Искусственный интеллект сегодня — это не просто технологический тренд, а мощный инструмент, способный кардинально изменить бизнес. Однако именно поэтому он стал ловушкой для компаний, которые стремятся внедрять ИИ, не понимая, какие бизнес-задачи они решают и какого эффекта хотят достичь. Во время поисков «волшебной таблетки» многие теряют деньги, ресурсы и время, превращая амбициозные проекты в кладбище пилотов. Алексей Акулов, исполнительный директор платформы промышленного ИИ «АтомМайнд», делится советами, как избежать этой ловушки и как разработать стратегию внедрения, приносящую реальную пользу компании.
ИИ как следствие, а не цель
Главная ловушка современного бизнеса — внедрение ИИ ради самого ИИ. Распознать такую ловушку на ранней стадии можно по формулировке запроса: задача должна звучать через бизнес-проблему, а не через технологию. Если руководитель говорит «давайте внедрим ИИ для анализа данных», но не может назвать конкретные KPI, которые будут улучшены, это явный признак того, что положительного эффекта не будет. Правильная формулировка звучит так: «Станок останавливается два раза в месяц, это стоит нам миллион рублей, нужно снизить количество остановок до одного раза в квартал». В этом случае технология становится не целью, а инструментом, применяемым в контексте уже сформулированной бизнес-задачи. Только так можно понять, какой реальный эффект принесет внедрение на производстве.
Кладбище пилотов: почему 90% проектов не удаются
По моим наблюдениям, из 100 запущенных пилотов только 10-15 доходят до промышленного внедрения. Причины этого процессуально системные. Первая и ключевая: начать нужно не с выбора технологий ИИ, а с организации культуры управления данными. В пилоте команда Data Science вручную вычищает выбросы, синхронизирует временные ряды и восстанавливает пропуски, но на масштабировании на парк из 100 станков ручное выполнение этих операций невозможно, требуется автоматизация процессов формирования датасетов. Во-вторых, обучение модели — это всего лишь 10% работы; 90% заключается в её развертывании в производственном контуре, обеспечении переобучения при дрейфе данных, мониторинге качества и отслеживании деградации. В пилотах это можно решить вручную, но коммерческие внедрения без автоматизации этих процессов невозможны.
Кроме технологических причин, существуют и организационные. Первая из них — организационный вакуум: неясно, кто отвечает за модель и является её владельцем после внедрения. Это не ИТ-директор и не отдельный инженер. На стороне заказчика должен быть выделенный сотрудник с полномочиями. Вторая организационная проблема — подвижность контекста: во время пилота меняется организационный ландшафт, уходят руководители, корректируются бюджеты, и изначальная задача теряет актуальность.
Таким образом, кладбище пилотов возникает не из-за несостоятельности алгоритмов, а из-за сбоев в управлении изменениями и недостаточной корпоративной культуры работы с данными.
Тест на ловушку: задайте вопрос о будущем
Бессистемное внедрение ИИ — это не развитие, а риск. Вместо ожидаемого эффекта компания может столкнуться с ухудшением позиций и технологической отсталостью. Чтобы избежать этой ловушки, я предлагаю простой тест. Задайте в начале вопрос: что произойдет с вашей моделью через год после запуска? Где она окажется, кто будет её обслуживать, кто за неё будет отвечать? Если вы не можете четко сформулировать ответ,то вам еще рано внедрять. Вопрос о будущем модели — по сути вопрос о людях. Кто будет её сопровождать, развивать и использовать? Если команда не готова, вот тогда и технология преждевременна. ИИ — это прежде всего инвестиции в людей. Сам факт наличия модели ничего не даст, если нет людей, готовых интегрировать её в реальные процессы. Поэтому я убеждён, что сегодня необходимо инвестировать в людей не меньше, чем в программное обеспечение.
