Пилотные проекты по внедрению искусственного интеллекта в крупном бизнесе редко проваливаются из-за «плохой модели». По наблюдениям Василия Мухина, развивающего направление ИИ в К2Тех, модель честно показывает 80–90% качества, но проект всё равно не взлетает. Причины — в неверных исходных допущениях: экономия оказывается меньше стоимости внедрения, автоматизируют не тот участок процесса, или данные не подтверждают гипотезу. На конференции для ИТ-специалистов он разобрал четыре реальных кейса, где на бумаге всё выглядело привлекательно, а на практике пришлось замораживать работы.
Первый кейс — классический пример несошедшейся экономики. Заказчик хотел заменить половину секретарей, обрабатывающих входящие документы. Четверо сотрудников работали по двое в смену, пропуская около 100 документов в день с точностью маршрутизации 90%. Гипотеза: ИИ будет ошибаться реже и быстрее. Обученная модель классификации показала точность 80% на тестовой выборке. При зарплате 70 000 рублей на человека экономия от сокращения двух ставок составила бы 140 000 рублей в месяц, или 1,68 млн рублей в год. Однако стоимость пилота — около 2 млн рублей, а доработка до целевого качества — ещё 2–3 млн. Руководитель заморозил проект: окупаемость превышала два года, а точность выше 80% не достигалась даже после доработки. Этот случай иллюстрирует общее правило: если годовой эффект меньше трёх миллионов рублей, а пилот стоит от двух, проект нецелесообразен.
| Кейс | Проблема | Результат |
|---|---|---|
| Экономика не сходится | Точность модели 80% против 90% у людей, стоимость пилота 2 млн | Проект заморожен |
| Неправильно найдено узкое место | База знаний неполная, сотрудники спрашивают коллег | Метрика улучшилась на 3-4%, проект нецелесообразен |
| Перенос ответственности | Юридические барьеры, неготовность делегировать решения ИИ | Внедрение остановлено |
| Дорогой старт | Высокие начальные затраты на данные и интеграцию | Проект закрыт на ранней стадии |
Второй кейс — ошибка в определении узкого места. Финансовая компания хотела ускорить обработку инцидентов в поддержке клиентских продуктов. Команда из девяти человек, четверо из которых занимались поддержкой, тратила время на поиск информации. Заказчик предположил, что задержка связана с базой знаний, и заказал чат-бот для сотрудников. Бот искал ответы в загруженной документации, но метрика улучшилась лишь на 3–4% — в пределах погрешности. Анализ показал: сотрудники чаще обращаются к старшим коллегам, а не к инструкциям, поэтому в базе знаний просто не было ответов на большинство вопросов. Проект признали нецелесообразным. Вывод: перед автоматизацией базы знаний нужно детально проанализировать процесс поддержки и убедиться, что база является основным источником данных.
Третий кейс связан с переносом ответственности. Когда ИИ берёт на себя часть задач, возникает вопрос: кто отвечает за ошибки? В одном из проектов заказчик хотел автоматизировать обработку заявок, но не был готов передать ИИ полномочия по принятию решений. В результате пилот показал хорошее качество, но внедрение остановилось из-за юридических и организационных барьеров. Четвёртый кейс — дорогой старт. Некоторые проекты требуют значительных вложений на начальном этапе: сбор данных, разметка, интеграция с legacy-системами. Если бюджет не заложен заранее, проект закрывают на ранней стадии, даже если потенциал высок.
Решение, которое предлагает К2Тех, — конвейер вместо разовых инициатив. Система включает несколько этапов: оценка гипотезы, анализ данных, пилот, оценка эффекта, масштабирование. На каждом этапе есть чек-пойнты, где проект может быть остановлен, если экономика не сходится или данные не подтверждают ожидания. Это позволяет отсекать убыточные инициативы до того, как они сожгут бюджет. По словам Мухина, успешные кейсы чаще всего связаны с автоматизацией рутинных операций, где данные уже структурированы, процесс понятен, а эффект можно измерить в деньгах. Например, обработка типовых документов, маршрутизация запросов, генерация отчётов. В таких задачах ИИ даёт быстрый и предсказуемый результат.
Опыт К2Тех согласуется с общемировыми трендами: компании, которые массово заменяли сотрудников ИИ, начали возвращать людей из-за неверных расчётов. Amazon, Microsoft и IBM столкнулись с тем, что экономия не покрывала затраты на внедрение и поддержку. Это не значит, что ИИ бесполезен, но требует трезвого подхода: считать полную стоимость владения, проверять гипотезы на данных и не забывать о человеческом факторе. Для бизнеса, который только начинает знакомство с ИИ, главный урок — не гнаться за хайпом, а системно подходить к оценке проектов.
