На конференции «Искусственный интеллект+ 2025» в Пекине витал привычный сегодня пафос AGI. Яо Цижи, лауреат премии Тьюринга и академик АН Китая, говорил об общем интеллекте как о новой научной и геоэкономической высоте. Но за пределами пленарного зала отрасль всё острее чувствует куда более приземлённый вопрос: почему реальные проекты ИИ в компаниях часто «не дотягивают» до ощутимого эффекта?
Парадокс 2025 года: повсюду ИИ — и очень мало глубокой интеграции
Сухие цифры кажутся обнадёживающими:
- 43% подразделений уже используют ИИ в масштабируемом режиме;
- 27% всё ещё на стадии пилотов;
- 28% — в фазе «широкой апробации»;
- лишь ~2% компаний не могут сказать, используют ли ИИ вообще.
Но распределение по функциям неравномерно. Больше всего ИИ применяется:
- в маркетинге,
- поддержке клиентов,
- разработке,
- аналитике и операциях.
А вот в управлении, финконтуре, производственном «сердце» бизнеса внедрения куда осторожнее. Многие крупные и особенно традиционные компании действуют по принципу:
«Мы следим, тестируем, но не “all‑in”. Сначала пусть пули полетят, а потом посмотрим, что останется»,
как формулирует CDO агрохолдинга New Hope Ли Сючан.
Первая стена: столкновение ожиданий с вероятностной природой ИИ
Ключевая трещина проходит по линии точности.
В мире, где десятилетиями жили с BI‑системами и SQL‑отчётами, заказчики привыкли к:
- «нулевой погрешности» в цифрах,
- однозначности ответов.
ИИ‑модели по определению вероятностны — и, как люди, ошибаются. Для таких компаний, как FineReport (帆软), которые до этого поставляли строго детерминированную аналитику, это болезненный сдвиг. Сооснователь Чжан Чи резюмирует:
«Заказчик в глубине души считает, что ИИ не имеет права на ошибку. Но ни один вендор сегодня не может честно гарантировать 100% точности».
Отсюда первая связка проблем:
- топ‑менеджмент ожидает «магический чёрный ящик, который никогда не врёт»;
- технические и бизнес‑команды видят ограничения моделей и боятся запускать их в критичных процессах.
К этому добавляется и модно‑политический фактор: часть руководителей «влюблены» в повестку AI и продавливают витринные инициативы без ясного понимания задач. В результате:
- вендоры не всегда понимают, что именно им хотят купить;
- клиенты не понимают, что им реально нужно.
Как шутит Ли Сючан: «производители агентов не знают, что продавать, компании не знают, что покупать».
Три жёстких барьера: данные, организация, техподбор
Если вопрос восприятия — мягкая, но важная проблема, то следующие три — настоящие «твёрдые кости».
- Данные: без цифрового фундамента ИИ — «вода без источника»
New Hope потратила четыре года ещё на стадии обычной цифровизации, чтобы:
- инвентаризовать данные,
- снять барьеры между системами,
- добиться разумной чистоты и целостности.
Без этого, подчёркивает Ли Сючан, любой ИИ остаётся красивым прототипом. При этом:
- компании не горят желанием делиться «жирными» наборами данных — это их конкурентное преимущество;
- даже внутри отраслей создать добровольную «датасет‑экосистему» почти невозможно.
Отсюда вывод: без участия государства и общих правил по обезличиванию и обмену отраслевые стеки данных так и останутся фрагментированными.
- Организационная координация
Любая новая технологическая волна — ERP, цифровизация, теперь ИИ — неизбежно приводит к:
- перекройке процессов,
- переделу полномочий и влияния,
- конфликтам между подразделениями.
В New Hope, по словам Ли, львиная доля усилий уходит не в модели, а в:
- стыковку цепочек от закупки до логистики;
- согласование изменений между филиалами и дочками;
- управление сопротивлением.
Часто именно этот слой становится причиной того, что пилотный ИИ‑сценарий «умирает» при масштабировании.
- Техническая «последняя миля»
Попытка «натянуть» один и тот же LLM на все кейсы оборачивается провалами:
- в генерации маркетинговых материалов модель может быть сверхэффективной;
- но в педантичной юридической или регуляторной документации — допускать недопустимые «галлюцинации».
Отсюда простое правило: там, где ИИ силён, он даёт десятки и сотни раз выигрыш в скорости; там, где слаб — его лучше держать в жёстко контролируемой роли помощника, а не автономного исполнителя.
Компании вроде 中数睿智 (Digital Wisdom) сознательно уходят от «лёгких побед» в сторону сложных, капиталоёмких сфер — промышленность, энергетика, оборона, где:
- к LLM добавляют эволюционные алгоритмы,
- строят многоагентные системы,
- и оценивают успех не по «инновационной витрине», а по снижению рисков и потерь.
