До эксплуатации доходят 7–10% ИИ-пилотов. Разбираю, что мешает остальным 

За последний год рынок заметно повзрослел. Бизнесу уже мало увидеть, что MVP в принципе умеет решать задачу, его интересует другое: сколько будет стоить эксплуатация, пройдет ли решение требования безопасности, можно ли его масштабировать и какой эффект оно даст. Ответить на эти вопросы удается далеко не каждому проекту.

Эпоха пилотов, которые запускали ради знакомства с технологией, постепенно заканчивается: деньги все чаще идут на тиражирование подтвержденных сценариев по филиалам, бизнес-линиям и функциям. А значит, все больше проектов упирается в переход от пилота к промышленной эксплуатации.

Пилот отвечает только на один вопрос

На пилоте проверяют гипотезу: способна ли модель решить конкретную задачу и с каким качеством. Дальше вопросов становится намного больше. Во что обойдутся эксплуатация и масштабирование? Как решение встроится в существующую ИТ-инфраструктуру? Какие данные ему нужны? Кто будет отвечать за поддержку после запуска?

Ответы на них вскрывают ограничения, которые на пилоте не были критичны. Внезапно стоимость оказывается выше ожидаемой, в компании не хватает компетенций, процессы недостаточно формализованы, а данные фрагментированы и требуют подготовки.

Главный барьер сегодня, на мой взгляд, уже не в самой технологии. Модели развиваются быстро, прикладных сценариев становится больше. Сложность в другом: в стабильной работе решения, интеграции, управлении рисками и готовности компании перестроить процессы под ИИ.

Первыми до эксплуатации доходят сценарии с измеримым эффектом

Там, где процессы и данные в порядке, ИИ уже приносит результат. Основной потенциал эффективного применения ИИ формируют финансовый и государственный секторы, ритейл и электронная коммерция, промышленность и ТЭК. Причем задачи у компаний разные: антифрод, персонализация и прогнозирование, компьютерное зрение, предиктивная аналитика, производственные ассистенты. Отдельно отмечу внутренние функции крупных компаний. В ближайшие годы мы ожидаем, что ИИ активнее придет в закупки, HR, юридические подразделения, документооборот и ИТ-поддержку, причем первыми здесь приживутся решения, польза от которых заметна сразу, пусть и не самые сложные.

У проектов, которые доходят до эксплуатации, есть общее свойство: понятно, какой процесс улучшается и как измерить результат. Сколько времени сотрудник тратил раньше? Как изменилась скорость обработки? Что произошло с качеством? Если ответов нет, говорить о зрелом сценарии рано.

Сегодня этим свойством обладают четыре группы сценариев:

• Корпоративные ассистенты и поиск по внутренним знаниям.
• Клиентский сервис. В контакт-центрах ИИ подсказывает операторам, генерирует ответы и разбирает обращения.
• Работа с документами: извлечение данных, суммаризация, подготовка проектов документов и писем.
• Поддержка ИТ- и бизнес-процессов. В разработке это анализ логов, подготовка кода, тестов и документации.

К 2027–2028 годам ИИ в клиентском сервисе, интеллектуальная обработка документов и корпоративные помощники, скорее всего, станут нормой для крупного бизнеса. Но само по себе их наличие преимущества не даст. Я считаю, что конкуренция развернется вокруг глубины интеграции: насколько технология встроена в сквозные процессы, умеет ли выполнять действия, есть ли у компании качественные датасеты, собственные оптимизированные модели и зрелая практика LLMOps.

Данные влияют на результат сильнее, чем выбор модели

Даже зрелый сценарий упирается в данные. Заказчик может прийти за корпоративным ассистентом и уже в ходе проекта обнаружить, что документы дублируются, противоречат друг другу или давно не обновлялись, и модель этого не исправит. Напротив, она быстро проявит проблемы, с которыми компания годами мирилась.

Мы видим это в наших проектах по ассистентам знаний и гибридному поиску: если корпоративная база плохо структурирована или устарела, стабильно надежных ответов не будет, какую бы LLM ни выбрали.

Кроме качества данных, важны права доступа: сотрудник должен видеть только ту информацию, которая ему положена. Не менее важны интеграция с корпоративными системами и объяснимость: пользователю мало гладкого текста, ему нужно понимать, на каком документе основан ответ.

