Как управлять командой и подрядчиками при разработке сложных ИИ-систем для промышленности

Сложная ИИ-система «проваливается» не тогда, когда модель ошибается в одном ответе, а тогда, когда бизнес, ИТ, данные, подрядчики и конечные пользователи с самого начала движутся в разные стороны. Для промышленности и крупного бизнеса это особенно критично: цена ошибки здесь выше, цикл внедрения длиннее, интеграций больше, а требования к надежности, прозрачности и управляемости намного жестче, чем в обычных цифровых продуктах. В таких условиях сбой обычно оборачивается не просто неудачным пилотом, а потерянными месяцами внедрения, срывом интеграций и существенными затратами без измеримого эффекта.

В 2026 году для российского бизнеса и промышленности внедрение ИИ — вопрос управляемого эффекта и масштабирования. По данным ИСИЭЗ НИУ ВШЭ и Росстата, компании, уже использующие ИИ, чаще всего фиксируют повышение качества продукции и услуг, рост эффективности бизнес-процессов, повышение производительности труда и улучшение производственных процессов.

Поэтому доказывать эффективность ИИ уже не так важно, важнее добиться перехода от разрозненных пилотов к системному внедрению.

Управление ИИ-проектом нельзя сводить только к разработке модели или к выбору подрядчика. Это всегда совместная работа нескольких контуров — бизнесового, продуктового, технологического и организационного. Если хотя бы один из них выпадает, компания получает не промышленное решение, а дорогой эксперимент.

В такой работе особенно важны четыре базовых принципа:

ПРОБЛЕМА

Бизнес и ИТ говорят на разных языках, техническое задание размыто, требования меняются на лету.

КАК ИЗБЕЖАТЬ

Использовать продуктовый подход. Ввести роль продуктового аналитика, использовать методологию постановки целей и контроля ключевых результатов (OKR) и сторимаппинг (метод визуализации пользовательских сценариев в виде «карты»).

Бизнес формулирует ожидание на языке эффекта: сократить простой, ускорить диагностику, повысить точность подбора, снизить нагрузку на инженеров или закупщиков.

Техническая команда мыслит иначе: датасеты, пайплайны, интеграции, архитектурные ограничения. Если между этими уровнями нет связующего звена, условного «переводчика», проект очень быстро начинает кренить либо в техническую детализацию, непонятную нетехническим командам, либо в нереализуемые запросы бизнеса.

В промышленности никогда не бывает абстрактной задачи «сделайте нам ИИ». Есть конкретный процесс: контроль качества, поиск дефектов, анализ документации, поддержка сервисных инженеров, работа с техданными, прогнозирование спроса на запчасти, обработка обращений дилеров или сотрудников производства.

Поэтому до старта разработки нужны не только краткие, простые описания функциональности систем с точки зрения пользователя (User Story), но и заранее согласованные критерии успеха: что именно должно улучшиться, на каком участке, по каким данным, в какой срок и кто будет принимать результат. Без этого ИИ-проект неизбежно превращается в дорогой эксперимент без бизнес-эффекта.

ПРОБЛЕМА

Модель создают под правильную бизнес-задачу, например снижение простоя оборудования, но не встраивают в реальные процессы принятия решений с учетом производственных ограничений.

КАК ИЗБЕЖАТЬ

Чтобы этого не произошло, внедрение нужно начинать не с модели, а с самого процесса. Важно заранее определить, кто и как будет использовать прогноз, какие действия должны следовать за сигналом системы, в какие окна возможно обслуживание оборудования и какие ограничения есть у производства. ИИ-решение должно быть встроено в существующие контуры планирования, диспетчеризации и технического обслуживания, а его эффективность — измеряться не качеством прогноза самого по себе, а тем, удалось ли реально сократить простой, снизить аварийность или ускорить реакцию на риски.

ПРОБЛЕМА

«Грязные» данные, их нехватка, устаревание модели и дрейф данных.

КАК ИЗБЕЖАТЬ

Инженерия данных. Провести аудит и очистку на старте. Внедрить мониторинг дрейфа и регулярное дообучение модели на обновленных данных.

Любой промышленный ИИ-проект упирается в качество данных быстрее, чем в качество самой модели. На бумаге задача может выглядеть прекрасно: датчики стоят, система планирования ресурсов предприятия (ERP) работает, регламенты описаны. На практике часто выясняется, что модель обучалась на исторических данных, которые уже не отражают текущие процессы, или на данных, собранных с нарушениями: с пропусками, дублированием, разными классификаторами и неравномерно заполненными полями. Часть информации при этом живет всё ещё в Excel, часть — в SCADA, часть — в старом архиве на бумаге, а часть вообще хранится в головах сотрудников.

