Пять стратегий внедрения ИИ в бизнес: как выбрать свою и не попасть в 95%
95% пилотных ИИ-проектов в компаниях не достигают запланированной экономической эффективности. Это не значит, что деньги сгорели впустую, — чаще всего проблема в том, что компания выбрала не ту стратегию внедрения под свою задачу.
На вебинаре основатель и управляющий партнер Interstorm, эксперт по внедрению ИИ и росту эффективности производственных компаний Алексей Чуприцкий разобрал пять таких стратегий, для каждой — свои условия применения. Разберём их как инструмент выбора: под какую задачу что подходит.
1. Партнёрство с поставщиком: точечное решение узкого места
Подходит, когда есть конкретный, понятный, повторяющийся процесс — узкое место, которое давно мешает. Вместо людей и набора инструментов туда встраивается готовое решение партнёра: генеративный ИИ, алгоритмы машинного обучения или компьютерное зрение.
Плюсы: эффект виден почти сразу, минимум усилий, короткий срок внедрения. Главная сложность — без глубокой погружённости внутренних сотрудников в процесс ничего не выйдет: вендор никогда не определит за вас, что именно нужно улучшить.
Когда стоит идти сюда
Процесс повторяется часто (не раз в пять лет — к следующему циклу технология устареет), у компании есть собственная экспертиза в этом процессе, отрасль под пристальным вниманием государства (тогда автоматизация заодно закрывает требования вроде 152-ФЗ).
2. Локальная модель: полная независимость за очень большие деньги
Свой сервер, своя модель, никаких внешних зависимостей. Звучит идеально, но входной билет — от 55 до 480 миллионов рублей только на железо под топовую модель (для сравнения: самую крупную из доступных локальных моделей на офисном ноутбуке технически запустить можно, только скорость составит один токен в три месяца).
Настоящее узкое место здесь не деньги, а люди: специалистов, способных обслуживать такую модель — следить за «отравлением данных», вовремя переустанавливать после очередного обновления, — на рынке критически мало. В одном показательном случае модель дообучили на массиве твитов, и её логические способности упали на 60%; частично восстановить их удалось лишь наполовину даже с помощью второй, более сильной модели.
Когда стоит идти сюда
Закон прямо запрещает выгружать данные наружу (оборонная промышленность, банковский сектор), либо данные — это ключевое конкурентное преимущество компании, которое нельзя потерять ни при каких условиях. И только если при этом есть финансовая база и готовая команда дата-сайентистов — без неё эту стратегию можно даже не рассматривать.
3. Гибридная архитектура: разумный компромисс для большинства
Часть задач уходит во внешние модели по ZDR-политикам и Enterprise-подпискам (поставщик обрабатывает данные, но не имеет права обучать на них свои модели), а по-настоящему чувствительные данные остаются на небольших локальных моделях внутри контура компании. Не «монстр» за сотни миллионов, а маленькая модель под конкретую узкую задачу.
Важная оговорка: не все сервисы честно соблюдают нулевое обучение на данных. У пользовательского соглашения к некоторым ассистентам («хотите, почитаю вашу почту?») можно найти пункт, где сервис оставляет за собой право использовать любые полученные и сгенерированные данные — где угодно и сколько угодно. Читать такие соглашения стоит внимательно.
Есть рабочий индикатор эффективности такой стратегии — доля активных пользователей инструмента (DAU). Если им пользуется меньше 10% сотрудников, годовой проект окупается примерно за год. Если больше 60% офисных сотрудников — окупаемость сокращается до двух-трёх месяцев. Экономия складывается не из решения сверхсложных задач, а из бытового ускорения: например, подготовка к рабочей встрече с помощью ИИ занимает не 27 минут, а 2–3 — при пяти встречах в неделю это полтора часа.
Дальше сотрудники растут по трём уровням:
- AI-оператор(умеет получать ответы в чате)
- AI-инженер(проектирует агентов под каскадные задачи)
- AI-архитектор(выстраивает архитектуру из агентов по единым правилам)
Ключевое условие для перехода на этот путь — топ-менеджмент должен быть амбассадором процесса: «революции снизу не бывает».
Когда стоит идти сюда: нужен баланс результативности и безопасности, данные чувствительные, но не секретные, нет собственной мощной IT-инфраструктуры и команды дата-сайентистов.
4. Shadow AI: самая массовая стратегия, которую никто не выбирал
Каждый сотрудник сам оформляет подписку или пользуется бесплатным сервисом — несанкционированно. Это происходит практически везде, часто без ведома руководителя: по одному из исследований, сотрудники используют ИИ в разы чаще, чем предполагает их менеджмент, и признаваться в этом не спешат.
Пока это переписка в чате, риск утечки данных умеренный — но уже есть судебные прецеденты, когда сотрудник лишился выплат из-за переноса корпоративных данных во внешнюю нейросеть. Гораздо серьёзнее риск с агентами, которые получают доступ ко всему интерфейсу пользователя: по данным исследования на американском рынке, 30% компаний обнаружили у себя до 100 несанкционированных агентов, ещё 25% — больше 100. Служба безопасности часто не может отличить такого агента от обычного пользователя.
Когда стоит идти сюда сознательно (а не просто мириться с тем, что уже происходит)
Небольшой бизнес или стартап без большого объёма чувствительных данных, нужен результат здесь и сейчас без серьёзных инвестиций — например, отделу маркетинга нужны специфичные инструменты вроде генерации видео, и точечная подписка окупается уже тем, что ускоряет работу конкретной команды.
5. Гарантированный провал: ИИ ради галочки
Компания ставит чат-бота на сайт вместо консультанта, но не подгружает в него собственную базу товаров, регламенты, политику работы — «он же умный, сам разберётся». В результате на вопрос о продукции бот присылает ссылки на маркетплейсы. Формально внедрение есть, реальной пользы — ноль.
Риск здесь не только в потраченных деньгах: получив такой негативный опыт, команда дальше будет двигаться в цифровизацию с большим пессимизмом — а вернуть доверие к технологии куда сложнее, чем выбрать её с самого начала.
С чего начать, если пока непонятно
Самый частый первый шаг — это собрать всё, что уже есть по технике безопасности, продукции, регламентам и инструкциям, в единую базу знаний и подключить к ней модель, чтобы сотрудники получали ответы по существующим документам. Это уже гибридная стратегия в миниатюре.
Отдельно стоит подготовиться к трём страхам, с которыми столкнётся почти любое внедрение: «меня хотят заменить», «меня заставят работать больше за те же деньги» и «я боюсь нажать что-то не то и сломать». Игнорировать их не получится — придётся объяснять, зачем это нужно, иначе включится саботаж. Показательный случай: компания открыла сотрудникам доступ сразу к нескольким нейросетям — люди терялись в выборе и просто переставали заходить, доля активных пользователей была меньше 5%, пока список не пересмотрели.
Главное
Провал случается не потому, что ИИ не работает, а потому, что стратегию внедрения выбрали не под свою задачу или не выбрали вообще, поставив технологию ради самой технологии. Первый шаг один и тот же для всех пяти стратегий: точно понять, какой процесс нужно улучшить, и только потом решать, каким инструментом.