До 95% компаний в России и мире внедряют ИИ без необходимой отдачи и не окупают инвестиции об этом говорится в исследовании «От пилота к масштабу: как встроить ИИ в процессы и получить отдачу». Причина — в шести распространенных ошибках, не связанных с высокими технологиями и «железом», показало исследование Школы управления СКОЛКОВО. Эксперты изучили опыт внедрения ИИ в 25 отраслях и выявили главные причины неудач проектов, которые может избежать любой бизнес.

Первая причина — неверный выбор формы и культуры работы с информацией. Исследование показало: успешность ИИ-проекта в компании зависит не от технологии, а культуры работы с получаемой информацией и принятием решений.

Если в компании новое решение считается обоснованным только после одобрения признанного эксперта — это people-driven культура. Если ключевым источником легитимности выступают регламенты: пока документ не обновлен, инновация не будет внедрена — это process-driven культура. Когда решающим аргументом служит эксперимент или результат анализа данных: если цифры подтверждают гипотезу, решение принимается без дополнительных «авторитетов» — это data-driven подход.

Эксперты выявили закономерность: от того, какая культура доминирует в той или иной организации, напрямую зависит, как компания внедряет новые технологии, в том числе ИИ.Анализ показал: компании с преобладанием культуры, ориентированной на данные (data-driven), успешнее внедряют ИИ, чем организации, полагающиеся на авторитет отдельных экспертов (people-driven) или формальное следование регламентам (process-driven).

Вторая причина — низкое качество и хаотичность исходных данных в компании. Если корпоративная система переполнена дублями, устаревшими файлами и несовместимыми форматами, а то даже лучшие алгоритмы не работают. Анализ показал: именно подготовка и стандартизация данных занимала во многих кейсах больше ресурсов, чем сама разработка модели. Вывод экспертов: без Data Story — общего для бизнеса и ИТ описания качества и доступности данных — риск провала резко возрастает.

Третья причина — стремление максимально автоматизировать все процессы и функции в компании. Исследование показало: попытки тотальной автоматизации чаще несут больший риск, чем эффективность, и приводят к провалам. Наибольший эффект достигается при грамотном сочетании режимов: ИИ усиливает или заменяет человека там, где это оправдано, а ключевые процессы остаются за людьми.

Авторы исследования выделили три ключевые когнитивные функции в работе организаций: распознавание, принятие решений и исполнение. Каждая из них может выполняться вручную, совместно с ИИ (аугментированно) или полностью автоматически. Но все их автоматизировать — ошибочно.

Четвертая причина — когнитивная дистанция и отсутствие взаимопонимания в коллективе компании. Эксперты выявили: причина большинства провалов ИИ-инициатив не в технологиях как таковых — не в «железе» и не в моделях, а в когнитивной дистанции — в том, как думают и разговаривают между собой участники проекта. Чем больше разрыв в языке и мышлении у топ-менеджеров, владельцевпроцессов и разработчиков, тем больше проекты буксуют из-за недоверия и срывов сроков.

При этом на пике популярности искусственного интеллекта многие компании запускают ИИ-проекты скорее ради статуса, чем ради результата.

«Топ-менеджменту важно показать — „мы тоже в тренде“, разработчикам интересно протестировать новые модели. Пилот оказывается в плане в рекордные сроки, но ключевые бизнес-подразделения в процесс не вовлечены: их не спрашивают, какую задачу стоит решать, как измерять эффект и что будет считаться успехом. Дальше проект живет своей технической жизнью. Есть прототип, серверы работают, расходы учтены. Но поскольку бизнес-логика и пользовательский опыт остались без внимания, процессы внутри компании не меняются, клиенты не видят ценности и могут даже не пользоваться новым решением. Итог предсказуем: галочку „ИИ внедрен“ поставить можно, но бизнес-пользы нет. Проект превращается в „технологическую витрину“ — эффектную, но бесполезную», — отмечается в исследовании.

Пятая причина — внедрение ИИ-проектов без последующего регулярного анализа эффективности. Исследование выявило: проекты, где команды показывают результат короткими циклами (прототип → тест → обратная связь → улучшение), значительно устойчивее: быстрее выявляют ошибки и корректируют ожидания. Напротив, длинные изолированные спринты без демонстрации промежуточных версий приводят к накоплению ошибок, росту недоверия и увеличению рисков провала.

