Искусственный интеллект: почему пилоты не масштабируются и что делать
В компании появляется бодрый пилот «поставим искусственный интеллект на заявки, и отдел вздохнёт». Через месяц на демо всё красиво. Через три месяца начинается тихий шорох заявки в реальности другие, сотрудники обходят новую форму, а финдиректор спрашивает, почему счета за инфраструктуру растут быстрее продаж.
И это не редкая история. На рынке половина проектов по генеративным решениям умирает ещё после доказательства концепции данные слабые, риски не прикрыты, стоимость распухла, ценность туманная. В России картина ещё грустнее около 90% ИИ-пилотов так и не доходят до масштабирования, их переделывают или закрывают. Денег жаль, времени жаль, и самое неприятное команда начинает верить, что «у нас это не работает вобще».
Почему пилотный проект получается «на витрине», а не в цеху
Пилотный проект часто делают как выставочный стенд. Берут один канал, одну витрину данных, одного лояльного руководителя и самых терпеливых пользователей. Получается аккуратная лаборатория, где всё можно объяснить и подкрутить вручную.
Потом пилотное внедрение проекта пытаются размножить на 20 подразделений, 5 регионов и два вида клиентов. И выясняется, что модель жила на ручных костылях кто-то подчищал справочники, кто-то «поправлял» ответы, кто-то закрывал глаза на исключения. В масштабе эти костыли превращаются в отдельный департамент.
Ловушка «выглядит умно, но непонятно зачем»
В демо легко показать вау-эффект искусственный интеллект текст красиво суммирует обращение, предлагает ответ и даже пишет письмо «вежливо, но строго». Проблема в том, что бизнесу нужен не вау, а деньги, скорость, меньше ошибок. Если до старта не договориться, какая метрика должна двинуться и на сколько, пилот становится кружком по интересам.
Самая дорогая версия этой ошибки когда пилот «улучшает качество», но никто не может посчитать, во сколько это качество конвертируется. Тогда реализация пилотного проекта превращается в бесконечное «ещё недельку потестим».
Данные не романтика, а коммуналка
Технологии искусственного интеллекта упираются не в магию, а в данные. Причём не в «у нас есть база», а в то, что в базе реально лежит. Дубликаты, разные справочники, пропуски, неактуальные статусы, бардак в причинах возврата, свободный текст вместо кодов.
Пилот обычно кормят лучшим кусочком выгрузкой из одного источника, да ещё и заранее вылизанной. А при масштабировании подключаются остальные системы 1С, CRM, склад, телефония, почта. И оказывается, что входной сигнал шумит так, что модель честно выдаёт ерунду, но ровно по данным, которые ей дали.
«Сделаем бесплатно», а потом удивимся счёту
В начале всем хочется искусственный интеллект бесплатно пробная версия сервиса, несколько ноутбуков, энтузиаст в роли аналитика и «пока без интеграций». Это нормальный старт, но опасный самообман, если не посчитать дальнейшую жизнь решения.
Дальше появляются расходы на хранение, доступы, мониторинг, безопасность, поддержку пользователей, доработки интеграций и регулярные обновления. И если экономика не сложена заранее, проект режут не потому, что он плохой, а потому что он неожиданный.
Почему сотрудники «не приняли» и это не про лень
Сопротивление выглядит как саботаж, но обычно это защита от хаоса. Люди отвечают за KPI и репутацию. Если система ошиблась, а виноват сотрудник, он найдёт способ работать по-старому. Особенно когда решение живёт отдельной вкладкой и просит копировать данные вручную.
Интеграция в бизнес-процессы решает больше, чем точность модели. Когда подсказка появляется прямо в рабочем окне, а результат можно принять или отклонить с понятным комментарием, люди начинают доверять. Когда нужно «зайти в отдельный сервис», доверие умирает на логине.