Экономику и стабильность решения определяет инженерия

Часто пилот не доходит до эксплуатации просто потому, что обходится слишком дорого, но стоимость во многом зависит от архитектуры. Не для каждой задачи нужна тяжелая LLM: часть сценариев закрывает малая специализированная модель, часть — обычные правила, а мощную модель стоит подключать там, где действительно требуются сложное рассуждение или генерация. Такая гибридная архитектура позволяет управлять стоимостью инференса.

Меняются и сами технологии. Среди ключевых тенденций я бы выделил три:

• Локальные LLM и частные GenAI-контуры. Их выбирают из-за требований безопасности, суверенности, комплаенса и ИБ.
• Малые и специализированные модели. Они дешевле, быстрее и проще масштабируются.
• Мультимодальные решения, которые объединяют текст, изображения, видео и речь в одном контуре. В промышленности это анализ дефектов вместе с технической документацией и голосовыми подсказками, в контакт-центре совместная обработка звонка, переписки, сканов документов и действий оператора на экране.

Но ни удачная архитектура, ни современные модели не спасут без инженерной дисциплины после запуска.

Мы отслеживаем не только качество ответов, но и бизнес-метрики, дрейф данных и поведения модели, версионируем промпты. В RAG-сценариях регулярно переоцениваем качество извлечения информации, журналируем запросы и контексты и сохраняем возможность безопасно откатить изменения. LLMOps играет здесь ту же роль, что MLOps для классического машинного обучения: без этих практик прототип не превратится в стабильный сервис. Общий тренд я бы сформулировал так: меньше шума, больше инженерии и прикладной ценности.

Чем больше автономии у ИИ, тем строже контроль

Отдельный вопрос связан с ИИ-агентами — это следующий этап развития корпоративного ИИ: помимо поиска информации и подготовки ответов агент сам выполняет цепочку шагов. Например, обращается к корпоративной системе, заполняет данные, запускает согласование или передает задачу следующему участнику процесса. Чем выше его автономность, тем важнее заранее задать границы полномочий, фиксировать каждый шаг и предусмотреть возможность в любой момент остановить агента и отменить сделанное.

Впрочем, контроль нужен не только там, где работают агенты. Главными рисками заказчики считают утечку или неконтролируемое использование чувствительных данных, а также недостоверные ответы и галлюцинации в критичных процессах. Базовые меры защиты понятны, хотя их набор уточняется под конкретный сценарий:

• Защищенная среда: изолированный контур либо шлюз к облачной инфраструктуре со встроенными легкими моделями для анонимизации данных.
• Разграничение доступа: классификация данных и строгий контроль прав.
• Прозрачность: журналирование запросов и ответов, фильтрация опасной выдачи.
• Качество ответов: регулярная оценка и проверка фактов там, где ошибка критична.

Комплаенс и ИБ в крупном бизнесе обычно не останавливают ИИ-проект как идею, но заметно усложняют реализацию. Решение, которое не проходит требования к данным, хранению, трассируемости и контролю доступа, до промышленной эксплуатации не дойдет. Отсюда растущий спрос на локальные контуры и частные инсталляции, аудит действий модели, объяснимость и формальные процедуры оценки рисков. Компании учитывают и возможное ужесточение требований к локализации используемых моделей.

Сильную команду видно по первым вопросам

Измеримый эффект, качественные данные, понятная экономика, контроль рисков: ни одно из этих условий не выполнится само. Нужна команда, способная не только разработать решение, но и интегрировать его, обеспечить безопасность и поддерживать в эксплуатации. И такую команду видно уже по первым встречам с заказчиком: она сразу уточняет, какие данные доступны, как решение встроится в текущие системы и кто будет отвечать за него после запуска, а не обсуждает выбор модели.

Понять, на что способна команда, до старта проекта проще всего на реальной задаче. По такому принципу устроен хакатон «ИИкузница», которую мы проводим в ноябре: несколько команд за 48 часов решат один и тот же кейс заказчика, а результаты оценят сами владельцы процессов. Эффектный прототип их мало интересует, им важнее понять, стоит ли развивать решение дальше, до внедрения. По сути, это сжатая версия той же проверки, которую проходит любой ИИ-проект на пути от пилота к эксплуатации: вместо месяцев у команд будет двое суток. И мне самому очень интересно, какие решения с ней справятся.

* Meta Platforms Inc. (и принадлежащие ей соц.сети Instagram, Facebook) признана экстремистской организацией, ее деятельность в России запрещена.