Пять главных ошибок при внедрении ИИ: как изменить бизнес с помощью новой технологии
Исследование Альфа-Банка, в котором приняли участие более 50 российских компаний из разных отраслей.
Сегодня искусственный интеллект — одна из самых обсуждаемых технологий. Одни компании только присматриваются к ней, другие — пытаются запускать первые ИИ-проекты. Некоторые же, как Альфа-Банк, интегрировали искусственный интеллект практически во все бизнес-процессы, и теперь готовы открыто делиться с рынком своей экспертизой. Недавно специалисты банка провели исследование, которое помогло лучше понять, как работают с ИИ компании розничной торговли, промышленности, металлургии, энергетики, фармацевтики и других направлений.
Выяснилось, что многие из них испытывают дефицит знаний: как более продвинутых, которые помогли бы правильно расставить приоритеты и оценить эффект от использования новой для них технологии, так и совсем базовых — нужно ли вообще применять ИИ в производстве, и если да, то как и где именно. Рассказываем, как избежать самых распространённых ошибок при внедрении искусственного интеллекта в работу компаний и сделать его действительно полезным для бизнеса.
Почему Альфа-Банк — больше не просто финансовая организация, а полноценная IT-компания
По оценкам независимых консультантов, Альфа-Банк находится в шаге от достижения полной цифровой зрелости. То есть специалисты компании не просто внедряют современные технологические решения в бизнес-процессы, но делают это системно, полностью осознают возможный результат и легко адаптируются под новые вызовы. Более того, полностью изменились управленческие процессы и в целом культура внутри банка. Адаптация цифровых решений перестала быть инициативой технологических отделов, и различные команды сами формируют запрос на автоматизацию, отталкиваясь от своих повседневных задач.
В каком-то смысле Альфа-Банк трансформировался из финансовой организации в полноценную IT-компанию, которая может быстро создавать новые технологические продукты и для внутреннего использования, и для клиентов, и для рынка. Это позволяет компании уверенно держаться в числе лидеров финтеха на российском и международном рынках. Во многом это стало возможным благодаря тому, что в Альфа-Банке работают профессионалы с большим опытом в различных областях — от IT и консалтинга до промышленности и энергетики. Это позволяет лучше понимать запросы партнеров и грамотно адаптировать продукты под нужды бизнеса.
В последние годы Альфа-Банк активно развивает направление машинного обучения и, в частности, генеративного искусственного интеллекта. В этой сфере компания накопила огромную экспертизу, что подтверждают многочисленные российские и международные награды. Сам банк находится на стадии перехода к AI-ready: ИИ-проекты есть практически в каждом подразделении, от разработки до логистики, ключевые процессы покрыты моделями, а рутинные операции автоматизированы.
Это уже не просто внедрение искусственного интеллекта в процессы, это формирование нового способа взаимодействия человека с современными технологиями. Достижения Альфа-Банка в сфере ИИ подтверждаются цифрами: подобные решения уже приносят более 13% операционного дохода.
По данным компании McKinsey, к середине 2024 года во всем мире 71% компаний постоянно использовали генеративный искусственный интеллект хотя бы в одном бизнес-процессе. Эта цифра растет неуклонно и очень быстро — например, годом ранее таких организаций было всего 33%. Россия в этом плане не отстает: согласно опросам, к началу 2025 года семь из десяти компаний уже внедрили в своей работе ИИ-инструменты.
«Зрелое внедрение ИИ — это управляемый процесс, где стратегия, данные и ответственность выстроены в единую систему. Такая конструкция не зависит от “моды”, она обеспечивает результат, снижает операционные риски и позволяет масштабировать ИИ на всю организацию. В конечном счёте ИИ должен быть инструментом повышения эффективности и прозрачности управления, а не набором разрозненных экспериментов».
Впрочем, использование перспективной технологии вовсе не гарантирует успеха. Недавнее исследование Массачусетского технологического института (MIT) показывает, что в подавляющем большинстве случаев внедрение ИИ не оказывает никакого влияния на бизнес — ни положительного, ни отрицательного. Во всем мире лишь 5% пилотных проектов с использованием искусственного интеллекта оказываются успешными и приносят дополнительную прибыль.
Выводы MIT в целом совпадают с результатами недавнего внутреннего исследования Альфа-Банка, в котором приняли участие более 50 компаний из ритейла, промышленности, металлургии, энергетики, фармацевтики и других отраслей. Довольно часто бизнес неправильно использует ИИ:
- ошибается с выбором подразделений и процессов, приоритетно нуждающихся во внедрении ИИ;
- делает ставку на долгие собственные глобальные разработки без явных эффектов вместо быстрого пилотирования партнерских решений;
- не всегда чётко понимает текущие возможности искусственного интеллекта.
Исследование Альфа-Банка также выявило еще один очень важный запрос. Многие компании нуждаются в консультациях со стороны партнеров, которые уже имеют большой опыт работы с искусственным интеллектом. На основании своего исследования и серии подобных консультаций специалисты Альфа-Банка сформировали список наиболее распространенных вызовов, с которыми сталкивается бизнес при внедрении ИИ, а также базовые рекомендации, которые помогут избежать ключевых ошибок.