И еще один обязательный пункт — измеримая цель. Пилот не должен формулироваться как «проверим гипотезу». Его результат должен быть конкретным. Например, снизить отклонение параметра на 10% за два месяца или уменьшить ручную обработку документов с 90 до 10% за три месяца. Если гипотеза не подтвердилась, закрывайте проект без сожалений. Для заказчика это также успех, поскольку он сэкономит деньги на масштабировании заведомо неработающего решения.
Когда ждать, а когда бежать
Я бы предположил, что граница между здоровым прагматизмом и опасным промедлением проходит в точке, где потери от отсутствия внедрения начинают превышать риски от внедрения незрелой технологии. Если ваш конкурент уже получает измеримый эффект на аналогичных процессах с помощью ИИ, а вы всё ещё ждете, то, по сути, вы уже опоздали. Однако если эффект ещё не доказан в вашей отрасли, здесь прагматизм имеет смысл, и я поддерживаю осторожный подход.
Каждая конкретная технология имеет свою специфику, на мой взгляд. Классическая предиктивная аналитика сейчас на пике зрелости, с тысячами внедрений на рынке. Здесь моя рекомендация однозначна: внедрять без раздумий, так как конкуренты уже кладут эти технологии в основу своего бизнеса. С голосовыми помощниками ситуация сложнее: их зрелость средняя, процент ошибок всё ещё высок, и я бы посоветовал ограничиться аккуратными пилотами на некритичных задачах. В случае же с агентами, которые могут автономно изменять режимы оборудования, здесь зрелость пока низкая. Имеются также высокие юридические риски. Непонятно, кто будет отвечать, если ИИ примет неверное решение. В подобном случае, я бы рекомендовал ждать ещё один-два года и тестировать эти технологии только в «песочнице». С генеративным ИИ для создания рабочих документов, техзаданий и закупочных процедур — та же история: без экспертной оценки эти задачи ИИ доверять не стоит, только наблюдать и тестировать на некритичных кейсах.
Взгляд на промышленный ИИ в России
По моим оценкам, промышленный ИИ в России сейчас находится скорее в долине разочарования, если использовать кривую Гартнера, или на выходе из неё. Пик завышенных ожиданий со стороны заказчика пришелся на 2021-2022 годы. Тогда активно обсуждали обещания полной автоматизации заводов в течение двух лет. Сейчас я вижу другую картину: инвесторы и топ-менеджменты спрашивают не «когда мы внедрим свой ChatGPT», а «какой реальный эффект мы получим от проекта и в какие сроки». Это обнадеживает, так как правильный вопрос — это уже половина ответа.
Что касается пузыря завышенных ожиданий вокруг ИИ, он постепенно сдувается, и я не сторонник мнения, что он лопнет. Уровень внедрения ИИ в промышленности в России всё ещё невысок. Причина всё та же: недостаточная культура управления данными. Те, кто успешно наладил эту культуру, работают на конкретные, измеримые результаты, а не на модные тренды. Даже в крупных холдингах уже понимают, что ИИ внедрять необходимо, но не знают, как. Стратегии разрабатываются сейчас, уже на основе успешных кейсов. Я не ожидаю громкого хлопка в России. Процесс сдувания пузыря происходит постепенно. Заказчики начали разумно оценивать свои цели и бюджеты.
Порядок в данных — основа любого ИИ-проекта
Я полностью согласен, что ИИ — это не про алгоритмы, а про данные и инфраструктуру. Но когда мы говорим «навести порядок в данных», это не просто о жестком диске с архивом логов. В своей практике я выделяю три уровня, или слоя, работы с данными, без которых любое ИИ-решение нежизнеспособно. Первый — физический: это инфраструктура и датчики на производственном оборудовании. Нельзя предсказать отказ, если вибрация измеряется раз в час, а дефект проявляется в сто раз чаще. В этих случаях необходимы современные датчики и правильная частота опроса. Второй — логический: собранные данные должны быть описаны, синхронизированы между собой, им нужно присвоить метаданные, чтобы чётко понимать, что за данные перед нами, где и при каких условиях они были получены. Без единой описательной временной системы каждый анализ будет ошибочен. Третий — организационный слой: необходимы ответственные за хранение, качество данных, их сбор и регламенты.
