Где компании теряют скорость при внедрении ИИ и как это увидеть на практике
Оксана Воробьева, директор по управлению МТС Web Services
По данным The GenAI Divide, до промышленной эксплуатации доходит лишь 1 из 20 ИИ-проектов. Компании научились запускать ИИ, но не научились быстро доводить его до устойчивого применения. Почему успешные пилоты не превращаются в масштабируемые решения? И где именно теряется время после первых результатов?
Запуск не равен внедрению
Во многих случаях замедление возникает еще в момент запуска проекта. Одна из ключевых проблем — отсутствие понятных бенчмарков. У компаний нет устойчивой практики оценки эффективности ИИ-инициатив и каждый проект приходится обосновывать с нуля. Поэтому все начинается с пилотов и минимальных версий. Но пилот проходит в контролируемой среде, где сценарий заранее задан, данные подготовлены, а поведение системы предсказуемо. Поэтому он почти всегда демонстрирует положительный результат, однако этот результат ограничен условиями самого пилота.
Проблема в том, что он плохо переносится в реальную среду: по данным MIT, 95% ИИ-пилотов не дают измеримого бизнес-эффекта. Пилот показывает потенциал, но не отвечает на главный вопрос — сможет ли решение работать при реальной нагрузке и разнообразии сценариев. Если пилот длится месяцами без перехода к продукту, это означает, что команда не решила базовые ограничения проекта.
Где на самом деле теряется время
На практике видно, что основная задержка появляется там, где ИИ нужно довести до рабочего состояния в конкретных сценариях. В пилоте обычно проверяется один кейс или несколько типовых ситуаций. В реальной работе таких сценариев становится значительно больше. Разница может быть кратной: если в пилоте используется 5–6 сценариев, то в эксплуатации их количество увеличивается до сотен. Каждый из них требует отдельной проверки в разных условиях, с учетом реального поведения пользователей.
Если модель показывает хорошие результаты на тестах, но теряет качество в реальной работе, значит, обучающие данные не совпадают с реальными. Возникает эффект data drift — постепенное изменение входных данных, из-за которого точность модели со временем снижается. Если при этом значительную часть результатов (20–30% и выше) приходится перепроверять вручную, автоматизация не достигается. В некоторых кейсах до половины решений проходит через человека, что сводит эффект внедрения к нулю и не дает ускорения процессов.
ИИ не работает поверх хаоса
По данным Boston Consulting Group, 61% компаний называют качество и доступность данных одним из ключевых барьеров для внедрения ИИ. Когда данные дублируются или противоречат друг другу, даже сильная ИИ-модель начинает ошибаться.
Чтобы перейти к масштабированию, компаниям приходится сначала наводить порядок в процессах, а уже потом внедрять технологии. Например, в МТС Web Services существует cloud native решение для хранения и обработки данных — MWS Data. Она объединяет целый комплекс инструментов для хранения, обработки, визуализации, контроля качества и безопасности данных. Благодаря платформе можно в реальном времени улучшить точность рекомендательных и предиктивных моделей.
Человеческий фактор
Внедрение ИИ неизбежно меняет привычную работу и влияет на оценку результатов. Если эти изменения не объяснены и не закреплены, возникает сопротивление. Сотрудники не понимают, как использовать новые инструменты и какую роль они занимают в процессе. В результате даже внедренные решения используются частично.
Ситуацию усложняет дефицит экспертизы: 67% компаний считают нехватку квалифицированных специалистов главным фактором, сдерживающим внедрение ИИ-технологий, показал опрос участников Comindware Форум 2025. Речь идет не просто о разработчиках, а о специалистах, которые умеют работать со сценариями и оценивать результат. Эти компетенции только формируются, поэтому проекты занимают больше времени.
В таких условиях компании все чаще обращаются к готовым решениям, где часть сценариев уже проработана. Это позволяет сократить время внедрения, но не снимает необходимости адаптации под конкретные процессы.
Влияние экономики
По ходу внедрения увеличиваются расходы на вычисления, хранение данных и поддержку решений. Дополнительно появляется значимая статья затрат — обработка данных на уровне токенов. В результате экономика проекта начинает меняться уже в процессе.
В итоге бизнес вынужден пересматривать первоначальные расчеты. В ряде случаев компании ограничивают использование более сложных моделей или сокращают сценарии, чтобы удержать затраты.
Что это значит для бизнеса
Компания продолжает запускать новые пилоты, но не переводит их в эксплуатацию. После тестирования проекты долго дорабатываются и не выходят в стабильный режим. Добавление новых сценариев не ускоряется и требует тех же усилий, что и в начале. Если эти признаки совпадают, проблема связана не с технологией, а с организацией внедрения.
В этих условиях меняется подход к управлению. Количество пилотов перестает быть показателем прогресса: ключевым становится скорость перехода от гипотезы к рабочему сценарию, который встроен в процесс и дает результат. Для этого нужен системный подход: работа с архитектурой, данными, ролями внутри команды и экономикой проекта. Компании, которые выстраивают такую модель, быстрее переходят к масштабированию, а остальные продолжают двигаться от пилота к пилоту, не превращая инициативы в устойчивый результат.
