2 марта 2026 г.

Константин Попандопуло

ИИ сегодня обсуждают почти в каждой компании — и нередко создается впечатление, что технология способна решить любые задачи: ускорить процессы, сократить расходы, снять нагрузку с сотрудников. Но на практике все устроено сложнее. Если внедрять ИИ на волне хайпа, без конкретной цели, метрик и готовых процессов, проект легко превращается в дорогой эксперимент, который не дает бизнесу измеримой пользы.

О том, почему так происходит, рассказал технический директор Umbrella IT Константин Попандопуло.

Почему большинство ИИ-проектов так и остаются пилотами

Сегодня компании охотно запускают пилоты: чат-ботов, автоматизацию поддержки, интеллектуальную аналитику, генерацию текстов и документов. На демо все выглядит убедительно: модель отвечает быстро, интерфейс аккуратно собран, презентация вдохновляет.

Но дальше начинается реальность — интеграции с корпоративными системами, требования информационной безопасности, качество данных, распределение ответственности, перестройка процессов и сопротивление сотрудников. Отсюда и статистика: по оценкам Gartner и McKinsey, примерно 80% ИИ-проектов не переходят из пилотной фазы в масштабируемые решения с измеримой бизнес-выгодой; в других исследованиях доля таких «застрявших» инициатив достигает 73–88%.

И очень быстро выясняется, что внедрение ИИ — это не покупка инструмента, а организационная трансформация.

В результате часть инициатив зависает в статусе эксперимента и продолжает потреблять ресурсы без понятной бизнес-отдачи. Поэтому в компаниях все чаще пересматривают портфель цифровых проектов: какие решения реально поддерживают ключевые процессы, а какие можно остановить или перенести без ощутимого ущерба.

Ошибка № 1. Внедряем ИИ просто потому, что «надо»

Один из самых распространенных сценариев выглядит так: руководство слышит про ИИ на конференции, конкуренты начинают активно упоминать его в коммуникациях — и компания решает, что нужно срочно запускать проект.

Но стоит задать простой вопрос: «а зачем именно?» — и ответы обычно звучат расплывчато: «повысить эффективность», «оптимизировать процессы», «ускорить работу».

Проблема в том, что ИИ не является универсальным ускорителем. Он дает эффект, когда задача сформулирована предельно конкретно и заранее понятно, как будет измеряться результат.

Например:

  • сократить время обработки заявки;

  • снизить количество ошибок в документах;

  • уменьшить нагрузку на первую линию поддержки;

  • ускорить подготовку отчетов;

  • повысить скорость поиска информации в корпоративной базе знаний.

Если таких целей нет, проект быстро превращается в «пилот ради пилота»: технология вроде работает, но бизнес не понимает, зачем продолжать в нее инвестировать.

Ошибка № 2. Метрики есть, но они не про бизнес

Иногда KPI все-таки задают, но формально. Например, считают количество запросов, число пользователей, долю успешных ответов или техническую точность модели. Это важные параметры, но сами по себе они редко объясняют бизнес-ценность.

Компания может внедрить чат-бота, который обработает тысячи обращений. Но ключевые вопросы будут другими: снизилась ли нагрузка на операторов? Уменьшилось ли время ожидания? Стали ли сотрудники решать задачи быстрее? Улучшился ли клиентский опыт? Снизились ли потери или количество ошибок?

ИИ-проект становится успешным, когда влияет на показатели, которые действительно важны бизнесу: деньги, скорость, качество, риски, удовлетворенность клиентов.

Если этого не происходит, разочарование наступает быстро: руководство не видит эффекта, бюджеты пересматриваются, команда теряет мотивацию — и ИИ превращается в дорогостоящую инициативу, которую сложно обосновать.

Ошибка № 3. Пытаемся автоматизировать то, что не работает и без ИИ

Еще один типовой сценарий: компания берет проблемный процесс и пытается починить его с помощью ИИ.

Но ИИ не устраняет хаос — он его масштабирует.

