Как избежать ошибок во внедрении ИИ: практические решения с опорой на реальность

Станислав Горбатовский

Основатель Shift Russia

В условиях неопределенности и экономического давления растет спрос на «быстрые победы», которые помогут бизнесу совершить скачок в развитии и сократить издержки. Продавцы решений, чувствуя эту потребность, все чаще предлагают мечту — «волшебную кнопку» ИИ, которая быстро и дешево решит накопленные любые проблемы.

Но вместо легкого апгрейда на практике получается сложный, дорогой и долгий проект полномасштабной трансформации. Возникает когнитивный диссонанс: громкие обещания резко контрастируют с суровой реальностью внедрения.

Руководство чувствует себя обманутым: проект либо замораживается на полпути, либо закрывается с пометкой «не оправдал ожиданий». В итоге в организации формируется стойкий иммунитет и к самой технологии: «Мы уже пробовали ИИ. Это не работает». А действительно ли не работает?

В чем парадокс современного ИИ-рынка

Реальность сурова — 78% компаний «говорят, что используют ИИ», но при этом 95% внедрений не доходят до эксплуатации. Почему так происходит? Я выделяю ряд причин:

• Кризис терминологии и подмена понятий.
• Фундаментальное непонимание требований к инфраструктуре.
• Организационное сопротивление как системный барьер.
• Низкий ROI для средних компаний.

Ключевая иллюзия — вера в волшебство ИИ. Компании часто представляют ИИ как универсальный «черный ящик», который работает в вакууме, решает все проблемы и сразу и требует лишь денег на ПО, а не инвестиций в инфраструктуру, данные и команду.

На практике эта иллюзия разбивается о простой факт: ИИ — это не замена плохого процесса, а его усилитель.

Где мы находимся сейчас: реальная готовность к ИИ

Давайте рассмотрим шкалу цифровой зрелости компаний. К сожалению, почти половина находится на нулевом уровне, где нет цифры и данных. Об ИИ говорить рано, здесь нужно начинать с автоматизации и перехода в цифру.

Уровень 1 — это уровень, где уже внедрены отчетные системы, сотрудники могут вносить результат своей деятельности в систему и передавать дальше. Конвейер работает. По сути, мы перенесли взаимодействие в цифру. Здесь рекомендую начать работать над аналитикой и поиском зависимостей.

Уровень 2 — системы уже связаны между собой, и вот тут уже появляется ИИ — экспертные системы хранят опыт и знания, помогают быстрее решать задачи. Тут мы уже измеряем продуктивность и эффективность и получаем от ИТ результат. На этом уровне рекомендую внедрять протоколы обмена с внешними системами, собирать экосистему решений и готовить данные для качественной аналитики (чистить мусор).

Уровень 3 — это уже уровень активного внедрения ИИ. Если вы уже внедряете решения и можете их оценить, наверное, можно перевести дух. Но ненадолго, чтобы сохранять лидерство, рекомендую масштабировать ИИ и искать новые методы применения, становиться первопроходцами.

Перескакивать уровень зрелости ради ускоренного внедрения ИИ нереально и крайне опасно. Это напоминает попытку построить небоскреб на болоте без фундамента. Технически возможно начать работы, но результат предсказуем — обрушение.

Путь к ИИ — это последовательная эволюция, а не революционный прыжок. Единственный способ «ускориться» — не пропускать этапы, а проходить их осознанно и интенсивно, фокусируясь на качестве данных и изменении процессов на каждом шагу.

Компании, которые пытаются перескочить этапы, не экономят время, а лишь гарантируют себе дорогостоящий провал и формируют стойкое отвращение к технологии на годы вперед.

Примеры из жизни

«Магия вместо метрик»

Директор сети АЗС, вдохновленный доносящейся отовсюду идеей, что ИИ способен на все, в конце 2024-го года приказал своей команде внедрить «ИИ для полной автоматизации заправок». В мозговом штурме команда обсуждала много интересных идей: от прогноза очередей до управления персоналом. Цель от собственника была понятной: «Внедрить ИИ во все процессы».

Вместо одной измеримой задачи (например, «снизить среднее время обслуживания на 20%») команда попыталась создать сложнейший цифровой двойник. Через год и 15 млн рублей был готов прототип, который красиво анимировал потоки машин, но не интегрировался с кассовой системой и не влиял на реальные операции.

Когда бизнес хочет «магию» вместо конкретного KPI, проект обречен на превращение в дорогую игрушку. Собственник его закрыл.

«ИИ на Excel»

Крупный производитель стройматериалов решил внедрить ИИ для прогноза производства. Исторические данные лежат в сотнях Excel-файлов: у каждого менеджера своя таблица со своими названиями колонок, форматами дат и вольными сокращениями. Из регулярной отчетности — только бухгалтерская, производственные показатели отделы приносят на планерку в виде записей в ежедневнике.

