ИИ в промышленности: разрыв между ожиданиями и готовностью к внедрению

30% респондентов отмечают сильный разрыв между ожиданиями руководства и реальностью: от ИИ ждут быстрых результатов, хотя данные и инфраструктура не готовы. У 49% компаний ожидания руководства лишь частично соответствуют текущим возможностям. Полное соответствие отметили 5% участников исследования. Оставшиеся 16% вообще не смогли оценить этот критерий. При этом управление ИИ не везде выстроено как отдельный процесс. В 19% компаний формально не закреплена ответственность за риски использования генеративного ИИ, а у 23% нет системного управления ИИ с политиками, ролями и контролем. Еще 30% оценивают эффективность такого управления без формальных метрик — по тому, как идет процесс.

Одно из препятствий для достижения быстрого и измеримого результата от внедрения ИИ — низкое качество данных. Для 30% оно стало главным барьером. Полностью готовыми свои данные считают лишь 5%. У 46% компаний они готовы частично и требуют доразметки, очистки или объединения из разных источников. Решение этих задач не всегда получает отдельное финансирование. В 37% компаний бюджет на управление данными и ИИ не выделяется — работы ведутся в рамках текущих ИТ-задач. У 33% респондентов бюджет вырос на 10–30%, и только 14% сообщили о заметном увеличении – более чем на 50%.

Дополнительный вопрос для промышленных компаний — готовность data-инфраструктуры к новым требованиям регулирования ИИ. Многие из них относятся к КИИ, поэтому требования закона распространяются на них. Полностью готовыми к нему считают себя 12% респондентов. Частично готовыми назвали себя 48%, им требуется доработка процессов и платформ. Еще 21% ожидают значительной трансформации data-ландшафта, а 19% на момент исследования еще не проводили оценку.

Ограничения есть и на уровне вычислений. Для 27% опрошенных именно недостаток мощностей стал главным из них. 24% арендуют GPU у сторонних провайдеров, 21% сочетают собственные мощности с облаком для пиковых нагрузок и еще 21% располагают собственными GPU-кластерами с достаточным запасом ресурсов. Для промышленных компаний это сигнал, что вычислительную инфраструктуру нужно планировать так же системно, как данные и управление ИИ-рисками, выбирая баланс между собственными, арендованными и гибридными ресурсами под конкретные сценарии. Иначе дефицит мощностей станет еще одной причиной, по которой ожидания руководства от ИИ не совпадут с реальностью, даже если данные и процессы уже частично готовы.

Еще одно ограничение — недостаток качественных специалистов и экспертизы. ИИ уже рассматривается как компонент операционной устойчивости, и 38% крупных компаний занимаются разработкой собственных ИИ-решений для внутренних процессов. При этом 75% из них не умеют делать их безопасными для бизнеса — их процессы не соответствуют стандарту управления безопасностью ИИ-разработки — MLSecOps. С управленческой точки зрения эти результаты демонстрируют разрыв: темпы внедрения ИИ уже опережают зрелость процессов, необходимых для контроля связанных с ним рисков. Рынок MLSecOps находится на этапе становления во всем мире, и компании пока не понимают, как защищать собственные ИИ-разработки самостоятельно, и предпочитают отдавать этот блок работ внешним подрядчикам.