не доверяют «черному ящику» и отказываются использовать инструмент или делают это с большой неохотой, до отсутствия у внутренних команд навыков MLOps (Machine Learning Operations), включая CI/CD для моделей, контроль дрейфа данных, алерты по деградации качества и т.д.

Один из выводов отчета MIT как раз в том, что вероятность внедрения GenAI-проектов с привлечением внешних специалистов примерно в два раза выше (около 67%), по сравнению с внедрением внутренними усилиями (33%).

Довести до внедрения

GenAI проваливается, если его пытаются внедрять без инженерного подхода к эксплуатации. Поэтому успешные проекты сегодня — это про умение сделать их частью устойчивой и предсказуемой IT-инфраструктуры бизнеса. И опираться при этом можно на следующие принципы:

  • проектирование для эксплуатации, а не для демо (решение должно быть готово к надежному запуску, сопровождению и масштабированию в условиях реальной нагрузки);

  • развитие MLOps-инфраструктуры (с CI/CD для моделей, мониторингом качества, контролем дрейфа данных и управляемыми обновлениями);

  • пилоты с реальными точками интеграции (начинать стоит с задач, где ИИ сразу встраивается в существующие бизнес-процессы и системы);

  • системная работа с данными (без стандартизации и контроля качества даже лучшие модели не будут работать стабильно);

  • единая ответственность за результат от формулировки задачи до масштабирования уже готового решения.

Источник: Сергей Житинский, генеральный директор инженерной IT-компании Git in Sky