Внедрение ИИ в бизнес: что ломается чаще всего и как это починить

В этой статье мы поделимся практическим опытом: как определить готовность компании к внедрению ИИ, какие риски чаще всего остаются “за кадром” и что отличает успешные ИИ-проекты от тех, что не доходят до результата.
‍

Готовность к внедрению ИИ: с чего начинается реальная ИИ-трансформация

Главная ошибка – это думать, что внедрение ИИ начинается с выбора модели или технологии. На самом деле, оно начинается с диагностики готовности бизнеса.

Большинство компаний уже пережили цифровую трансформацию – переход к CRM/ERP/BI-системам и data-driven подходу: когда решения принимаются на основе данных. Следующий этап – это ИИ-трансформация: когда происходит глобальный переход от бизнеса, управляемого данными, к бизнесу, управляемому интеллектом. И первым шагом ИИ-трансформации как раз-таки является внедрение ИИ в бизнес-процессы. После, уже на следующем уровне зрелости, происходит переход к передаче ИИ цельных бизнес-процессов. 

Начнем с самого начала – мы хотим внедрить ИИ в конкретный существующий процесс. Чтобы проект принес ценность, нужно задать себе честные вопросы и дать на них честные ответы:

1. Есть ли измеримая бизнес-проблема?

Если задача звучит как “хотим внедрить ИИ, чтобы быть в тренде” — проект заведомо обречен на неудачу. Внедрение ИИ должно решать конкретную боль: например, сократить время обработки заявок, повысить конверсию, снизить долю ошибок и так далее. Без четкой бизнес-метрики система не сможет показать ROI, а значит, не будет смысла в ее внедрении, развитии и поддержке. 

2. Есть ли данные, на которых можно строить ИИ-решение?

Данные – это основа любого ИИ-решения. Без достаточного объема данных должного качества проект превращается во ”внедрение ради внедрения”. Проведите предварительный аудит по ключевым метрикам:

• Полнота (Completeness): какая доля необходимых данных заполнена?
• Точность (Accuracy): насколько данные соответствуют реальности?
• Своевременность (Timeliness): как часто данные обновляются?
• Непротиворечивость (Consistency): одинаково ли данные представлены в разных источниках?

Если данные хранятся в личных сообщениях сотрудников и разрозненных Excel-таблицах – это сигнал, что сперва нужно организовать централизованное хранилище, с которым можно будет произвести интеграцию. 

3. Понимаем ли мы, где место ИИ в процессе?

ИИ-система — это часть бизнес-процесса, а не какая-то отдельная сущность. Если его “приклеить” к существующей схеме без пересмотра самого процесса, он будет мешать, а не помогать. Следовательно, вероятнее всего, не принесет ожидаемых бизнес-эффектов. Для начала необходимо верхнеуровнево спроектировать новый процесс, где будут четко распределены роли между человеком и системой.

4. Есть ли ресурсы и определена ли ответственность за развитие?

ИИ-система требует поддержки, мониторинга метрик и развития. Без ответственного владельца продукта (AI Product Owner) и выделенного бюджета система будет деградировать.
‍

Почему проваливаются ИИ-пилоты: системные причины и риски

Если посмотреть на большинство неудачных кейсов, причина почти всегда лежит не в технологии, а в управлении. Рассмотрим основные категории рисков:

Стратегические и управленческие риски

1. Пилот начинается с технологии, а не с проблемы. Компания хочет "внедрить ИИ", но не может сформулировать конкретную бизнес-задачу. В результате пилот превращается в демонстрацию возможностей модели, потому что ИИ без измеримых KPI – это игра в технологию, а не в результат.
   ‍
2. Отсутствие владельца и плана развития после пилота. Даже успешный пилот “умирает” после демонстрации, потому что нет ответственного за его интеграцию в процесс и развитие. Необходимо назначить AI Product Owner (владельца продукта, отвечающий за развитие ИИ-решения) — ответственного за внедрение системы и дальнейшее поддержание ее ROI. Без него проект вероятнее всего быстро потеряет актуальность и перестанет приносить какую-либо пользу.
   ‍
3. Неверный расчет экономики. Часто пилот может быть признан успешным, но при расчете Total Cost of Ownership (TCO) оказывается, что эксплуатация стоит дороже выгоды. При подсчете расходов и сравнении с прогнозируемой выгодой (ROI) обязательно должны быть учтены:
   
   • CapEx (капитальные расходы): разработка/покупка системы, интеграция
   • OpEx (операционные расходы): инфраструктура (GPU/облако), затраты на токены, поддержку и развитие
   • Скрытые издержки: время экспертов на участие в разметке данных, обучение сотрудников, простои при доработках.

