Внедрил AI в 30+ компаний. Вот 5 ошибок, которые совершают все

За два года я участвовал во внедрении AI-решений в 30+ компаниях — от логистики до юридических фирм. Каждый проект уникален. А ошибки — одни и те же.

Делюсь не чтобы поумничать, а чтобы вы не наступали на грабли, на которые уже наступили мои клиенты. Некоторые из этих граблей стоили миллионы.

Типичная история. Руководитель приходит и говорит: «Хочу AI-агента, который заменит отдел продаж». Звучит амбициозно. На деле — это самый сложный процесс в компании. Десятки сценариев, неформализованные знания, эмоции клиентов.

Через три месяца и пару миллионов рублей — разочарование. «AI не работает».

Как правильно. Начинайте с рутины. Обработка типовых заявок. Классификация входящих писем. Генерация отчётов. Там, где правила понятны, данные структурированы, а ошибка не стоит клиента.

Один логистический оператор начал с автоматизации распределения заявок по складам. Простая задача. Результат — минус 3 часа ручной работы в день. После этого команда поверила в AI и перешла к более сложным задачам.

«У нас всё есть в CRM» — это фраза, после которой я внутренне вздыхаю.

Открываешь CRM — дубликаты, пустые поля, комментарии вроде «перезвонить Сергею» без фамилии и контекста. AI на таких данных выдаёт мусор. Garbage in — garbage out, как говорят в индустрии.

Как правильно. Потратьте 2-4 недели на подготовку данных до старта AI-проекта. Очистка, дедупликация, заполнение пропусков. Это не sexy, но без этого ничего не полетит.

Юридическая фирма хотела AI для анализа договоров. Мы начали и обнаружили: 40% договоров — сканы в PDF без OCR. AI их просто не мог прочитать. Две недели ушло на оцифровку. Зато потом агент заработал с точностью 94%.

«Нам нужен ChatGPT!» — «Для чего?» — «Ну... для всего».

Это как прийти в автосалон и сказать: «Мне нужен болид Формулы-1» — а потом выяснить, что задача — возить картошку с дачи.

Бизнес сначала покупает GPT-4 API, потом ищет применение. Или наоборот — строит RAG-систему там, где хватило бы простого чат-бота с базой знаний.

Как правильно. Сначала опишите процесс словами. Что на входе, что на выходе, кто принимает решение, где узкие места. Потом подбирайте инструмент. Иногда это не AI, а обычная автоматизация через API.

Компания из e-commerce хотела «умного ассистента на AI». Разобрали процесс — оказалось, 80% вопросов клиентов решаются простым FAQ с поиском по ключевым словам. AI понадобился только для оставшихся 20%. Сэкономили 70% бюджета.

AI-проект без внутреннего драйвера — мёртвый проект.

Мы можем всё настроить, обучить, запустить. Но если внутри компании нет человека, который использует систему каждый день, собирает обратную связь и пинает коллег — через месяц все вернутся к Excel.

Как правильно. Назначьте «AI-чемпиона» — сотрудника, который станет амбассадором проекта. Не обязательно технаря. Главное — чтобы он верил в результат и имел авторитет в команде.

В одной производственной компании таким чемпионом стала руководитель отдела закупок. Она первой начала использовать AI для анализа цен поставщиков, показала результат коллегам, и за два месяца система стала стандартом для всей компании.

Самая коварная ошибка. Люди думают: подключили AI — и он сразу работает идеально. Как в рекламе.

Реальность: первая версия работает на 60-70%. Нужно дообучать, корректировать промпты, добавлять edge-кейсы. Это нормальный процесс, но многие сдаются именно на этом этапе.

Как правильно. Планируйте минимум 2-3 итерации после запуска. Закладывайте бюджет и время не только на разработку, но и на «допиливание». Первая версия — это MVP, не финал.

Один клиент запустил AI-классификатор обращений. В первую неделю — точность 68%. Хотел отключить. Мы попросили две недели на доработку. Добавили 200 размеченных примеров, поправили промпты. Точность выросла до 91%. Теперь система экономит команде 15 часов в неделю.

Все пять ошибок объединяет одно — компании относятся к AI как к проекту. Запустили, поставили галочку, забыли.

AI — это процесс. Он требует внимания, данных и итераций. Но если подойти правильно, результаты окупают вложения в разы. Средний ROI проектов, которые прошли через все итерации — 200-400% в первый год.

Какие ошибки при внедрении AI видели вы? Или, может, совершали сами? Интересно сравнить опыт.

Сергей Цветков. 15 лет в IT, 30+ AI-проектов.