От «поставить инструмент» к «доказать ценность»
Как формулирует глава Zhipu AI Лю Дэбин:
«Следующее десятилетие ИИ — это не чей модель больше, а кто смог вживить технологию в отрасль».
Сейчас немало проектов застревают на уровне «мы внедрили новую систему», но не могут показать:
- сколько денег сэкономили,
- какие риски сняли,
- как изменилась производительность.
В этом смысле показателен подход Digital Wisdom:
- они не делают свои базовые модели;
- собирают стек из инфраструктуры, платформенных возможностей и прикладного уровня;
- и продают конкретный результат:
– в химзаводах — оптимизация каталитических процессов, прогноз отказов, настройка режимов;
– в энергетике — агенты для реагирования на экстремальные погодные события и управления сетью.
По словам CEO Хан Хан, в таких проектах заказчик видит:
- рост эффективности ≥ 30%;
- падение рисков на 40–50%.
New Hope идёт похожим путём, но в своём профиле:
- за год протестировали свыше 100 AI‑сценариев;
- теперь концентрируются на трёх линиях:
– AI + управление,
– AI + операции,
– AI + бизнес‑инновации.
Один из ключевых кейсов — «AI + цепочка зерно/корма»:
- от селекции до точного кормления и профилактики заболеваний,
- цель — экономить хотя бы 1% кормов в год,
- а это уже существенная сумма для агрохолдинга.
Здесь ИИ не «украшение», а математически выражаемый рычаг.
Как «добрать воздуха»: три контура работы
Из практики FineReport, New Hope, Digital Wisdom вырисовывается три слоя, на которых компаниям нужно работать одновременно.
- Контур мышления: признать вероятностную природу ИИ и учиться на малых победах
- начинать с пилотов в узких, рутинных, но болезненных процессах (документооборот, отчётность, поддержка);
- использовать внутренние «игровые» механики, чтобы сотрудники сами формулировали запросы (как «обмениваем заявки на лимит в кафе» у FineReport);
- постепенно смещать ожидания от «чудо‑машины без ошибок» к более взрослому пониманию:
– ИИ даёт ускорение и подсказки,
– финальное решение — за человеком, особенно в критичных зонах.
- Контур технологий: не гнаться за своим LLM, а точить интеграцию и «понимание контекста»
- многие компании не обязаны строить собственные отраслевые модели;
- гораздо важнее:
– грамотный выбор внешних моделей,
– настройка «контекстного слоя», который учит их языку конкретной компании и её инструментов,
– построение устойчивых пайплайнов с проверкой и откатами;
FineReport честно говорит:
«Мы не делаем отраслевой LLM. Мы берём лучшие из доступных и с помощью контекстного инжиниринга делаем так, чтобы они понимали бизнес и наши продукты».
- Контур экосистемы: без кооперации “в одиночку” далеко не уедешь
- государству — создавать рамки для обезличенного обмена данными и отраслевых «песочниц»;
- вендорам — строить партнёрства с корпорациями и научными центрами, как это делает Digital Wisdom с госкорпорациями и институтами;
- компаниям‑заказчикам — участвовать в совместной выработке стандартов и референс‑кейсов, а не ждать «идеальный продукт с полки».
Чего реально не хватает: терпения и фокуса
Фраза из заголовка статьи — «не хватает одной “затяжки воздуха”» — на деле раскладывается на две вещи:
- терпение — признать, что внедрение ИИ похоже не на установку SaaS‑сервиса, а на перестройку операционной системы компании;
- фокус — отказаться от показушных «AGI‑витрин» и доводить до конца несколько действительно ценных сценариев.
Или, как формулирует Ли Сючан:
«Не стоит переоценивать ИИ сегодня, но и недооценивать его завтра тоже нельзя».
Настоящая революция ИИ происходит не на конференциях и не в демо‑роликах, а:
- в цехах заводов,
- на фермах,
- в логистических центрах,
- в центрах управления сетями.
Там, где компании не боятся пройти через затянувшийся пилот, конфликт интересов и точечные провалы — ради того, чтобы через несколько итераций у них появилась не «ещё одна система», а реальный, измеримый источник нового эффекта.
Хотите создать уникальный и успешный продукт? СМС – ваш надежный партнер в мире инноваций! Закажи разработки ИИ-решений, LLM-чат-ботов, моделей генерации изображений и автоматизации бизнес-процессов у профессионалов.
ИИ сегодня — ваше конкурентное преимущество завтра!
Тел. +7 (985) 982-70-55
E-mail sms_systems@inbox.ru
Сайт https://www.smssystems.ru/razrabotka-ai/