Организационные и процессные риски

4. Отсутствие адаптации процессов. Нельзя просто встроить ИИ в существующую схему "как есть". Если сами процессы не адаптированы под новое распределение функций между человеком и ИИ, внедрение провалится. Система должна стать естественной частью процесса.
   ‍
5. Неподготовленная организация и сопротивление людей. При внедрении ИИ должны меняться не только процессы, но и роли. Без грамотно выстроенной коммуникации сотрудники могут воспринимать ИИ как угрозу. Тогда возникает скрытое сопротивление – система игнорируется или саботируется. Ответственность за работу с сопротивлением лежит на лидерах направлений: им важно объяснить, как меняются роли и какие новые метрики вводятся, чтобы ИИ воспринимался как инструмент роста, а не угроза. 

Технические и архитектурные риски

6. Выбор “модной” технологии, не подходящей под задачу. Например, бизнес часто приходит с запросом на LLM-решение, потому что “все внедряют LLM”, хотя задача решается через классический ML. 

На этапе проектирования архитектуры необходимо определить целевой контур: тип решения (ML/LLM/гибрид), данные (источники, структуры, ограничения), интеграции с внешними системами и так далее.

7. Проблемы с данными: качество и доступность. Многие компании начинают пилот, не проведя предварительный аудит данных. Если источники данных – разрозненные файлы и неструктурированные письма, то не получится построить стабильное ИИ-решение.

Риски внедрения и эксплуатации

8. Переоценка ожиданий и отсутствие “коридора качества”. ИИ-система не может быть идеальной – она должна быть предсказуемо полезной. Оценка по принципу “работает/не работает” заведомо обрекает проект на неудачу. Правильный подход – Corridor Acceptance: фиксация допустимых диапазонов значений метрик, что позволяет зафиксировать ценность даже при вероятностной природе ИИ.
   ‍
9. Отсутствие цикла развития после запуска. ИИ – динамичный инструмент. Без регулярного мониторинга, актуализации эталонных наборов данных (Golden Set) и итеративных улучшений система деградирует через несколько месяцев.
   ‍

Как построить успешный процесс внедрения ИИ

Чтобы ИИ-проект не стал очередным "пилотом ради пилота", важно воспринимать его не как  интеграцию отдельного инструмента, а как постепенную трансформация процессов, ролей и управленческих подходов. Рассмотрим конкретные шаги, которые нельзя пропускать:

1. Провести этап Discovery:
   
   • Оценить зрелость процессов: где ИИ принесет ценность?
   • Провести аудит данных: используйте конкретные метрики (полнота, точность и т.д.). Оцените возможности интеграции с нужными источниками и их наличие.
   • Сформулировать бизнес-гипотезу: например, "Внедрение ИИ-системы для автоматизации типовых запросов тех. поддержки снизит среднее время обработки запроса на 30%".
     ‍
2. Спроектировать архитектуру системы, предусматривающую масштабирование и отказоустойчивость: 
   
   • Выбрать тип технического решения на основе задачи, а не тренда
   • Определить, с какими данными будет работать система, их источники и ограничения
   • Продумать взаимодействие между внешними системами и внутренними компонентами
     ‍
3. Подготовить данные и создать Golden Set
   Сформируйте эталонный набор кейсов (Golden Set) для тестирования. Он должен быть репрезентативным, размеченным совместно с экспертами и включать краевые случаи. Этот набор данных будет служить источником истины для оценки качества.
   ‍
4. Построить пилот, встроенный в реальный процесс
   Встройте систему в рабочий процесс, работайте с реальными данными и замеряйте изменение метрик в сравнении с контрольной группой. 
   ‍
5. Адаптировать процессы и роли
   Пересмотрите весь бизнес-процесс, чтобы ИИ-система естественным образом в него встроилась. На примере автоматизации тех. поддержки – если ИИ-система берет на себя 60% обращений, перераспределите нагрузку операторов, обновите их KPI и схемы эскалации. 
   ‍
6. Обеспечить пост-пилотное развитие и поддержку
   ИИ-решение начинается с запуска. После внедрения необходимо:
   
   • Автоматизировать мониторинг метрик и настроить алерты
   • Регулярно обновлять Golden Set для сохранения актуальности метрик
   • Внедрить процесс сбора обратной связи от пользователей
   • Планировать регулярные итерации улучшений 

Заключение

Внедрение ИИ — это не про модели, а про управление изменениями.

Это путь от гипотезы к измеримой ценности, где успех зависит от зрелости процессов. Компании, которые выстраивают внедрение системно, не только снижают вероятность провала, но и превращают ИИ в стратегическое преимущество. А те, кто ищет “волшебную кнопку”, рискуют пополнить статистику неудачных пилотов.

В Napoleon IT мы подходим к ИИ именно так — как к инструменту с измеримой бизнес-ценностью. Мы разрабатываем ИИ-решения не «ради технологии», а под конкретные бизнес-метрики: снижение издержек, рост выручки, ускорение процессов, повышение качества решений. 

‍