MIT говорит одно, практика другое: какая модель зрелости ИИ реально помогает бизнесу
Неделю назад был на Global Tech Forum. Там мне попался слайд с очень простой логикой зрелости ИИ - people-driven, process-driven, data-driven, model-driven.
И вот что меня зацепило. До этого я чаще опирался на модель MIT CISR с ее стадиями Experiment and Prepare, Build Pilots and Capabilities, Develop AI Ways of Working, Become AI Future Ready. Она выглядит солиднее. Более академично. Более полно.
Но в зале стало видно другое. Простая схема со слайда объясняла суть быстрее и чище. Она сразу отвечала на вопрос, который волнует почти любого руководителя - где мы сейчас, почему ИИ у нас буксует и что делать следующим шагом
И здесь есть важный нюанс. Простая модель не обязательно лучше как исследовательская рамка. Но она может быть лучше как инструмент для управленческого разговора. А это в реальном бизнесе часто важнее.
Оглавление
1 Почему простая модель иногда сильнее сложной
У модели MIT CISR есть сильная сторона. Она глубже описывает зрелость компании, ее capability (способность системно работать с ИИ), способы управления и переход к “AI future ready” состоянию. Такая рамка полезна, когда вы строите стратегию на несколько лет и хотите смотреть на трансформацию широко.
Но у этой силы есть цена. Ее сложнее быстро перевести в язык решений. Она хуже отвечает на прикладной вопрос руководителя - что у нас не так прямо сейчас.
Схема People → Process → Data → Model выигрывает именно здесь. Она говорит на языке бизнеса, а не на языке исследований. Она не спорит о тонких различиях между стадиями. Она показывает, на чем держатся решения в компании - на людях, на процессах, на данных или уже на моделях.
Поэтому мой ответ такой. Нет, вам не кажется. Эта классификация действительно понятнее. Но она понятнее не потому, что “умнее”, а потому, что проще переводится в действие.
2 Что на самом деле означают эти четыре уровня
People-driven
Это стадия, на которой бизнес во многом держится на конкретных людях. Есть сильный руководитель категории. Есть опытный планировщик. Есть эксперт, который “чувствует рынок” и знает, что делать.
Такой бизнес может работать неплохо. Но он плохо масштабируется. Знания живут в головах. Передача экспертизы медленная. Результат сильно зависит от состава команды.
Роль ИИ здесь обычно базовая. Личный ассистент. Помощь с рутиной. Поиск по документам. Подготовка черновиков. Простые сценарии автоматизации.
Process-driven
На этом уровне компания уже пытается вынести знания из голов в процесс. Появляются регламенты. Появляется повторяемость. Нового человека можно ввести в задачу не за месяцы, а быстрее.
Именно здесь обычно возникают первые нормальные ИИ-сценарии. Не как магия, а как точечная автоматизация или PoC (проверка концепции). Это может быть поддержка клиентов, работа с документами, разбор обращений, простые рекомендации внутри процесса.
Data-driven
На этой стадии компания уже управляет не только через опыт и процесс, но и через цифры. Данные собраны лучше. Метрики согласованы. Руководители спорят не только мнениями, но и фактами.
Вот тут ИИ начинает работать всерьез. Потому что модель опирается не на хаотичный ручной ввод, а на более стабильный контур данных и принятия решений.
Например, в FMCG-кейсе с прогнозом спроса удалось поднять точность прогноза до 85 процентов, сократить списания во Fresh на 17 процентов и снизить out-of-stock на 5 процентов. Но это не пример “мы просто запустили модель”. Это пример зрелого контура, в котором модель реально встроена в решение.
Model-driven
Это уже уровень, на котором модели не просто помогают сотрудникам, а становятся частью самой бизнес-механики. Система предлагает действия быстрее человека. Иногда точнее человека. Иногда меняет экономику процесса.
Но это и самая опасная стадия для самообмана. Многие компании любят считать себя model-driven, если у них есть несколько пилотов, красивый дашборд и презентация про GenAI. На практике это чаще всего не так.
Настоящий model-driven уровень начинается там, где модель встроена в продукт, операционный контур или коммерческую логику. Например, в рекомендации, динамическое ценообразование, прогнозирование или предиктивное обслуживание.
