Максим Гинзбург. Бизнес ИТ&ИИ
AI

Почему 85% ИИ-проектов не доходят до продакшена: три причины и одна инженерная привычка

По оценке Gartner, до 85% проектов машинного обучения не доходят до промышленной эксплуатации. При этом, по данным McKinsey, в 2024 году 72% компаний уже использовали ИИ хотя бы в одной функции.

Пробуют почти все. Доводят до результата единицы.

Меня зовут Максим Гинзбург. Больше 20 лет я внедряю цифровые решения в банках, промышленности и телекоме. Недавно написал книгу «Внедрение ИИ как инженерная задача» для магистратуры РАНХиГС. В ней собрал то, что повторяется на проектах и что подтверждают исследования. Здесь коротко: почему ИИ-проекты застревают и какая привычка это лечит.

Картина, которую легко узнать

Совету директоров показывают демо. Красиво. Запускают пилот. Через полгода пилот ещё идёт. Через год тоже. Никто не может ответить на простой вопрос: работает или нет?

По данным международных исследований, которые я привожу во введении книги, только 10–15% ИИ-инициатив приносят измеримый бизнес-результат. Остальные превращаются в дорогие эксперименты без продолжения.

История это уже видела. Две «зимы ИИ», в 1970-х и в конце 1980-х, случились по одной причине: ожидания разошлись с результатом, и финансирование срезали.

В моей практике причины провалов повторяются из компании в компанию. Их три.

Причина 1. Технология вместо цели

Компания решает «внедрить ИИ», а потом ищет, куда бы его применить.

По данным MIT Sloan Management Review, компании, которые ставят цель «внедрить ИИ», а не «решить бизнес-проблему с помощью ИИ», в 3 раза реже получают измеримый результат (глава 4.1 книги).

Типичный сценарий из главы 9.11. Компания покупает подписку на языковую модель для всех сотрудников и объявляет: «Теперь у нас есть ИИ». Без интеграции в процессы, без обучения, без метрик. Через 3 месяца инструментом пользуются 5% людей.

Как выглядит цель, с которой можно работать:

Плохо → хорошо:

  • «Улучшить клиентский сервис с помощью ИИ» → «Снизить среднее время ответа на запрос клиента»
  • «Улучшить продажи» → «Увеличить конверсию на 15%»
  • «Полностью автоматизировать продажи» → «Автоматизировать 40% типовых запросов»
  • «Когда-нибудь внедрим» → «MVP за 3 месяца, пилот за 6»

Источник: Гинзбург, 2026, табл. 4.1.

Проверка простая. Если в цели нет цифры, срока и денег или часов, это не цель. Это намерение.

Причина 2. Данные

Подготовка данных занимает от 60 до 80% времени проекта. В бюджете на неё обычно закладывают 10–15%. В книге я рекомендую другое соотношение: 40–50% бюджета первого проекта должно идти на данные (глава 2.11).

Потом выясняется знакомое. В CRM дубли. В 1С ошибки кодификации и задвоенные контрагенты. Половина истории лежит в чьём-то Excel. Для российских компаний к этому добавляются силосы данных и требования 152-ФЗ к локализации. Поэтому совет из главы 6.12: закладывайте дополнительные 2–4 недели только на решение российских проблем с данными.

У качества данных есть измеримые пороги. Вот шесть измерений, которые я предлагаю проверять до старта:

  • Полнота: заполнено больше 95% критичных полей
  • Точность: больше 98% корректных записей
  • Консистентность: меньше 1% противоречий между источниками
  • Уникальность: меньше 0,5% дубликатов
  • Актуальность: зависит от задачи
  • Репрезентативность: перекос между классами не больше 10:1

Источник: Гинзбург, 2026, табл. 6.2.

Антипаттерн, который я встречаю чаще всего, называется «Идеальные данные потом». Проект стартует с надеждой, что качественные данные появятся по ходу. Не появятся.

Причина 3. Бесконечный пилот

Никто заранее не договорился, при каких цифрах проект масштабируют, а при каких закрывают. Пилот живёт годами. Дорабатывается, потребляет людей и деньги, но в продакшен не выходит.

Gartner называет такие проекты зомби и оценивает их долю до 30% корпоративных ИИ-инициатив. По данным Deloitte, 60% компаний не определяют критерии остановки заранее (глава 10.4). А по данным McKinsey, даже из успешных пилотов удаётся масштабировать только 54%.

Лечится это одной таблицей, которую пишут до старта пилота. Пример для проекта предиктивного обслуживания:

  • SCALE: точность прогноза больше 85%, снижение простоев больше 10%, ROI больше 50% за год. Действие: масштабировать на все линии
  • PIVOT: точность 70–85%, эффект 5–10%. Действие: доработать модель и данные, повторить пилот
  • STOP: точность меньше 70%, эффект меньше 5%, данных для улучшения нет. Действие: остановить, перераспределить ресурсы

Источник: Гинзбург, 2026, табл. 4.3.

