ИИ-пилоты: почему большинство проектов «сворачиваются» и как этого избежать

Несмотря на масштабный интерес к генеративному ИИ, бизнес все чаще сталкивается с разрывом между ожиданиями и реальностью. По данным опроса крупных российских компаний, всё часто останавливается на пилоте: 9 из 10 ИИ-проектов не доходят до полноценного внедрения. 

О том, почему так происходит и каким должен быть успешный пилот, спросили у Елизаветы Колодежанской, руководителя направления перспективного ПО в «Системном софте».

Почему проекты не доходят до внедрения?

Бизнес столкнулся с тем, что генеративный ИИ не работает «из коробки» — его нужно долго адаптировать под конкретные данные, процессы и ИТ-ландшафт.

На пилоте все выглядит красиво, но при попытке перенести в реальную рабочую среду оказывается, что результат либо слабый, либо непредсказуемый. При этом пилот — относительно недорогой этап, тогда как промышленное внедрение требует инвестиций в инфраструктуру, безопасность, интеграцию и обучение персонала. На этом этапе проекты чаще всего и «сыпятся».

Что мешает масштабированию?

Основные проблемы связаны не с моделями, а со средой внедрения:

➡️ данные часто разрознены, не структурированы и не готовы к использованию;
➡️ возникают затруднения с интеграцией в корпоративные системы (CRM, ERP, сервис-деск, документооборот);
➡️ бизнесу важна предсказуемость, а значит — нужно решать вопросы по контролю качества и валидации;
➡️ компании опасаются за безопасность корпоративных данных в нейросетях;
➡️ на рынке не хватает специалистов, которые одновременно понимают и бизнес-процессы, и архитектуру ИИ-решений;
➡️ часто отсутствует логика внедрения: начинают с технологии, а не с задачи.

Какие кейсы становятся успешными? 

Это задачи, в которых решение выстраивается под конкретный сценарий, и есть понятная экономика, например: автоматизация поддержки, ускорение обработки документов, снижение рутины.

Отдельно заметны проекты в маркетинге и e-commerce — генерация визуалов и «виртуальные примерки», где эффект быстро измеряется и напрямую влияет на конверсию. За счет этого такие решения проще масштабируются. 

Суммируя слова эксперта: чтобы пилот стал успешным, стоит выбрать одну конкретную «боль» и строить решение от нее. 

Важно подготовить данные — структурировать, очистить, актуализировать. Вокруг ИИ стоит выстроить систему контроля (метрики качества, валидация результатов) и заранее проработать интеграцию с реальными рабочими инструментами. Также нужно уделить внимание защите информации и безопасности. Например, разграничить данные: что допустимо передавать во внешние сервисы, что можно обрабатывать только в локальных моделях, а что не должно попадать в ИИ ни при каких условиях. 

#ИИ #Искусственный_интеллект

@syssoftru – эксперт в мире программного обеспечения