"Никакого эффекта от ИИ нет почти ни у кого, только 5% успешны!" - Константин Воронцов, ProBack
Константин Воронцов, Head of AI, ProBack. "Искусственный интеллект и большие данные: от экспериментов к эффекту", конференция TAdviser.
Иллюзия эффективности и реальность ИИ-рынка Сегодня индустрия находится в состоянии парадокса: миллиарды долларов инвестируются в инфраструктуру искусственного интеллекта, но подавляющее большинство компаний не видят реального экономического эффекта. Статистика неумолима — около 90% пилотных проектов никогда не окажут влияния на финансовый результат бизнеса. Многие воспринимают это как очередной «пузырь» в духе эпохи доткомов, однако лидеры рынка, такие как Сбер или JP Morgan, доказывают обратное. Их успех основан не на идеальном планировании одного масштабного проекта, а на способности запускать сотни мелких инициатив одновременно. Эффект здесь становится функцией от количества и скорости попыток. Именно такой прагматичный подход к консалтингу и разработке продвигает компания ProBack, помогая корпорациям переходить от «бумажного» внедрения ИИ к реальным бизнес-результатам.
Барьеры на пути к прибыли: паралич ROI и ловушки планирования Одной из главных причин провала проектов становится так называемый «паралич ROI». Возникает замкнутый круг: команды боятся обещать конкретные цифры, так как не знают свойств будущего продукта, а руководство отказывается выделять бюджет без гарантий прибыли. В этой ситуации часто совершается критическая ошибка — расчет эффекта строится исключительно на сокращении штата сотрудников. Когда же реальные увольнения не происходят или не становятся целью, проект объявляется неудачным.
Еще одна распространенная проблема — чрезмерная фокусировка на выборе «той самой» модели. Компании тратят месяцы на тестирование различных LLM, забывая, что для большинства прикладных корпоративных задач выбор конкретной модели имеет второстепенное значение. Настоящая ценность кроется в том, как модель интегрирована в бизнес-процесс и какие данные она обрабатывает.
Проблема ресурсов: внутренние команды против «коробок» Когда компания наконец создает внутреннюю команду по ИИ и закупает оборудование, наступает этап хаоса. В отдел одновременно приходят запросы от всех подразделений бизнеса. Небольшая команда пытается реализовать всё и сразу, в итоге не доводя до конца ни один проект. Сроки разработки растягиваются на годы, а бизнес теряет интерес.
Альтернативный путь — покупка «коробочного» решения у вендора — оказывается еще более рискованным. В сфере искусственного интеллекта полноценных коробок просто не существует. Любая система требует глубокой адаптации под специфику процессов, внутреннюю документацию и культуру конкретной компании. Попытка внедрить стандартный продукт без учета нюансов приводит к созданию бесполезного инструмента, который не решает реальных болей сотрудников.
Стратегия быстрого прототипирования: данные вместо предположений Чтобы преодолеть барьеры, необходимо сменить парадигму: заменить тщательные расчеты быстрыми и дешевыми экспериментами. Опыт ProBack показывает, что путь к полноценному продакшену может занять полгода, но первый работающий прототип должен быть в руках пользователей уже через месяц. Даже если решение еще не интегрировано со всеми банковскими или корпоративными системами, оно должно начать собирать обратную связь.
Примером может служить создание ассистента для службы закупок. Вместо того чтобы ждать месяцами разработки сложного API для доступа к данным, можно использовать временные ручные методы загрузки информации. Это позволяет сразу видеть, как инструмент влияет на скорость работы, и принимать решения о развитии продукта на основе реальных данных, а не теоретических гипотез. В этом случае ROI превращается из «обещания» в «линейку», по которой компания просто сравнивает разные инициативы и выбирает приоритетные.
Прагматичный подход к технологиям: Open Source и модульность Современный рынок предлагает мощные инструменты с открытым кодом, которые в реальных корпоративных задачах практически не уступают проприетарным коммерческим моделям. Разрыв в качестве в сложных тестах составляет всего несколько месяцев, но для прагматичного бизнеса это несущественно.
Более того, вместо попыток создать одного «супер-агента», который бы сопровождал сотрудника через все этапы сложного процесса (например, закупку через семь разных систем), гораздо эффективнее создавать сеть из нескольких маленьких специализированных агентов на легких моделях семейства Qwen. Такой модульный подход позволяет автоматизировать самые трудозатратные участки процесса максимально быстро. Полная автоматизация может и не случиться сразу, но бизнес начинает получать пользу в самых критических точках уже сейчас.
Инфраструктурный реализм: борьба с «теневым ИИ» Многие компании тормозят внедрение из-за сложности закупки GPU или опасений за безопасность данных. Однако реальность такова, что сотрудники уже используют публичные нейросети, отправляя туда конфиденциальные данные компании в режиме «анархии». Любая контролируемая система — будь то собственные серверы, облачные решения с ограниченными пилотами или специальные анонимизаторы данных — будет бесконечно лучше, чем ситуация, когда сотрудники общаются с частным GPT, используя внутренние документы. Инфраструктура для старта уже существует в виде доступных облаков и инструментов очистки данных; главное — начать управлять этим процессом.
Корпоративная платформа как инструмент масштабирования На начальном этапе платформа не обязательна, но при масштабировании она становится критически важной. Важно понимать: корпоративная платформа для ИИ — это не «конструктор с квадратиками и стрелочками» для рядовых сотрудников, который редко работает на практике. Это инструмент обеспечения безопасности, прозрачности и, самое главное, переиспользования компонентов.
Когда в компании создается множество агентов, без платформы команда начинает «изобретать велосипед» для каждого нового проекта. Бывают случаи, когда три разных решения по транскрибации встреч разрабатываются параллельно на трех разных технологиях. Платформа позволяет использовать наработки одного агента для создания другого, что радикально удешевляет каждое следующее внедрение и ускоряет получение экономического эффекта.
Путь к 5% успешных проектов Итог прост: большая часть ИИ-пилотов обречена на провал, если следовать классическим методам управления проектами. Чтобы попасть в те 5% инициатив, которые действительно принесут прибыль и изменят P&L, нужно перестать бояться ошибок и начать экспериментировать прямо в продакшене. Скорость проверки гипотезы важнее идеальности архитектуры. Только через серию быстрых, дешевых и реальных попыток компания может найти те точки роста, которые превратят искусственный интеллект из дорогой игрушки в мощный рычаг экономического развития.
Центральная идея заключается в преодолении разрыва между инвестициями в технологии искусственного интеллекта и их реальным влиянием на финансовые показатели компании (P&L). Основной тезис состоит в том, что традиционный подход к ИТ-проектам с детальным предварительным расчетом ROI и поиском «идеального» решения в сфере ИИ не работает. Вместо этого предлагается стратегия «быстрых и дешевых экспериментов», где ценность определяется не теоретическими расчетами, а реальными данными из продакшена. Особое внимание уделяется отказу от поиска «коробочных» решений в пользу модульной архитектуры на базе Open Source моделей и создания корпоративных платформ для переиспользования компонентов, что позволяет кратно снизить стоимость каждого последующего внедрения.