Ещё один важный момент. При внедрении технологий я всегда начинаю с вопроса: что мы хотим оптимизировать? Если задача размыта и не поддается измерению, проект обречен на провал с самого начала. При этом понимаю, что приоритеты могут варьироваться в разных кейсах. Например, на одном новосибирском заводе, который изготавливает оборудование для металлургических компаний, архив документации всё ещё хранится в бумажных рулонах формата А0, оставшихся с советских времен. Для них первым шагом стала оцифровка и распознавание, а не частота опроса датчиков. Но суть одна: без порядка в данных, касающегося всех трёх уровней, ни одна модель не может быть жизнеспособной.
Про оценку эффективности ИИ-проектов
Многие компании упускают один ключевой фактор при оценке эффективности ИИ-проектов. Стоимость разработки, сбора данных и обучения модели составляет обычно 20-30% от общей стоимости владения. Остальные 70-80% — это эксплуатация: зарплаты MLOps-инженеров, специалистов по машинному обучению, электроэнергия, оборудование для развертывания решений, переобучение моделей, поддержка и лицензии на программное обеспечение. Эти статьи формируют затраты на эксплуатацию. Важно очень чётко представлять и учитывать эти затраты на старте проекта, когда защищается бизнес-кейс. Без учёта эксплуатационных затрат ни один проект, даже успешно запущенный, не будет работать долго.
Облако или собственное оборудование: что выгоднее?
Вопрос, что дешевле, облачный ИИ или собственная инфраструктура, на самом деле не такой простой, как кажется. Аренда облачного ресурса в перспективе трёх лет часто сравнима с владением собственным сервером для большой языковой модели. Поэтому я всегда советую следить за бюджетом заказчика. Если сейчас он может покрыть только операционные затраты, он всё равно никуда не уйдёт от облачных подписок. Но стоит учитывать, что в перспективе ему придется платить больше. На мой взгляд, оптимальным решением будет создание гибридной среды, что даст предприятиям больше автономии.
ИИ не заменяет, а создает рабочие места
Внедрение ИИ-технологий чаще всего сталкивается не с проблемами алгоритмов, а с людьми. Допустим, технология внедрена, но сотрудники не хотят её использовать. Они боятся ошибок и потери контроля. Я сталкивался с этими проблемами несколько раз. Если система внедряется ради самого факта внедрения, люди будут скептически к ней относиться. Если же мы понимаем настоящие потребности, спрашиваем, что их не устраивает, и решаем именно эти проблемы — они заинтересуются и будут готовы использовать инструмент. Важно, чтобы вендор серьёзно подошёл к этому делу. Требования должны возникать на основе реальных нужд, а сотрудники должны получать обучение и поддержку в первые месяцы.
Что касается страха перед тем, что ИИ забирает рабочие места: я придерживаюсь другого мнения. По моему убеждению, ИИ, повышая продуктивность, создает рабочие места. Например, у юристов: модель, обученная на кодексах, автоматизирует рутинные задачи, один специалист обрабатывает больше запросов, снижается цена услуг, что делает их доступнее, в результате создаётся дополнительный спрос и новые рабочие места. Есть и другой эффект: в ситуациях, когда физически не хватает рабочих. Например, в моногородах или закрытых городах. Новые специалисты там не всегда доступны, и рождаемость не покрывает потребности. В таких случаях без ИИ не обойтись — ограниченными ресурсами нужно решать больше задач. Поэтому я убеждён: ИИ — это не про замену, а про расширение возможностей.
Но если ИИ создает новые рабочие места, возникает вопрос: где находить людей с нужными навыками? Ответ — изменения на рынке труда. Современные выпускники уже владеют ИИ-инструментами лучше, чем их родители и могут привнести эту культуру в компании. Задача работодателя заключается не в принудительном использовании ИИ, а в разумном донесении выгоды. Инициатива должна идти как сверху, так и снизу: новые сотрудники уже обладают определенными навыками, а руководство должно поддерживать эти изменения в системе обучения.