Где бизнес теряет эффективность при внедрении ИИ и как сэкономить время и деньги с его использованием
1. Решайте задачи, а не следуйте тренду
Часто инициатива «внедрить ИИ» стартует как реакция на общий тренд, а не как ответ на чёткий запрос с ожидаемым бизнес-эффектом. В результате пилоты буксуют: нет согласованных метрик, сроки растягиваются, а эффект трудно зафиксировать. Крайне важно заранее сформулировать критерии успеха: повышение скорости работы, снижение затрат, рост выручки, качество сервиса, снижение рисков. Привязка к измеримым результатам помогает быстро понять, насколько полезной будет та или иная инициатива.
Важно начинать не с повсеместного внедрения ИИ в компании, а с небольших пилотных проектов и A/B-тестов с заранее согласованными метриками и продолжительностью. Ключ к успеху — чётко очертить сценарии и «малую победу» на горизонте нескольких недель, чтобы показать ценность инициативы и поддержать мотивацию команды. При этом стоит помнить, что даже самые простые ИИ-решения, например, ассистенты для сотрудников, интеллектуальные подсказки в процессах или базовая персонализация, дают определенный эффект: меньше ручных операций, быстрее ответы, выше конверсия.
Лучшие практики нужно стандартизировать: должны появляться шаблоны метрик, типовые контуры интеграции, каталоги функций и повторно используемых компонентов. Это один из важных признаков того, что компания находится на пути к цифровой зрелости. Внедрение ИИ не должно быть самоцелью, «технологией ради технологии». Побеждают те, кто умеет быстро и прозрачно измерять эффект, а затем стандартизировать удачные решения.
Тем не менее, стоит быть готовым к тому, что эффект от внедрения ИИ может проявиться не сразу. Сложно назвать хотя бы примерные сроки: многое зависит от сложности решения и процессов, в которых используется технология. Где-то эффекта нужно ждать месяцами, а в каких-то случаях — ещё дольше. Но сиюминутного результата ждать точно не стоит.
2. Избегайте ненужных финансовых вложений там, где это возможно
Сейчас на рынке существует множество готовых сервисов и модульных решений, которые упрощают процесс интеграции ИИ в бизнес-процессы и позволяют довольно быстро оценить эффект от его внедрения. Но некоторые компании, всё так же следуя тренду, всё равно делают ставку на создание, например, собственных больших языковых моделей. И такие вложения очень часто не оправдываются.
Стоит помнить, что подобные разработки требуют колоссальных ресурсов — от специализированной инфраструктуры до постоянного обучения на уникальных массивах данных. Кроме того, необходима большая команда высококлассных специалистов (здесь не обойтись парой дата-сайентистов), которые смогут не только создать модель, но и поддерживать ее в рабочем состоянии. Для большинства компаний это просто нерационально, причём не только с финансовой точки зрения, но и в плане ожидаемого эффекта. Для многих задач такие сложные системы попросту не нужны.
В некоторых случаях руководители не до конца осознают, насколько существенными могут быть затраты на собственные разработки. Даже небольшое пилотное кастомное решение, по оценкам специалистов Альфа-Банка, может обойтись компании в сумму в несколько миллионов рублей. Комплексные системы, созданные с нуля и полностью адаптированные под заказчика могут стоить десятки миллионов.
Создание собственных решений (в том числе в области генеративного ИИ) имеет смысл для компаний, которые располагают уникальными доменными данными, предъявляют повышенные требования к безопасности и конфиденциальности или работают в масштабе, где значительные инвестиции в модель могут быть компенсированы стратегическими преимуществами. Для большинства же организаций более рационально опираться на готовые сервисы и модульные решения, постепенно наращивая внутренние компетенции и экспертизу. Это позволит быстро получить практический эффект без неоправданных затрат и рисков.
3. Заложите в план постоянное развитие ИИ
Вера в искусственный интеллект, как в готовую технологию, которая моментально трансформирует процессы в компании — одно из наиболее распространенных заблуждений. ИИ это инструмент, который должен постоянно улучшаться, развиваться и дорабатываться людьми, а для ряда задач имеет смысл заложить даже автоматизацию применения и этого инструмента (AutoML/DL). Его обучение должно быть постоянным, это не разовая активность. Иначе всего за несколько месяцев качество работы модели может заметно деградировать.
Эффективность ИИ напрямую зависит от полноты, актуальности и непротиворечивости данных. Если их качество низкое, то даже сильная модель будет выдавать слабый результат. Определите владельцев данных и правила контроля их качества, включите мониторинг и процедуры обновления. Удобная практика — «дата-паспорт» для ключевых наборов: источник, периодичность, применимость, ограничения. Это экономит недели на каждом новом проекте.