Шестая причина — использование устаревших методов анализа эффективности внедряемых ИИ-процессов. Анализ показал: классический метод CRISP-DM его отраслевые продолжения (DataPro, CRISP-ML(Q), MAISTRO) задали высокие стандарты работы с данными, но почти не учитывали управленческие и культурные барьеры. Из-за этого даже технически безупречные решения нередко оказывались невостребованными в компаниях.

При этом авторы выявили, что пробел восполняет обновленный фреймворк (AI Success Cycle), в котором управление когнитивной дистанцией и мониторинг принятия технологии пользователями встроены на каждом этапе. Это помогает адаптировать и внедрять ИИ-решения так, чтобы они естественно «приживались» в организации и приносили реальную пользу.

Пример: команда делает шаг вперед, показывает промежуточный результат, получает комментарии от бизнеса и дорабатывает продукт с их учетом. Такой ритм, по мнению экспертов, помогает держать участников «на одной волне» и превращает разницу в подходах в источник знаний, а не конфликтов.

Исследование показало, для эффективного внедрения ИИ-проектов компаниям необходимо выполнять следующие правила:

  • оценить культуру принятия решений в компании, чтобы понять, насколько она реально data-driven;
  • провести аудит данных до старта проекта и создатьData Story как «единый источник правды» для бизнеса и ИТ;
  • разбить ключевые процессы на этапы и определить, где безопасно автоматизировать, а где важно оставить человека;
  • создавать кросс-функциональные команды и назначать брокеров знаний, чтобы бизнес и разработка разговаривали на одном языке;
  • запрашивать у команды рабочий прототип каждые 3–4 недели и обсуждать прототипы вместе с бизнесом, а не только внутри разработки;
  • внедрять обновленный фреймворк (AI Success Cycle), чтобы эффективнее встроить ИИ в бизнес-процессы.

Авторы исследования также дают 7 управленческих рекомендаций для успешного внедрения ИИ:

  1. вовлекать всех участников с самого начала. Не запускайть проект только усилиями топ-менеджмента или разработчиков. Уже на старте за одним столом должны быть бизнес-владельцы, инженеры и менеджеры. Это поможет сразу выявить ограничения по данным, архитектуре и ресурсам;
  2. проверять, есть ли у проекта реальная цель.Формулировка цели как «внедрить ИИ» — тревожный сигнал. Настоящая цель звучит как конкретная бизнес-задача: «снизить коэффициент оттока на 10%» или «сократить время обработки заявки на 20%». Если такого фокуса нет, проект рискует превратиться в витрину;
  3. поддерживать баланс между стейкхолдерами. Не стремиться полностью стереть разницу в подходах между бизнесом, разработкой и другими стейкхолдерами. Разные взгляды полезны, если они не мешают понимать друг друга. Важно следить, чтобы команда сохраняла критический взгляд, но при этом могла находить общий язык;
  4. организовать «торговые зоны». Повысить продуктивность могут различные форматы совместной работы: стратегические сессии, спринт-планирование, кросс-функциональные ревью. Это пространство, где стейкхолдеры синхронизируют ожидания и договариваются о следующих шагах;
  5. работать через граничные объекты. User Story, Data Story, MVP-прототип, дашборд с метриками — любые артефакты, которые понятны и бизнесу, и разработчикам. Важно фиксировать договоренности через такие объекты, чтобы все стороны видели одно и то же и могли отслеживать прогресс;
  6. назначать брокеров знаний. В команде должны быть люди «на стыке»: продукт-менеджеры с опытом разработки, бизнес-аналитики, системные аналитики. Их задача — переводить с языка бизнеса на язык технологий и обратно. Без таких посредников коммуникация быстро ломается;
  7. не отпускать проект «на автопилот». Даже после релиза продолжайте поддерживать общий ритм: короткие циклы обратной связи, регулярный мониторинг и открытые обсуждения. Это убережет проект от вырождения в формальную «галочку» в отчетах.