Data scientist потратил 80% времени не на создание модели, а на ручную очистку и «сшивание» таблиц. Полученная модель работала на устаревших и противоречивых данных, ее прогнозы постоянно менялись и не поддавались логике. Проект закрыли с вердиктом «ИИ у нас не работает», выгоревший айтишник ушел в другую компанию.

«Мусор на входе — мусор на выходе» — это не фигура речи, а техническая реальность. Без единого источника правды (ODS) ИИ становится генератором случайных чисел.

«Модель-сирота»

Крупный банк к концу прошлого года успешно внедрил ИИ-модель для скоринга малого бизнеса. Модель показывала отличные результаты на исторических данных и была запущена в продакшн. Команда отчиталась о запуске и побежала решать другие проблемы.

Как выяснилось позже, никто не был назначен ответственным за ее поддержку и развитие. Через 4 месяца экономическая ситуация изменилась, поведение заемщиков стало другим, но модель продолжала оценивать их по старым паттернам. Показатели по дефолтам поползли вверх. IT-департамент не знал, как ее переобучить, а бизнес-подразделение не видело проблемы, пока не случилась серия крупных невозвратов. Сейчас разгребают последствия.

При работе с ИИ нельзя действовать по принципу «настроил и забыл». Без MLOps-процессов и ответственного владельца (Data Steward/ML Engineer) он быстро устаревает и начинает приносить убытки вместо прибыли.

ИИ ≠ ML ≠ нейросеть: что реально нужно бизнесу?

Одна из причин, почему ИИ не работает так, как планировали, — это неверный выбор технологии для решения поставленных задач.

ИИ включает сотни технологий: эвристики, экспертные системы, гибридные модели, ML, нейросети, но большинство людей путаются в понятиях и не понимают разницы.

В 70% задач больше подходят экспертные системы и ML, а не сложные нейросети. Почему так?

Экспертные системы — это формализованные правила и логика, созданные человеком-экспертом. Они часто оказываются эффективнее нейросетей по 5 ключевым причинам:

• Прозрачность и объяснимость. Вы всегда можете понять, почему система приняла то или иное решение.
• Скорость и стоимость внедрения. Чтобы обучить нейросеть, нужны огромные размеченные данные и мощные вычислительные ресурсы. Экспертную систему можно запустить дешевле и быстрее, заложив в нее знания вашего лучшего логиста.
• Работа с малыми данными. Нейросети требуют тысяч и миллионов примеров. Экспертная система работает на правилах, а не на паттернах в данных.
• Стабильность в предсказуемых условиях. Бизнес-процессы — это правила: «если клиент из группы риска, то требуется дополнительная проверка» или «если заказ срочный, то он идет в приоритете». Нейросеть может «забыть» или проигнорировать такое жесткое правило ради статистической вероятности. Экспертная система — никогда.
• Легкость поддержки и изменения. Когда бизнес-правила меняются, в экспертной системе вы также меняете параметр в настройках — и все. В нейросети вам придется собирать новые данные, переобучать модель и заново ее валидировать — это долгий и дорогой процесс.

Проще говоря: если задачу можно описать через «если → то», скорее всего, экспертная система будет лучшим, более быстрым и управляемым решением.

Глубокая модель нужна только в специфических случаях, где простая логика принципиально не справляется. Приведу примеры, когда нужна глубокая модель (нейросети, сложные ансамбли).

Работа с неструктурированными данными:

• Компьютерное зрение: автоматический анализ медицинских снимков (рентген, МРТ) для ранней диагностики патологий.
• NLP: автоматическая сортировка и анализ тональности тысяч отзывов для выявления проблем с качеством товаров или сервиса.
• Распознавание речи: транскрибирование и смысловой анализ записей совещаний для автоматического формирования протокола и task-листа.

Сложные нелинейные зависимости:

• Предсказание спроса на товары, подверженные влиянию вирусных трендов.
• Оптимизация многомерных цепочек поставок с сотнями параметров.
• Выявление скрытых паттернов мошенничества.

Обучение с подкреплением (Reinforcement Learning):

• Автономное управление роботами на производстве или складе.
• Тактика для фондового трейдера, учитывающая долгосрочные последствия.
• Динамическое ценообразование в реальном времени.

Генеративные задачи:

• Создание оптимальных по параметрам (весу, прочности, материалам) продуктов (от кроссовок до космических деталей).
• Подготовка изображений для рекламы, написание новостных заметок.
• Генерация тысяч реалистичных сценариев для стресс-тестирования финансовой модели.

Не гонитесь за сложностью там, где достаточно простоты. В большинстве задач более быстрым, управляемым и рентабельным решением будут экспертные системы или «классические» ML-модели (деревья решений, градиентный бустинг). Глубокие нейросети оправданы только в тех 10–20% случаев, когда вы имеете дело с реально сложными, неформализуемыми паттернами и обладаете достаточными ресурсами для их обслуживания.

