9 апреля 2026 г.
ИИ активно внедряют, но далеко не всегда он дает ожидаемый эффект — проекты усложняются, бюджеты растут, а бизнес-результат остается под вопросом. Часто проблема возникает уже на старте: в постановке задач, данных и подходе к самим технологиям. Петр Хвесюк, руководитель
С какими ошибками компании чаще всего сталкиваются при запуске своего первого ИИ-проекта?
Одна из самых частых проблем — ожидание «идеальной картинки» при слабых исходных данных. На практике в работу могут передаваться архивы с камер, сжатые до низкого качества, при этом от системы ожидают обнаружения мельчайших аномалий. В качестве примеров иногда используют ограниченный набор: несколько изображений «нормы» и несколько — с отклонениями, рассчитывая на точный результат. В таких случаях всё упирается в данные: это фундамент, и если не разобраться с их качеством на старте, проект начинает терять время.
Другая распространенная ошибка — попытка решить слишком много задач одновременно. Например, хотят, чтобы система и считала покупателей, и анализировала поведение, и прогнозировала покупки. На практике такие проекты редко дают результат. Гораздо эффективнее выстраивать работу последовательно и закрывать задачи одну за другой.
Отдельная проблема — отношение к роли человека. Часто возникает ожидание, что систему можно поставить и дальше она будет работать сама. В реальности становится непонятно, корректно ли работает система.
У нас был случай на проекте по контролю рулонной стали: отключили питание камеры, и система перестала подавать сигналы. Операторы продолжили работать, решив, что раз всё «тихо», значит брака нет. В итоге пришлось возвращать участие человека в процесс и добавлять дублирующий сигнал, чтобы было понятно, что система вообще работает.
Как понять, что для задачи пытаются использовать ИИ там, где можно обойтись более простыми решениями?
У нас в компании есть маркер — мы назвали его «метод двух датчиков». Мы всегда задаем вопрос заказчику: «А пробовали ли вы решить это обычной автоматизацией?» Если задачу можно закрыть простым и дешевым способом, а при этом сразу рассматривают ИИ, это сигнал, что решение усложняют без необходимости.
Однажды нам на входе дали задачу: ИИ должен определять, что продукт прошел определенную точку на конвейере. Стоимость контракта с камерами и сервером предполагала приличный бюджет. Приезжаем на предпроектное обследование, и перед нами разворачивается типичная ситуация: руководитель говорит, что задачу будут решать с помощью машинного зрения, а мастер возражает — здесь достаточно поставить два датчика за 5000 рублей. Он отвечает: «Бюджет выделен на ИИ, значит, будем ставить ИИ».
С точки зрения бизнеса важно не то, насколько инновационно выглядит решение, а насколько оно экономически оправдано. Иногда правильнее сочетать простые средства автоматизации и ИИ там, где он действительно дает эффект. В противном случае компания рискует потратить серьезный бюджет на технологию, которая решает задачу, уже давно реализованную более простыми средствами.
Почему попытки внедрить ИИ по принципу «сделайте нам как у конкурента» чаще всего не дают ожидаемого результата?
Так происходит потому, что не учитываются нюансы. Часто компании приходят с запросом: «Нам нужен такой же ИИ, как у конкурента». Кто-то внедрил систему прогнозирования продаж или обработки обращений, и кажется, что достаточно повторить решение у себя. На практике оказывается, что у компаний разные данные, разные процессы и даже разные цели внедрения. То, что у одной компании дает эффект, у другой требует иного подхода к реализации и большего объема данных.
В производстве такие особенности особенно заметны. Даже при похожих процессах они могут быть критичными. Например, в мясопереработке у одного клиента при контроле тушек был единственный тип дефекта — «сломанное крыло», и для задачи хватало простой модели. У другого клиента нужно было различать несколько типов дефектов, потому что за них отвечали мастера на разных участках. В результате меняется архитектура решения, объем данных и сложность обучения системы машинного зрения.
На мой взгляд, копирование решений без анализа бизнес-процессов — это путь к провалу.
Насколько распространены проекты в ИИ, которые запускаются скорее из-за тренда, чем из реальной бизнес-задачи?
Сейчас доля таких проектов относительно невысока — порядка
Если говорить об отраслях, промышленность в целом более прагматична. При этом и на производственных предприятиях встречаются ситуации, когда нужно освоить «инновационный бюджет», когда компании целенаправленно инвестируют в новые технологии и параллельно ищут для них прикладные сценарии.
Насколько критично качество данных для внедрения ИИ и с каким уровнем «хаоса» в них в принципе можно работать?
С качеством данных можно работать в довольно широком диапазоне, если понимать, с чем именно имеешь дело. В видеоаналитике, например, можно отфильтровать шум, выровнять освещенность, компенсировать искажения.
Критическим фактором становится не столько «хаос», сколько репрезентативность. Если в базе 90% данных — это идеальные условия, а оставшиеся 10% — сложные сценарии, на которые и приходится основная часть инцидентов, модель просто не получит достаточного количества примеров для обучения.
Отдельный вопрос — подготовка данных. Она требуется, когда есть путаница в разметке или в выборку попадают артефакты, не связанные с задачей, например посторонние объекты в кадре. В таких случаях корректировка данных напрямую влияет на качество результата.
Насколько реалистично внедрение ИИ в компаниях, где до сих пор преобладают бумажные процессы?
Реален, но здесь включается режим «тяжелой артиллерии». Мы не просим компании сразу оцифровывать все процессы, а работаем параллельно с текущей системой.
Например, если учет ведется на бумаге, это не проблема. Можно поставить камеру и начать собирать статистику, при этом сотрудники продолжают работать как обычно. В первые месяцы система просто наблюдает и накапливает данные. Затем появляется возможность показать разницу: сколько событий фиксируется вручную и сколько на самом деле происходит. Через три месяца мы показываем отчет: «Смотрите, вы на бумаге записали 100 событий, а камера нашла 350. Вот фотографии, где они были упущены».
На мой взгляд, начинать цифровизацию лучше без резких изменений в процессе, опираясь на данные, которые показывают его реальные ограничения и точки роста.
На что в первую очередь стоит обращать внимание при выборе команды для внедрения ИИ?
Обращать внимание стоит на способность команды доводить решение до реального внедрения, а не только показывать результат на пилоте. Обучить модель сегодня может почти любой, а встроить ее в существующие процессы и инфраструктуру так, чтобы она стабильно работала и влияла на показатели, — уже гораздо более сложная задача.
Поэтому важно, чтобы команда понимала, как решение будет жить в конкретном бизнесе: какие есть ограничения, как устроена инфраструктура и что потребуется для стабильной работы в реальных условиях.
Источник: Петр Хвесюк, руководитель ML-направления Nord Clan