«В основе зрелого подхода внедрения ИИ реализация трёх слоёв. Первый слой — стратегический: чёткая постановка целей и определение метрик, по которым оценивается вклад моделей в бизнес-процесс. Второй — технологический: наличие качественных данных, централизованных инструментов и платформ, обеспечивающих масштабируемость. Третий — организационный: процессы работы с данными и процессы управления жизненным циклом моделей, от заполнения стандартизированного документа для разработки совместно с заказчиком ИИ-решения (design doc) до мониторинга, регулярного обновления и вывода их из эксплуатации. Если все три слоя выстроены согласованно, ИИ превращается в полноценный производственный контур, который повышает эффективность, снижает издержки и поддерживает рост компании».
4. Подготовьте сотрудников к внедрению новой технологии
Данные — лишь одна, хотя и очень важная часть проекта по внедрению искусственного интеллекта в компании. Но не меньшее значение для успешной интеграции имеет общая культурная готовность сотрудников. На примере тех же данных: чтобы добиться их качественного и бесперебойного обновления, необходимо, чтобы ответственные понимали важность и ожидаемый результат этих процессов.
Выстраивание внутренней культуры — это отдельная, довольно продолжительная задача. Но её выполнение даст сотрудникам возможность понимать логику принимаемых решений, свои роли в общем процессе, а главное — уберёт страх перед неизвестной технологией. Там же, где бизнес и аналитика говорят на разных языках, где отсутствует единая терминология и договорённости о метриках и правилах, ИИ превращается в «чёрный ящик». Он лишь вызывает сопротивление и риск ухудшения процессов и, как следствие, результатов.
Сотрудникам будет проще адаптироваться, если дать им понятные инструменты, которые позволяют сократить рутину и свыкнуться с технологией. Массовый доступ постепенно превратит локальную инициативу в организационный стандарт. Руководители, в свою очередь, должны быть готовы к максимально возможной прозрачности процессов в области принятия решений. Без ясной модели ответственности риски копятся, а масштабирование тормозится.
Продуманная стратегия внедрения ИИ позволит сократить количество споров внутри компании и принесет ощутимый результат. Если при запуске пилотного проекта заранее сформулировать все ключевые параметры, (такие как гипотеза, метрика, период, критерии успеха или остановки, план внедрения и другие), то все участники будут понимать, чего именно от них ждут.
Наконец, важно постоянно помнить, что ИИ — не замена человеку, а помощник. Он может автоматизировать рутину, оставив людям более творческие задачи, такие как коммуникация, дизайн решений, ответственность. Эта технология не разрушает общепринятую структуру труда, а трансформирует её, расширяя возможности сотрудников.
5. Не ждите волшебства
Искусственный интеллект — это удобный, но далеко не универсальный инструмент, способный решить все проблемы компании. Его необходимо адаптировать под специфику бизнеса и внутренних процессов, встраивать и интегрировать. ИИ хорошо работает там, где понятны цели, есть качественные данные и другие пререквизиты. Там же, где задача расплывчата, он лишь увеличивает неопределённость.
Именно поэтому для целого ряда задач простая автоматизация процессов без использования ИИ будет работать эффективнее, дешевле, а главное — надёжнее. Потому что даже самые мощные на сегодняшний день системы всё ещё совершают ошибки, вызванные противоречивыми обучающими данными или некорректно сформулированными запросами. Простой алгоритм без использования модного ИИ справится в этом случае лучше, а главное — не потребует существенных финансовых вложений.
Крупному промышленному предприятию с большей долей вероятности пригодится искусственный интеллект. Например, для того, чтобы повысить эффективность процессов, связанных с контролем качества продукции. В то же время небольшой розничной компании, которая хочет лучше понимать аудиторию и составить клиентский профиль, вероятно, лучше подойдут более простые инструменты аналитики данных без ИИ.
В отдельных случаях может пригодиться гибридный формат, в котором генеративный ИИ используется для более «творческих» задач (например, таких как обобщение знаний) и черновой подготовки, а проверенные бизнес-правила отвечают за критические решения и контроль.
«Сегодня компании обращаются не просто за технологиями, а за знаниями. Они хотят понимать, как встроить ИИ в бизнес-модель так, чтобы он создавал измеримую и устойчивую ценность. На практике это означает три вещи. Первое — приоритизация: не каждый процесс одинаково важен, и наша задача помочь бизнесу сфокусироваться на точках, где ИИ реально способен изменить экономику. Второе — трансформация процессов: внедрение ИИ невозможно без изменения операционной логики и управленческих практик. И третье — скорость масштабирования: компании выигрывают тогда, когда удачные пилоты быстро переходят в операционную рутину и начинают формировать новые стандарты работы».
Опыт Альфа-Банка показывает: ИИ — это не магия и не марафон на выживание, а управляемая дисциплина. Когда стратегия, данные и ответственность объединены, искусственный интеллект становится рабочей силой бизнеса: ускоряет операции, снижает издержки, поддерживает рост и управляемость.
Компании, которые начинают с понятной ценности и двигаются поэтапно, будут первыми собирать дивиденды новой цифровой экономики. Если вы на старте, начните с узкого сценария и честного эксперимента. Если вы на пути к масштабу, стандартизируйте практики и укрепляйте «мост» между бизнесом и аналитикой. В обоих случаях именно управленческая зрелость превращает внедрение ИИ из «витринной» инициативы в источник устойчивой конкурентоспособности.