Что общего у трёх причин

Заметьте: ни одна из них не про нейросети. Все три про управление.

Исследования это подтверждают. По данным MIT Sloan, главные барьеры внедрения ИИ организационные: культура, компетенции, недоверие сотрудников, нет поддержки руководства. А компании-лидеры, по оценке Fountaine и соавторов, тратят 60–70% бюджета ИИ-трансформации на людей и процессы, а не на технологии (глава 12.1).

Одна инженерная привычка

Главный тезис книги: внедрение ИИ нужно вести как инженерную задачу. Не как магию. Не как эксперимент энтузиастов. Не как покупку подписки.

У инженерной задачи четыре признака:

  1. Цель с цифрой. «Снизить внеплановые простои на 20% за год», а не «внедрить ИИ».
  2. Оценка ресурсов. Данные, инфраструктура, команда. Скрытые затраты могут в 3–5 раз превышать первоначальный бюджет, поэтому на первый проект закладывайте 30–50% сверху. Правило из главы 2.10: разделите оптимистичный прогноз на два, умножьте бюджет на полтора.
  3. Этапы с критериями приёмки. MVP за 2–6 недель силами 1–2 человек отвечает на вопрос «работает ли в принципе». Пилот на 1–3 месяца с реальными пользователями и A/B-тестом даёт решение stop, pivot или scale. Потом масштабирование на 3–12 месяцев. По данным Gartner, компании, которые идут поэтапно, добиваются успеха в 2,5 раза чаще.
  4. Обслуживание после запуска. По оценке Gartner, до 85% ML-моделей деградируют до неприемлемого уровня за 12–18 месяцев без обновления. Запуск в продакшен это не финиш, а старт.

Мост строят именно так. ИИ-проект стоит вести так же. Формула, которую я повторяю руководителям: провал MVP за 1 млн рублей это ценный урок, провал масштабирования за 50 млн рублей это катастрофа.

Где вы сейчас: три уровня зрелости

  • 1. Экспериментальный: отдельные пилоты, нет системного подхода. Типичные проекты: чат-бот для частых вопросов, пилот прогноза продаж
  • 2. Операционный: ИИ встроен в процессы, есть команда и метрики. Типичные проекты: рекомендательные системы, предиктивное обслуживание
  • 3. Стратегический: ИИ часть бизнес-модели, работает центр компетенций. Типичные проекты: продукты на ИИ, сквозная автоматизация

Источник: Гинзбург, 2026, табл. 1.4.

Большинство российских компаний сейчас между первым и вторым уровнем. Переход между ними и есть главная работа.

Честная оговорка. Если процессы на бумаге, ИИ-проект невозможен: модели нечему учиться. Если есть ERP, CRM и электронный документооборот, можно запускать первые модели на исторических данных. Иногда вложение в базовую цифровизацию даёт больше, чем преждевременный ИИ. Об этом говорят редко, потому что это скучнее нейросетей.

Что сделать завтра

  1. Запишите одну проблему, которая измеряется в деньгах или часах. Не технологию. Проблему.
  2. Измерьте baseline до любого ИИ. И сравнивайте модель не с идеалом, а с текущим процессом. Если модель ошибается в 15% случаев, а ручной процесс в 30%, это уже успех (глава 2.11).
  3. Оцените готовность по шкале на 60 баллов. 12 параметров по 5 баллов: данные, инфраструктура, команда. Меньше 30: отложить ИИ и вложиться в базу. 30–42: простой MVP. 42–54: полноценный проект. 54–60: можно масштабировать (приложение В, шаблон 2).
  4. Напишите критерии stop, pivot и scale до пилота. Согласуйте их с тем, кто платит.
  5. Начните с простого. Классическое машинное обучение решает около 80% типовых бизнес-задач. В разобранном в книге кейсе предиктивного обслуживания хватило градиентного бустинга: нейросети значимого прироста не дали.

Если хочется пройти этот путь по шагам

По книге я сделал бесплатный видеокурс «ИИ-инициатива». 6 модулей, 23 урока, около трёх часов. Курс повторяет логику реального проекта: цель и экономика, данные и архитектура, генеративный ИИ, путь от пилота к масштабу, разбор кейсов. В финале вы заполняете паспорт собственного ИИ-проекта.

Урок 0 про эти три причины уже на YouTube: https://youtu.be/Jgn3q1Z8eQE

Весь курс бесплатно: https://x-on.ru/projects/ii-kurs/

Новый урок выходит каждый день, подписаться на канал: https://www.youtube.com/@ii_initsiativa?sub_confirmation=1

Если пилот буксует или вам поручили «внедрить ИИ», а плана пока нет, на той же странице можно записаться на бесплатный 30-минутный разбор проекта.

А теперь вопрос к вам. Сколько в вашей компании пилотов, по которым никто не может сказать ни «стоп», ни «масштабируем»?