В результате система может показывать хорошие метрики на тесте, но быстро деградировать в реальной эксплуатации. Отсюда и главный вывод для бизнеса: подготовка данных — не этап перед «настоящей работой», а основа проекта. Если его пропустить компания получит либо красивую демо-модель, которая не выдерживает реальной эксплуатации, либо систему, которая через несколько месяцев начинает принимать все менее надежные решения без понятной для бизнеса причины.

ПРОБЛЕМА

Зависимость от внешней команды («чёрный ящик»), сложности интеграции с устаревшими системами (legacy).

КАК ИЗБЕЖАТЬ

Прозрачность и контроль. Требовать документацию и передачу кода по договору. Обсуждать архитектуру интеграции заранее, проводить совместные код-ревью. Выбирать подрядчика с опытом интеграции именно в вашем стеке.

Для крупного бизнеса проблема подрядчика — это не вопрос «дорого или дешево». Это вопрос управляемости. Классическая ошибка — передать разработку ИИ-системы подрядчику «под ключ» без требований к прозрачности. Если внешняя команда не передает документацию, не фиксирует архитектурные решения, не описывает ограничения модели и не проектирует интеграцию с реальным ландшафтом, проект становится зависимым от конкретного поставщика. Через 6–12 месяцев компания получает работающий, но неуправляемый «чёрный ящик», который невозможно доработать, масштабировать или интегрировать без той же команды. Для промышленной компании это означает риск остановки развития, удорожание поддержки и невозможность быстро перенастраивать систему под новые процессы.

Особенно остро это проявляется там, где есть старые системы управления предприятием (ERP), системы управления производственными процессами (MES), системы управления жизненным циклом продукт (PLM), архивные системы, нестандартные справочники, изолированные контуры и повышенные требования к информационной безопасности. В таких условиях ИИ не должен жить отдельно от корпоративного ландшафта. Наоборот, его нужно проектировать сразу как часть общей архитектуры.

ПРОБЛЕМА

Сопротивление сотрудников (страх сокращений), нежелание менять устоявшиеся процессы.

КАК ИЗБЕЖАТЬ

Управление изменениями. Четко проговаривать роль искусственного интеллекта как помощника, а не замены. Проводить пилоты с амбассадорами из числа ключевых сотрудников. Обучать персонал и вовлекать в процесс улучшения.

Итерационное внедрение. Сначала пилот, затем расширенный пилот, и только потом промышленное решение — это снижает сопротивление и риски.

Многие компании недооценивают этот блок, хотя именно он часто решает судьбу внедрения. Даже технически сильная система может не дать эффекта, если сотрудники воспринимают ее как угрозу и не доверяют. Если сотрудник не понимает, как система пришла к рекомендации, он не будет ею пользоваться, даже если она объективно точнее человека.

Для промышленности это особенно чувствительно. Люди на производстве, в снабжении, сервисе, техподдержке или контроле качества привыкли опираться на опыт, регламент и понятную цепочку ответственности. Когда рядом появляется «цифровой сотрудник», который что-то рекомендует, у сотрудников возникают закономерные вопросы: кто отвечает за ошибку? можно ли верить рекомендациям? и не заменят ли этим инструментом самих специалистов?

По данным Deloitte, в 2026 году недостаток навыков сотрудников считается крупнейшим барьером для интеграции ИИ в рабочие процессы. Поэтому компании прежде всего инвестируют в повышение общей ИИ-грамотности сотрудников и программы повышения квалификации и переобучения. При этом самые успешные организации идут дальше: они перестраивают роли и процессы так, чтобы люди отвечали за суждение, контроль исключений и надзор, а искусственный интеллект — за рутинное и масштабируемое исполнение.

Внедрение ИИ в промышленности — это не столько технологическая задача, сколько управленческая. Нужно синхронизировать бизнес-цели, данные, архитектуру, подрядчиков и людей. На практике это означает, что промышленным компаниям нужен не просто доступ к ИИ, а понятный способ внедрять его в рабочие процессы без лишней сложности. Компании, которые это делают, получают системный эффект. Остальные — набор дорогих пилотов без масштабирования.

В этом смысле библиотека ИИ-агентов OSMI AI даёт бизнесу более прикладной и реалистичный путь: использовать уже готовые сценарии, адаптировать их под свои регламенты и постепенно масштабировать решения внутри предприятия. Для промышленности такой подход особенно ценен, потому что позволяет быстрее переводить ИИ из стадии эксперимента в рабочий инструмент — с учётом требований к безопасности, интеграции и контролю результата.