Как внедрять ИИ правильно: люди, ROI и операционные процессы

ИИ-проекты все чаще доходят до стадии пилота, но реальный эффект определяется не моделью, а тем, как выстроены люди, процессы и экономика внедрения. Ошибки в работе с командой, некорректная оценка ROI и разрыв с операционными процессами обнуляют результат даже при сильной технологии. Петр Хвесюк, руководитель ML-направления Nord Clan, объясняет, как правильно выстраивать внедрение ИИ с учетом этих факторов. В интервью он разбирает, где именно теряется эффективность и как этого избежать.

Как компаниям работать с сопротивлением сотрудников при внедрении ИИ и других систем анализа данных?

Саботаж всегда связан со страхом. Сотрудники могут воспринимать новые технологии, особенно системы анализа данных или видео, как инструмент контроля. Возникает опасение, что система будет фиксировать ошибки и использоваться для наказаний, а не для улучшения работы.

Наша стратегия – сделать систему их помощником и защитником. Мы сразу объясняем, какую пользу она приносит людям в операционной работе: помогает быстрее находить проблемы, снижает рутину и делает результат более предсказуемым.

У нас был пример на текстильном производстве. Операторы сначала относились к ИИ настороженно. Тогда мы сделали для них простой интерфейс на планшете: система не отправляла сигнал руководителю, а показывала оператору, где может быть дефект. Если он подтверждал находку, это фиксировалось как предотвращенный брак и влияло на премию. Через некоторое время сотрудники сами начали просить повысить чувствительность системы, потому что она помогала им работать точнее и зарабатывать больше.

Как бизнесу корректно оценивать ROI от внедрения ИИ и на какие метрики стоит опираться?

При оценке ROI важно учитывать не только прямую экономию, но и упущенную выгоду текущих процессов. Во многих компаниях значительная часть затрат скрыта в ручных операциях, ошибках и рисках, которые сложно увидеть без анализа.

Мы обычно считаем по трем метрикам. 

• Первая – прямая экономия: снижение потерь и затрат. В производстве это, в первую очередь, стоимость сырья, которое перестают выбрасывать из-за ложной отбраковки,стоимость рекламаций стоимость рекламаций, стоимость простоев и ремонта оборудования. В других отраслях – потери из-за ошибок, возвраты, штрафы или операционные издержки.
• Вторая – эффективность процессов. Речь о том, насколько быстрее и стабильнее начинает работать система. В производстве это связано с общей эффективностью оборудования (OEE) – сколько продукции линия могла бы выпускать без остановок на ручной контроль. В других сферах – со скоростью обработки заказов, обращений или операций.
• Третья – человекочасы. Сколько времени уходит на рутину и сколько можно высвободить для задач, где нужна экспертиза.

Например, в проекте по контролю упаковки фармпрепаратов мы считали так: стоимость одной рекламации – около 1 млн рублей, стоимость системы – 5 млн. Если она предотвращает несколько таких случаев, она окупается. Поэтому мы рекомендуем учитывать в расчетах эффективности не только экономию, но и стоимость бизнес-рисков.

Почему ИИ-решения, которые хорошо показывают себя на этапе пилота, часто не доходят до полноценного внедрения? Где именно компании чаще всего сталкиваются с проблемами?

Основные проблемы начинаются при переходе от пилота к реальному внедрению. В тестовой среде система использует ограниченный объем данных и работает в контролируемых условиях, а при попытке встроить ее в реальную инфраструктуру и процессы появляются ограничения, которые на этапе пилота просто не учитывались.

В пилоте все выглядит просто – фактически это прямое подключение без учета сетевой нагрузки.. В реальности камеры пытаются подключить к существующей сети. В результате появляются потери кадров и джиттер. Для видеоаналитики это критично – без выделенной изолированной сети стабильной работы не будет.

Следующий момент – синхронизация. В пилоте работает со статичными изображениями, а в продакшене камера должна срабатывать точно в по сигналу от датчика или энкодера. Если сигнал не заведен или нестабилен, система либо пропускает события, либо фиксирует пустоту.

Отдельный вопрос – интеграция в операционный контур. Обнаружение проблемы само по себе не дает эффекта. Важно, чтобы сигнал о проблеме автоматически запускал действие.В производстве это может быть команда на отбраковку или сигнал в систему управления линией. Без этого система не влияет на результат.

В итоге проект проваливается не из-за нейросети, а из-за отсутствия инфраструктуры, синхронизации и встроенного процесса реакции.

Что, на ваш взгляд, должны изменить разработчики и интеграторы, чтобы на рынке стало меньше разочарованных клиентов в ИИ-проектах?

Разработчикам и интеграторам нужно менять сам подход к работе – уходить от роли продавцов кода и работать как инженеры полного цикла. Начинать с полноценного аудита, где проверяются реальные условия: инфраструктура, сигналы, возможные ограничения. Все риски должны быть понятны до старта проекта. Дальше – не идти на компромиссы, если инфраструктура не подходит под задачу. Если для стабильной работы требуется выделенная сеть или аппаратная синхронизация, это сразу закладывается в решение. И, наконец, проектировать не отдельную модель, а весь цикл – от обнаружения проблемы до действия системы. Тогда решение работает не только в тесте, но и в реальном процессе.

На фоне бума инвестиций в ИИ часто звучит тезис, что до 80–95% проектов так и не доходят до промышленной эксплуатации. Вы согласны с этой оценкой?

Цифра в 80–95% чаще относится к экспериментальным проектам в формате «давайте попробуем ИИ в лаборатории», которые изначально не предполагают доведение до внедрения. Если говорить про проекты с понятной бизнес-задачей и нормальной проработкой, доля неудач значительно ниже. По нашей оценке, она составляет порядка 5%.