Если в процессе:

  • нет единых правил;

  • решения принимаются «по ситуации»;

  • данные пополняются разными способами;

  • часть информации существует только в переписках и в головах сотрудников,

то модель не сможет выдавать стабильный результат. Она будет обучаться на противоречивых данных и в итоге давать ответы, которые сложно использовать в реальной работе.

ИИ хорошо работает там, где процессы описаны, роли определены, а данные систематизированы. Без этого автоматизация превращается в лотерею.

Ошибка № 4. Недооценка данных: «что-то у нас точно есть»

Когда речь заходит о внедрении ИИ, многие компании уверены, что данные у них уже собраны: CRM, ERP, BI, база обращений, документы, письма, переписки.

Но как только команда начинает готовить датасет, выясняется неприятная деталь: данные действительно есть, но использовать их практически невозможно.

Типовые проблемы:

  • дубли;

  • пропуски;

  • разные форматы в разных системах;

  • ошибки ввода;

  • отсутствие классификаторов;

  • неструктурированные комментарии вместо заполненных полей.

В результате модель либо не показывает ожидаемого качества, либо выдает ответы, которые нельзя внедрить в процесс без ручной проверки.

На практике часто оказывается, что перед запуском ИИ компании приходится делать то, что откладывали годами: выстраивать управление данными, приводить справочники к единому виду, настраивать контроль качества, обеспечивать доступность и актуальность информации.

ИИ в этом смысле работает как лакмусовая бумажка: он быстро показывает, насколько организация готова к цифровым изменениям.

Ошибка № 5. Ожидание, что ИИ заменит людей

Иногда ожидания звучат прямо: «нам нужен ИИ, чтобы сократить штат». Или мягче: «ИИ должен заменить часть функций менеджеров».

Такой подход часто становится источником рисков. ИИ может помогать в анализе и подготовке решений, но ответственность за последствия остается на людях.

Особенно это заметно в сферах, где важны контекст, юридическая корректность и управленческая ответственность:

  • финансы;

  • юридические документы;

  • кадровые процессы;

  • безопасность;

  • закупки;

  • управление инцидентами.

Если компания пытается делегировать управление алгоритму, быстро проявляются ограничения: модель не видит полный контекст, может уверенно ошибаться, а ее рекомендации сложно объяснить и формализовать.

ИИ в таких задачах чаще становится инструментом поддержки — он усиливает специалиста, но не заменяет его.

Ошибка № 6. Нет владельца со стороны бизнеса — и внедрение буксует

Многие ИИ-проекты буксуют по простой причине: их ведет ИТ-команда, но бизнес фактически не вовлечен.

В итоге возникает типичная ситуация:

  • ИТ строит решение;

  • бизнес не меняет процессы;

  • пользователи не понимают, как применять инструмент в работе;

  • руководство ждет эффект, но в подразделениях нет ответственного за внедрение.

ИИ не может быть исключительно ИТ-инициативой. Если проект затрагивает работу людей и бизнес-процессы, у него должен быть владелец со стороны бизнеса — тот, кто заинтересован в результате и готов менять регламенты, роли и модель работы команды.

Без этого ИИ остается красивой демонстрацией и не становится частью операционной деятельности.

Когда ИИ действительно начинает приносить пользу

Опыт внедрения показывает: устойчивый эффект чаще появляется там, где изначально выбран сценарий с измеримым результатом, понятной экономикой и возможностью масштабирования.

Обычно такие проекты начинаются с задач, которые можно оценить в цифрах: сокращение времени обработки обращений, снижение доли ошибок, рост производительности, снижение нагрузки на поддержку или повышение качества аналитики.

Также большую роль играет готовность компании работать с данными: важно обеспечить стабильные источники информации, единые справочники, понятные правила доступа и контроль качества.

Наконец, пилоты быстрее переходят в промышленную эксплуатацию, если с самого начала учитываются требования безопасности, интеграции и сценарии использования в реальной работе — а не только на презентации.

Источник: Константин Попандопуло, технический директор Umbrella IT