Начните с вопроса: «Можем ли мы сформулировать успешное решение этой задачи в виде инструкции для стажера?» Если да, то ваша история — простая логика и экспертные системы. Если нет — возможно, пора смотреть в сторону глубокого обучения, рассмотрев все «за» и «против».

Архитектура, без которой ИИ не работает

Многие компании совершают одну и ту же ошибку: пытаются внедрить сложную нейросеть поверх хаотичной инфраструктуры. Результат предсказуем: модель либо не запускается, либо работает некорректно.

Минимальный набор для старта — это три ключевых компонента:

• ODS (единый источник правды) — хранилище, где собираются, очищаются и стандартизируются актуальные данные из всех систем: 1С, WMS, CRM, трекеров и т. д. Это «золотая запись» по каждому товару, заказу или клиенту, доступная в режиме реального времени.
• ETL/ELT-процессы — автоматизированные «конвейеры», которые ежедневно наполняют ODS свежими данными.
• MLOps-платформа — среда для «жизни» моделей. Она отвечает за их развертывание, мониторинг, переобучение и версионирование.

Не путайте BI и ODS. BI-системы (аналитические витрины) — это для отчетов «что произошло?». Они содержат срезы исторических данных, оптимизированные для построения графиков. ODS — это для операций и принятия решений «что делать сейчас?». Он содержит полные, детальные и актуальные транзакционные данные. ИИ-модель, получающая информацию из BI, похожа на пилота, который ведет самолет по вчерашней карте погоды. Без ODS алгоритмы работают на устаревших или агрегированных данных, что часто приводит к ошибкам.

Представьте, что вы обучили нейросеть прогнозировать спрос. Через месяц вы сменили поставщика, запустили новую рекламную кампанию, а в стране началась инфляция. Данные «поплыли» — это называется дрейф данных. Модель, не видя новых паттернов, продолжает выдавать старые, уже нерелевантные прогнозы. Нужен MLOps, «иммунная система» для ИИ. Она автоматически отслеживает качество предсказаний, обнаруживает дрейф, запускает переобучение модели на свежих данных и безопасно обновляет ее в продакшене. Без этого цикла любая, даже самая продвинутая модель, превратится в бесполезный артефакт за пару лет.

Если вы только делаете первые шаги, предлагаем простой алгоритм внедрения ИИ без перестройки систем:

• Выберите 1 пилотную задачу (например, прогноз спроса или маршрутизация).
• Используйте cloud-решения вместо разработки с нуля.
• Начните с простых ML-моделей, а не нейросетей.
• Сфокусируйтесь на качестве данных в ODS, а не замене всех систем сразу.

Экономика и ROI: как понять, что ИИ окупился

Важно понимать: ИИ дает эффект прежде всего там, где есть большие объемы данных и повторяемые решения.

Стандартная формула для подсчета ROI ИИ-проекта выглядит так: ROI = (Экономия − Затраты) ÷ Затраты × 100%

Затраты: лицензии ПО, зарплата команды (data scientist, инженеры), интеграция, обучение.

Экономия: снижение логистических расходов (топливо, ФОТ), уменьшение дефицита и неликвидов, рост оборачиваемости, сокращение штрафов.

Ключевое правило: считайте ROI от конкретного KPI («снизили дефицит на 15%»), а не от «ИИ вообще».

Cost-to-Serve до ИИ обязателен. Без фиксации исходных показателей невозможно измерить реальный эффект от внедрения и обосновать инвестиции.

При оценке эффективности внедрения ИИ часто недооценивают такие показатели, как сокращение операционных ошибок (ложные вызовы, пересорт), высвобождение времени специалистов для аналитики и ускорение оборачиваемости капитала, хотя они тоже способствуют снижению издержек.

Почти всегда отрицательным ROI будет при использовании глубоких нейросетей там, где достаточно простых ML-моделей, внедрении ИИ поверх Excel-хаоса без подготовки данных и в проектах без измеримых KPI и ответственного владельца.

Когда ожидать реальных результатов от внедрения ИИ

По моему опыту, минимальный срок для появления реального, измеримого экономического эффекта — около 3–4 месяцев. Полный возврат инвестиций даже в идеальных условиях наступит не раньше 6–12 месяцев.

