Еще пару лет назад главный вопрос к искусственному интеллекту звучал так: где его вообще можно применять? Бизнес искал кейсы, ИТ-команды тестировали первые сценарии, рынок пытался понять, какие задачи новая технология действительно способна решать.
Сегодня вопрос изменился. Кейсов на рынке стало много. Генеративный ИИ уже используют в разработке, клиентском сервисе, HR, маркетинге, работе с документами и корпоративными знаниями. Но вместе с этим стало заметно другое: наличие кейса еще не означает зрелого внедрения. Компании запускают первые рабочие прототипы, пробуют агентские сценарии, автоматизируют отдельные операции, но часто пока не до конца понимают, как управлять этой технологией в реальном процессе.
И, пожалуй, это главный «грех» рынка ИИ сегодня: технологии появились быстрее, чем у нас сформировалась культура их применения.
Мы пока учимся на собственных ошибках
Роман Смирнов, коммерческий директор компании «Девелоника» Группы fabricaONE.AI (акционер — ГК Softline), принял участие в сессии «ИИ-исповедь. Грехи разработки и внедрения» на ЦИПР-2026. Само название звучит провокационно, но в нем есть важная мысль: открыто говорить нужно не только об успехах. Ошибки в ИИ-проектах — не исключение и не повод прятать кейс в стол. Это нормальная часть взросления технологии.
Генеративный ИИ во многом развивается эмпирически. Компании пробуют сценарии, сталкиваются с ограничениями, меняют подходы, снова тестируют. Кто-то переоценивает качество данных или недооценивает сопротивление пользователей. Кто-то слишком рано передает агенту автономность.Другие рассчитывает, что модель «сама разберется» с процессом, который люди годами держали на неформальных договоренностях и контексте.
Проблема не в том, что компании ошибаются. Проблема начинается тогда, когда ошибки не превращаются в методологию.
Есть иллюзия, что ИТ-рынок уже должен знать, как правильно внедрять генеративный ИИ. На практике это не так. Разработчики, интеграторы, заказчики — все проходят этап накопления опыта.
Когда первые клиенты начали приходить с запросами на ИИ-агентов и генеративные решения, стало очевидно: людей, которые глубоко понимают, как проектировать и внедрять такие системы, немного. Часто это были
Для компании, которая занимается заказной разработкой, это особенно чувствительно. Нельзя уверенно внедрять у заказчика то, что ты сам еще не научился применять внутри. Поэтому первым шагом должно быть не масштабное обещание рынку, а честная работа со своими командами: обучение, эксперименты, проверка сценариев, настройка процессов и контроль качества.
В этом смысле разработка ПО сейчас находится на переднем плане применения генеративного ИИ. Инструменты для работы с кодом, документацией, тестами, архитектурой действительно дают заметный эффект. Однако, чтобы получить результат, мало открыть разработчику доступ к новой модели. Нужно понять, где именно она помогает, как меняется процесс, кто проверяет результат и какие риски появляются на каждом этапе.
Внедрение ИИ — не только про технологию
Когда мы внедряем новый инструмент внутри ИТ-компании, мы сталкиваемся с тем же, что видим у заказчиков. Люди реагируют по-разному. Одни быстро начинают пользоваться новыми инструментами и искать сценарии. Другие сопротивляются. Третьи наблюдают со стороны и ждут, когда станет понятно, что действительно приживется.
Это нормальная реакция на технологию, которая меняет привычную роль специалиста. Разработчик, аналитик, тестировщик, менеджер — каждый начинает работать иначе. Нужно учиться формулировать задачи для модели, проверять ее ответы, понимать ограничения, выстраивать цепочки действий, ставить контрольные точки.
Поэтому внедрение ИИ — это больше, чем просто подключение инструмента. Это изменение навыков, процессов и управленческих привычек. И если этот слой не учитывать, даже сильная технология будет использоваться фрагментарно.
Агентские системы требуют особой осторожности
Сейчас рынок активно смотрит в сторону ИИ-агентов и мультиагентных сценариев. Логика понятна: если модель может не только отвечать на вопрос, но и выполнять цепочку действий, значит, можно автоматизировать более сложные процессы.
Но именно здесь нужна максимальная трезвость. Чем больше автономности получает система, тем выше требования к ее контролю. Агент может ошибиться в интерпретации задачи, взять не те данные, выполнить действие не в том контексте или выдать результат, который выглядит убедительно, но не соответствует реальности.
Поэтому перед тем как переносить агентские системы в контур заказчика, ИТ-компаниям нужно накопить собственный практический опыт. Внутри разработки, тестирования, управления требованиями, документации, поддержки, а после — можно уверенно говорить о масштабировании подходов на внешние бизнес-процессы.
Делиться нужно не данными, а методологиями
Еще один важный вопрос — обмен опытом внутри отрасли. Сейчас многие ИТ-компании делают похожие вещи: обучают сотрудников, внедряют генеративный ИИ в разработку, тестируют ассистентов, строят внутренние правила, ищут способы измерить эффект.
Каждая организация надеется пройти этот путь быстрее других и получить конкурентное преимущество. Но если смотреть шире, изолированный опыт не всегда выгоден рынку. Слишком многие повторяют одни и те же ошибки, тратят ресурсы на одинаковые эксперименты и заново открывают уже найденные ограничения.
Здесь важно разделять данные и методологии. Данные могут быть чувствительными, коммерчески значимыми, связанными с безопасностью и конкурентным преимуществом. Их нельзя просто открыть рынку. Но методология — другое дело. Подходами к обучению команд, оценке качества, контролю рисков, внедрению ИИ в разработку, организации внутренних пилотов можно и нужно делиться.
В свое время ИТ-индустрия научилась обмениваться практиками agile, не раскрывая коммерческие секреты. С генеративным ИИ может быть так же.
Бизнесу нужна зрелость, а не безошибочность. Ошибки в ИИ-проектах будут, как и в любых других, это неизбежно. Куда важнее, насколько быстро компании научатся их замечать, анализировать и превращать в правила работы.
Зрелость рынка определяется не тем, что все проекты сразу становятся успешными, (так не бывает ни с одной новой технологией). Зрелость начинается, когда компании перестают воспринимать ошибку как репутационный риск и начинают видеть в ней источник методологии.
Источник: Роман Смирнов, коммерческий директор компании «Девелоника» Группы fabricaONE.AI
