Применение ИИ в бизнесе сейчас популярно, перспективно и на первый взгляд — просто. Однако запуск ИИ-проекта — это не про «прикрутить модель» к процессу. За видимой простотой кроются неочевидные издержки на полноценную систему: этап R&D, аренду ИТ-инфраструктуры и формирование команды. Если игнорировать эти факторы на старте, есть риск недооценить масштаб задачи и сжечь бюджет задолго до первых результатов.

❗️Как избежать негативного сценария?

При расчёте эффективности ИИ-проекта учитывайте не только прямые затраты на разработку, но и скрытые ограничения — финансовые, технические и организационные. Рассказываем, с чем придется столкнуться.

Ключевые ограничения ИИ-проектов:

📌 Команда
Реализация требует выделенной команды. Ее состав будет отличаться в зависимости от типа проекта. Так, для усиления любой команды нужны дата-инженеры и архитекторы. Дополнительные роли для LLM-проекта — LLM-инженеры или prompt-инженеры. Для ML-проекта — ML-инженеры и MLOps-инженеры, которые обеспечат CI/CD и деплой моделей. Это новые роли, которых текущем штате часто не бывает. При этом рынок — перегрет.

📌 Инфраструктура и данные
Если используются чувствительные данные, то размещение модели внутри ИТ-контура компании становится обязательным. Это значит, что нужно дополнительное ПО, оборудование, сопровождение — в общем, снова увеличение бюджета.

📌 Оборудование
Современные ИИ-сценарии могут требовать использования особого оборудования типа GPU и TPU, графических и тензорных процессоров. При этом LLM-проекты гораздо более требовательны с точки зрения количества и мощности процессоров, чем ML-проекты. Поэтому, если ваш проект связан с языковыми моделями, инфраструктурные требования к нему возрастут в разы. А поставки оборудования ограничены санкциями, квотами и перегруженными производственными цепочками.

📌 R&D и качество результата
Модель редко дает ожидаемый результат с первого раза. Поэтому в план ML-проекта стоит закладывать время и финансы на обучение модели в несколько итераций. В случае с LLM чаще используют дообучение или адаптацию модели через fine tune, prompt engineering, RAG, а не полное обучение с нуля. Но даже такие подходы требуют ресурсов и экспертизы.

Кроме того, если проект использует языковые модели (например, ChatGPT, Claude, GigaChat), возможны так называемые «галлюцинации» — убедительные, но ложные ответы. Это особенно критично в сценариях с высоким уровнем доверия к модели и требует отдельной проработки.

⚡️Учитывая эти факторы на старте, вы получите реалистичный расчёт окупаемости — и сократите риск того, что проект остановится в середине пути.

Подписывайтесь на Берегись бэклога 💫