Это не теоретические расчеты, а достижимые цифры при соблюдении ключевых условий:

• Пилот проводится в изолированной зоне: не вся сеть, а один маршрут, склад или товарная категория.
• Решаете одну задачу: например, прогноз спроса или оптимизацию маршрутов.
• Исторические данные за 1–2 года уже готовы: очищены и лежат в структурированном виде (например, в DWH).
• Предопределенный и измеримый KPI: сразу договорились, как считаем эффект — например, «снижение пробега на X%».
• Готовность бизнес-процессов к изменениям: сотрудники готовы доверять, руководство поддерживает изменения, уже обкатаны процессы быстрого запуска.
• Хороший уровень интеграции с текущими системами: есть API для подключения к нужным системам (TMS/WMS).
• Сильная команда и Product Owner, которые понимают, что делать.

В каких направлениях ИИ дает самый быстрый эффект?

ИИ результативен там, где есть четкие правила, структурированные данные и повторяющиеся объемные операции.

Приведу примеры направлений, где ИИ дает быстрый и измеримый экономический эффект:

1. Оптимизация маршрутов и ресурсов (перебор и выбор оптимального плана визитов, доставок или дежурств).
2. Прогнозирование спроса и нагрузки (на основе исторических данных и сезонных паттернов).
3. Динамическое ценообразование и тарификация (для управления спросом и заполняемостью в реальном времени).
4. Предиктивное обслуживание оборудования (предсказание сбоев на основе данных датчиков и аномалий).
5. Оптимизация внутренней логистики и размещения (раскладка товаров, расстановка оборудования, планировка пространства).

Во всех этих случаях часто используются не глубокие нейросети, а более простые и прозрачные модели машинного обучения — они быстрее внедряются, требуют меньше данных и их проще интегрировать в рабочие процессы.

Кейсы, где ИИ уже доказал эффективность

Успешные кейсы объединяет не просто использование ИИ, а его глубокая интеграция в ядро бизнес-процесса. Будь то доставка, медицина или образование, ИИ показывает максимальный эффект, когда решает конкретную, измеримую задачу на качественных данных. Приведу примеры эффективного использования ИИ для разных сфер бизнеса:

• Логистика. ИИ позволяет прогнозировать спрос в крупных розничных сетях, оптимизировать маршруты служб доставки, предсказывать износ оборудования и планировать ремонт.
• Медицинская диагностика. ИИ анализирует снимки и научную литературу, помогая врачам ставить точные и быстрые диагнозы, особенно в сложных случаях онкологии.
• Генеративный дизайн продуктов. Алгоритмы создают оптимальные конструкции. От кроссовок до деталей самолетов, обеспечивая максимальную эффективность при минимальном использовании материалов.
• Алгоритмическая торговля на бирже. Системы анализируют гигантские массивы рыночных и альтернативных данных, совершая миллионы сделок для получения сверхдоходности, недоступной человеку.
• Персонализированное онлайн-обучение. Адаптивная платформа подстраивает учебный план под темп и ошибки каждого ученика, помогая достигать результатов в 2 раза быстрее стандартных курсов.

Как преодолеть сопротивление сотрудников внедрению ИИ

Многие люди боятся ИИ, так как считают, что они будут заменены, и сопротивляются внедрению новых технологий, не доверяют алгоритмам. В этой ситуации руководству стоит внедрить следующие меры:

• Не убеждайте, а переучивайте. Покажите, как ИИ усиливает сотрудника: убирает рутину, оставляет сложные решения.
• Измените KPI и систему мотивации. Привяжите премии к показателям, которые улучшает ИИ (точность прогнозов, соблюдение сроков). Сделайте команду соучастником успеха.
• «Встройте» ИИ в текущие процессы. Не ломайте рабочие инструменты, а добавьте ИИ как помощника в интерфейс привычной системы (1С, WMS).
• Обеспечьте прозрачность и объяснимость. Показывайте не только решение ИИ, но и логику: «Маршрут изменен из-за пробки на Ленина».
• Проведите пилот на ограниченном участке. Дайте команде протестировать ИИ в безопасном режиме (на одном складе/маршруте) и убедитесь в его эффективности.

Будущее ИИ (2025–2030)

В российских реалиях будут востребованы не глубокие нейросети, а прагматичные гибридные решения, которые можно внедрить за 3–6 месяцев с измеримым ROI. В текущих условиях особенно важны технологии, не требующие мощной аппаратной инфраструктуры и способные работать на ограниченных данных. Например:

• Автоматизация рутинных решений (экспертные системы).
• Визуальный контроль качества и автоматизация документооборота (компьютерное зрение и NLP).
• Точное прогнозирование спроса, остатков и нагрузки (классический ML).
• Динамическое управление ценами и тарифами (оптимизационные алгоритмы).
• Предсказание сбоев техники и оборудования (аномалии).
• Оптимизация распределения ресурсов и маршрутов (на графах).

Заключение

ИИ уже работает — это не технология будущего, а инструмент сегодняшнего дня, следствие зрелости данных, архитектуры и процессов. Успех зависит от стратегии, и важнее не скорость, а «правильность» внедрения. Компании, которые построят эту основу, получат реальное конкурентное преимущество.