3 Где бизнес чаще всего ошибается
Главная ошибка банальна. Компании хотят начать сразу с ИИ-модели. Они слышат про LLM, GenAI, RAG, ИИ-ассистентов, прогнозные модели. Дальше появляется подрядчик, пилот, демо, внутренняя команда или все вместе. На тесте все выглядит неплохо. Но до реального результата дело не доходит.
Причина обычно одна из трех.
Процессы не стандартизированы, а значит модель не на что надежно опереть.
Данные разрознены, грязны или собираются руками из нескольких систем.
Инициатива отдана только ИТ, а бизнес не взял на себя владение результатом
На слайде это было сформулировано почти идеально. Не надо начинать с модели без данных. Не надо автоматизировать хаос. Не надо делать ИИ-проект только силами ИТ. Это очень простые мысли, но именно на них ломается большая часть инициатив.
4 Что показывает практика
Практика обычно быстро отрезвляет. Почти любой сильный кейс по ИИ - это не история про “нашли крутую модель”. Это история про то, что компания сначала доросла до нормального использования модели.
Например, в DIY-сети проект по динамическому ценообразованию (делала БизнесМатика) охватывал около 50 магазинов и 15 000 SKU. В результате компания получила рост маржи примерно на 2,5% и снизила объем ручной работы в Excel. Но этот результат не возникает в пустоте. Для него нужны нормальные правила ценообразования, структура данных и процесс применения рекомендаций.
Другой пример - предиктивное обслуживание холодильного оборудования. За счет IoT и ML нам удалось сократить аварийные простои примерно на 20% и снизить затраты на обслуживание на 15%. Но перед этим нужно было собрать телеметрию, описать события и сделать понятный контур реакции на сигналы модели.
Есть и пример из fashion e-commerce. После внедрения рекомендательной системы получилось увеличить выручку примерно на 30% и поднять средний чек на 15%. Но это стало возможно не из-за “самой умной модели”, а потому что рекомендации встроили в продукт и маркетинговую механику.
Именно поэтому мне не близок разговор в духе “какая модель ИИ самая мощная”. Намного полезнее другой вопрос - доросла ли ваша компания до ее нормального использования.
5 Где простая модель уже не справляется
Вот здесь начинается самое интересное. Простая лестница People → Process → Data → Model хороша как управленческая карта. Но как инструмент диагностики она ограничена.
Проблема в том, что зрелость ИИ почти никогда не бывает ровной. Компания может быть process-driven в одной функции и people-driven в другой. Может иметь сильную аналитику, но слабое governance. Может купить дорогой стек, но не иметь владельцев use-case и процесса внедрения.
Поэтому для реального решения смотреть нужно шире. В ИИ-аудите мы обычно оцениваем шесть измерений - стратегию, данные, технологии, людей, процессы и governance. Только после этого можно точно сказать, что мешает компании двигаться дальше - отсутствие данных, слабый бизнес-кейс, провалы в процессе или завышенные ожидания от модели.
Здесь и проходит граница между “понятной схемой” и “рабочей диагностикой”. Первая помогает быстро навести порядок в голове. Вторая помогает не потратить деньги не туда.
6 Что я бы советовал C-level
Если убрать весь шум, то последовательность довольно простая.
Зафиксируйте 1-2 бизнес-эффекта, ради которых вам вообще нужен ИИ. Это может быть рост выручки, снижение списаний, сокращение простоев, ускорение поддержки.
Разложите ключевые функции компании по четырем уровням. Где вы зависите от людей. Где уже есть процессы. Где реально работает контур данных.
Проверьте, есть ли у вас данные и владелец процесса, прежде чем обсуждать модели.
Выберите 2-3 use-case, где можно получить эффект за 3-6 месяцев, а не стройте “великую ИИ-платформу” сразу.
Соберите совместную команду бизнес + ИТ + данные. Если проект живет только внутри одной функции, он почти всегда застревает.
Мне кажется, в этом и есть сила того слайда с конференции. Он не обещает волшебства. Он возвращает разговор в нормальную последовательность.
Сначала people. Потом process. Потом data. И только потом model.
Если вы узнали в этой схеме свою компанию, логичнее начать не с нового PoC, а с трезвой оценки зрелости. В БизнесМатике для этого есть бесплатный ИИ-аудит - за неделю он дает профиль зрелости, карту проблем, оценку потенциала ROI и список быстрых улучшений. Это ни к чему не обязывает. Но после него обычно становится ясно, что вам сейчас нужнее - новая модель или наконец нормальный фундамент под нее.