Риски то, что пилот любит прятать под ковёр
Пилот удобен тем, что риски можно не называть вслух. Но при масштабе они выходят в свет утечки данных, некорректные рекомендации, токсичные ответы клиенту, перекосы в решениях, конфликт с регламентами. Системы искусственного интеллекта должны быть управляемыми, иначе это не инструмент, а лотерея.
Зрелое управление рисками выглядит скучно. Нужны правила доступа, журналирование, аудит, контроль качества, сценарии отказа, ручной «стоп-кран». И ещё важная вещь кто в бизнесе владелец результата, а кто просто поставщик технологии. Без этого пилот масштабируется ровно до первого инцидента.
Как превратить пилот в масштабируемый продукт внутри компании
Суть пилотного проекта не в том, чтобы доказать, что «можно». Можно почти всё. Суть в том, чтобы быстро понять, можно ли это поставить на поток без героизма и ежедневных ручных правок.
Метрика до кода
Сначала фиксируется бизнес-ценность и цифры. Не «повысить эффективность», а «сократить время обработки заявки на 20%» или «снизить долю ошибок в документах до X». Тогда спор становится коротким либо метрика сдвинулась, либо нет.
И тут же решается вопрос что считается успехом в масштабе, а не в песочнице. Один отдел может радоваться, что стало на 5 минут быстрее. Компания радуется, когда это превращается в деньги и высвобожденные часы по всей сети.
Данные приводят в порядок раньше, чем покупают «умную коробку»
Нужен минимальный, но реальный слой порядка единые справочники, владельцы полей, регулярная проверка качества. Не идеально, а достаточно, чтобы модель не училась на мусоре. И чтобы завтра вы могли подключить второй филиал без недели ручной чистки.
Если данных нет или они сырые, честнее начать не с генеративных фокусов, а с наведения дисциплины в источниках и процесса сбора. Иначе пилотные проекты области ИИ превращаются в дорогой способ узнать, что в CRM творится ужас.
Интеграции и поддержка закладывают сразу
Масштабирование ломается об мелочи права доступа, скорость API, ограничения 1С, очереди сообщений, падения внешних сервисов. Поэтому архитектура должна учитывать реальную нагрузку, а не «100 запросов в день на пилоте».
Ещё один момент кто поддерживает решение. Если нет выделенного IT-штата, это не приговор, но нужно заранее выбрать подрядчик на сопровождение, внутренний инженер, сервисная модель. Иначе пилот живёт до первого отпуска ключевого человека.
Кейс из банка пилот взлетел, масштабирование нет
В одном крупном российском банке запускали автоматизацию обработки заявок с помощью ИИ. На пилоте всё выглядело отлично время сократилось, операторы довольны. Но когда пошли в масштаб, не оказалось чёткой системы управления разные подразделения по-разному вели поля, по-разному трактовали статусы, а ответственность за качество результата была размазана.
Эффективность начала падать, ручной контроль съедал экономию, команда устала «чинить каждый день». В итоге проект свернули. Не потому что искусственный интеллект не работает, а потому что его поставили на рыхлый фундамент.
Про «песни искусственного интеллекта», фото и прочие отвлекающие радости
Внутри компании часто начинают с того, что проще показать искусственный интеллект фото для каталога, песни искусственного интеллекта для ролика в соцсетях, «умные» тексты для рассылок. Это может дать быстрый маркетинговый эффект и поднять настроение.
Но для операционной экономики важнее скучные задачи прогноз спроса, контроль брака, классификация обращений, проверка документов, планирование маршрутов. Там меньше аплодисментов, зато больше денег. А темы вроде «искусственный интеллект фильм» оставьте отделу бренда, если у них есть лишний бюджет и крепкие нервы.
И да, любые запросы, связанные с незаконным контентом, включая «искусственный интеллект порно», для бизнеса несут не выгоду, а риски. Оно вам надо.
#искусственныйинтеллект #пилотныйпроект #цифроваятрансформация #управлениеданными #бизнеспроцессы