Шесть главных ошибок внедрения ИИ

До 95% компаний в России и мире внедряют ИИ без необходимой отдачи и не окупают инвестиции. Об этом и самых распространенных ошибках говорится в исследовании «От пилота к масштабу: как встроить ИИ в процессы и получить отдачу», проведенном Школой управления «Сколково».

Первая причина провалов ИИ-проектов — 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 или формальное следование регламентам.

Вторая причина неудач — 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.

Третий негативный фактор — 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, владельцев процессов 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.

Как подчеркивают аналитики, в этих случаях топ-менеджменту важно показать: «мы тоже в тренде», а 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.

Пятая причина неудач — 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.

Наконец, шестая причина — использование устаревших методов анализа эффективности внедряемых ИИ-процессов. Анализ показал: классический метод CRISP-DM и 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. Например, 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 создать Data 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 дали семь управленческих рекомендаций для успешного внедрения ИИ.

1. Вовлекать всех участников с самого начала. Не запускать 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 «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.