Главный риск ИИ — его бездумное использование, а не кибератаки
Я бы выделил риски внедрения ИИ не только с точки зрения информационной безопасности, а в целом касательно алгоритмов, потери контроля. Но первое и самое явное, что я вижу в своей практике — это потеря компетенции у сотрудников при бездумном использовании ИИ-инструментов. Вместо анализа, они берут ответы из условного ChatGPT и без проверки формируют отчеты или проекты. Люди теряют понимание процесса и следуют рекомендациям модели, не понимая, что она анализирует только те данные, которые были подготовлены ранее. Поэтому, когда мы выстраиваем культуру применения ИИ, проверка результатов должна стать обязательной. Нужно отметить, что соответствующие инструменты не для новичков, а для специалистов с опытом.
Что касается контроля, я считаю, что человек, проверяющий результаты работы ИИ, не обязан полностью понимать модель на каждом этапе. Однако он должен крепко осознавать, что это не оракул, а интерпретатор данных, на которые он был обучен. В промышленных процессах роль экспертов не уменьшается, а наоборот, возрастает. Только высококвалифицированный специалист может подтвердить рекомендации ИИ и решить, принимать их или нет.
Что же касается информационной безопасности, выделю два новых риска, возникающих именно с ИИ. Первый: большие языковые модели могут быть обучены на конфиденциальных данных, доступ к которым ограничен. Даже при работе в локальном контуре предприятие может выдавать ответы с использованием этих данных, не зная, кто задал вопрос. Второй риск: сотрудники зачастую используют не только локальные инструменты, но и подписки на несколько моделей, такие как ChatGPT, и это может быть причиной утечек информации, особенно в критически важных производственных процессах. Кроме того, также существуют риски подмены ответов: в цифровом мире можно отследить, как и когда задается вопрос, и целенаправленно предоставлять недостоверные данные, которые могут быть не сразу выявлены и могут нанести серьезный ущерб организации.
Чек-лист для внедрения ИИ: от пилота к промышленной эксплуатации
Резюмируя вышесказанное, выделю пять ключевых шагов, которые, на мой взгляд, необходимо проверить перед запуском ИИ-проекта. Первое и наиболее важное — это цель. Задача должна быть сформулирована через бизнес-проблему, а не через технологию. Мы должны понимать, какую задачу решаем и как будем оценивать эффект в деньгах, времени и других показателях. Иначе это просто внедрение ради внедрения.
Второе — ответственность. Необходимо заранее назначить людей, ответственных за сбор и подготовку данных, разработку моделей и поддержку. Определить, где модель будет жить на этапе пилота, а где — после масштабирования. И самое главное: назначить владельца решения, потому что без ownership модель быстро станет бесхозной.
Третье — экономика. Мы должны понимать затраты на внедрение: зарплаты сотрудников, инфраструктуру, обучение моделей. Не следует забывать учитывать не только расходы на развертывание, но и долгосрочные эксплуатационные затраты. На практике эксплуатационные затраты могут превысить затраты на внедрение в несколько раз.
Четвёртое — пилотирование на некритичных задачах. Не стоит немедленно вводить решение на весь производственный контур. В промышленности я рекомендую начинать с оборудования, срок обслуживания которого составляет три-шесть месяцев. Если срок больше, придется слишком долго ждать результата. В корпоративном секторе лучше выбирать процессы для пилота, которые не влияют на финансовые показатели и не связаны с клиентами. Проверив гипотезу и подтвердив эффекты, можно переходить к коммерческому внедрению.
И пятое — если гипотеза не подтвердилась, закрывайте пилот без сожалений и радуйтесь. Это тоже успех. Вы не стали разворачивать решение на реальных производственных мощностях и не понесли значительных убытков. Отрицательный результат — это всё равно результат, и сэкономленные деньги можно считать заработанными.