Часть I

Часть I. 95% ИИ-проектов не окупаются. В чем причина?

Встречаюсь с руководителем крупной компании. На экране - красивые слайды про внедрение ИИ, цифры инвестиций с восемью нулями, гордые отчеты о "успешных пилотах".

А за кадром - знакомая история. Сотрудники втихую используют DeepSeak для рабочих задач, обходя корпоративные "ИИ решения", которые работают как калькулятор.

Проблема не в технологии. LLM работают отлично - когда у них есть контекст, память и возможность учиться.

Проблема в том, что корпорации пытаются натянуть новую технологию на старые процессы, как натягивают смартфон-приложение на бизнес-логику из 90-х.

Парадокс 2025 года. ChatGPT стал незаменимым личным ассистентом, а корпоративные ИИ-внедрения проваливаются с оглушительным треском.

По данным Gartner, 80% компаний уже «что-то пробовали», но лишь 5% получили измеримую прибыль. Почему?

Вот тест: если ваш ИИ не может ответить на вопрос «Как Анна из отдела закупок обычно согласовывает контракты?», значит, вы не используете RAG (Retrieval-Augmented Generation) - технологию, которая «подключает» LLM модель к корпоративной базе знаний.

RAG - это как персональный библиотекарь для ИИ, который знает, где лежит каждый документ в вашей компании. Но чтобы он работал, нужно сначала навести порядок в библиотеке. А этого-то как раз никто делать не хочет.

Современные языковые модели умеют генерировать связанные тексты, вести диалог и даже рассуждать. Однако их знания ограничены датасетом, на котором их обучали, и актуальны только на момент завершения обучения.

Из‑за этого модели не всегда могут ответить на специфичные бизнес‑вопросы - например, о текущем ассортименте товаров или деталях внутренних процессов компании.

Поэтому большинство компаний напоминают пациентов с амнезией:

- Они тратят миллионы на нейросети, но не могут объяснить ИИ, куда подшивается акт выполненных работ.

- Они закупают «умные чат-боты», но бот не знает, что клиент Х любит, когда ему перезванивают в 15:00.

Cамый дорогой актив любой компании - это не оборудование, не патенты, а накопленное знание.

Но где это знание живет? В головах сотрудников, в чатах мессенджеров , в таск-трекерах или в корпоративных Wiki, которые никто не обновляет?

Главная проблема корпоративного ИИ - это не отсутствие данных, а отсутствие культуры их структурирования.

Наблюдаю интересную тенденцию. Маленькие стартапы обходят гигантов не технологиями, а подходом. Они берут одну крошечную, но болезненную задачу-обработку тикетов в техподдержке, генерацию типовых контрактов, анализ звонков -и решают ее идеально.

Секрет прост. Они строят системы с памятью. Их ИИ учится от каждого взаимодействия, накапливает контекст, адаптируется под специфику бизнеса.

Пока корпорации пытаются внедрить "универсальное решение для всего", стартапы создают узко специализированные инструменты, которые реально работают. Они не просто «внедряют ИИ» - они строят цифровые рефлексы.

Самый главный инсайт, который я получил за последнее время. ИИ не технологическая, а культурная проблема.

Компании, которые не умеют создавать и накапливать коллективные знания, не смогут эффективно использовать ИИ. Точка.

Это как пытаться построить небоскреб на болоте. Технологии есть, деньги есть, а фундамента нет.

Особо актуально, что 95% корпоративных тренингов по AI терпят крах по одной причине. Они учат «как пользоваться ИИ», а не «как заставить ИИ учиться у вас».

Пример провала:

— Сотрудник прошел курс по Prompt Engineering.

— Вернулся в компанию, где нет RAG, векторных БД и оцифрованных бизнес-процессов .

— Результат: «нейросеть генерирует красивый корпоративный бред».

Но что работает в обучении?

1. Не «как написать запрос», а «как создать корпоративную память».

2. Не «обзор моделей», а «как внедрить ИИ в ваши бизнес процессы».