Почему бизнесу нужен AI Governance и кто умеет его выстраивать

22 июня 2026

Пять лет ИИ-экспериментов: когда рынок придет к промышленному использованию ИИ

В последние годы на рынке наблюдался тренд на массовые эксперименты с ИИ. Компании запускали множество пилотов, тестировали генеративные модели, инвестировали в инфраструктуру, но в большинстве случаев так и не внедрили ИИ-решения. До 90% проектов по внедрению искусственного интеллекта в мире остаются на стадии пилотов. Причина не в нехватке технологий: модели стали доступнее, вычислительных мощностей достаточно. Дело в том, что компании не выстроили системного подхода в управлении данными и ИИ, не закрепили ответственность за результаты. По итогу ИИ больше разочаровывает: инвестиции не окупаются, локальные успехи не повторяются, ожидания не оправдываются.

Дмитрий Красников, руководитель направления Big Data & BI компании К2Тех, рассказал о том, почему барьер масштабирования ИИ лежит в плоскости данных и управления, почему классического Data Governance больше недостаточно, что такое AI Governance, и что на практике должны делать компании, чтобы перестать неэффективно расходовать бюджет на ИИ-инициативы.

Волна ИИ-пилотов и провал на этапе масштабирования

За последние пять лет корпоративный рынок прошел через несколько волн внедрения ИИ. В 2021–2024 годах сформировался период масштабного спроса: компании массово тестировали решения, запускали пилоты, на рынке появилось множество стартапов, генеративные модели стали главным фокусом внимания. Большинство компаний подходили к внедрению ИИ через эксперименты: тратили бюджет на тестовые кейсы, тогда как единая стратегия, комплексная ИТ-инфраструктура и оценка ее готовности к промышленной эксплуатации не принимались во внимание. К концу 2025 года первая волна пилотов завершилась, и стало очевидно, что решения, показавшие хорошие результаты в песочницах, не удается применить в масштабе компании. Либо эффект не подтверждается на реальных процессах, либо модель невозможно встроить в существующую инфраструктуру и операционную модель.

По оценкам ведущих исследовательских институтов и консалтинговых компаний, включая MIT, Gartner и BCG, до 90% пилотов признаны неудачными. Только 20% компаний добились на них значимых результатов, и лишь около 5% смогли масштабировать решения на уровне организации. Масштаб неудач дал рынку массу данных для анализа причин. Согласно PEX Report 2025/26, ключевыми барьерами стали:

30% – сопротивление изменениям. Бизнес не готов встраивать ИИ в операционные процессы, оставляя решения только на уровне экспериментов.
31% – регуляторные ограничения и требования информационной безопасности. Отсутствие формализованных политик использования ИИ и четких правил работы с данными блокирует качественную и результативную эксплуатацию решений.
49% – дефицит внутренней экспертизы. Компании не успевают формировать команды, способные разрабатывать модели и управлять их жизненным циклом.
52% – низкое качество и ограниченная доступность данных. Разрозненные источники, несогласованные правила сбора, различающиеся форматы и пробелы в исторических данных не позволяют повторение результатов пилота в масштабах всей организации.

На первый взгляд, выделены разные проблемы, но они имеют общий источник: отсутствие структурированного подхода к управлению данными и ИИ-инициативами. Несмотря на то, что о качестве данных говорят уже много лет и вокруг этой темы сформировано множество экспертных инициатив, именно при переходе от пилотов к промышленному ИИ качество и управляемость данных являются главным препятствием для большинства компаний.

Цена масштабирования: почему данные требуют постоянного контроля

Генеративный ИИ кардинально изменил работу с информацией. Если раньше аналитическими моделями могли пользоваться только определенные специалисты, то теперь любой сотрудник может обращаться к ним на естественном языке и получать результат в режиме диалога. Искусственный интеллект превращается в повседневный инструмент работы сотрудников различных функций, а значит, резко растут требования к управлению доступом, прозрачности источников и контролю поведения моделей.

У этих изменений есть и оборотная сторона. Чем больше пользователей и чем разнообразнее задействованные данные, тем выше риск искажения информации на входе. Например, пилотная модель показывает высокий уровень точности на ограниченном уровне, но при попытке распространения ее на всю компанию выясняется, что данные по регионам собираются по разным правилам, часть критичных показателей хранится в неформализованных Excel-файлах, а доступ к историческим данным ограничен требованиями информационной безопасности. В результате модель, показавшая высокие показатели на пилоте, оказывается неприменимой в промышленной среде.

Автономные ИИ-агенты и генеративные решения усиливают эту проблему. Модели, обученные на нерепрезентативных или неочищенных данных, начинают формировать ложные закономерности. Их выводы визуально выглядят убедительно и подтверждаются ссылками на данные, но приводят к ошибочным управленческим решениям.

Так появляются новые типы рисков, которые важно учитывать:

Непрозрачность происхождения информации затрудняет объяснение логики выводов и валидацию решений.
Утечки конфиденциальных данных возможны не только через обучающие выборки, но и через пользовательские запросы.
Бизнесу необходимо дать доступ к надежным данным широким группам сотрудников, не теряя при этом контроль над чувствительной информацией и соблюдением требований регуляторов.

В этих условиях управление данными вынужденно превращается в непрерывный процесс контроля качества на всем жизненном цикле использования ИИ-решений.

От Data Governance к AI Governance: управление всей экосистемой

Классический Data Governance решал одну понятную задачу: обеспечение качества данных на входе в аналитические и учетные системы. Были четко определены метрики полноты, точности, актуальности; регламенты проверки и форматы контролировали «сырье» для отчетности и BI. При этом качество воспринималось как статическое состояние: достаточно один раз выстроить правила, чтобы система работала предсказуемо.

Появление генеративного ИИ сделало эту модель недостаточной. Управление только данными означает управление лишь частью системы. На практике компании работают с экосистемой данных, моделей, инфраструктуры и бизнес-процессов, которые постоянно влияют друг на друга. Риски, связанные с ИИ, возникают не только на входе, но и в процессе использования решений.

Даже идеально очищенные и структурированные данные не гарантируют корректность результата. Модель может выдавать ошибочные рекомендации из‑за ложных корреляций, изменения контекста применения или пользовательских запросов. При этом ИИ-решения также генерируют новые данные, влияют на их интерпретацию и формируют риски на границе алгоритмов и бизнес-логики. Управлять данными в отрыве от моделей становится бессмысленно.

На этом стыке возникает потребность в новом управленческом контуре – AI Governance. Это подход, который охватывает весь жизненный цикл ИИ-инициатив: от формирования бизнес‑гипотез и критериев успеха, отбора и подготовки данных, разработки, тестирования и валидации моделей до ввода в продуктив, операционного мониторинга, переобучения, вывода из эксплуатации и управления рисками.

AI Governance расширяет классический Data Governance и отвечает на вопросы, которые раньше оставались вне фокуса:

Кто несет ответственность за решения, принятые на основе рекомендаций ИИ, особенно в чувствительных областях?
Как обеспечить объяснимость моделей для регуляторов и внутренних комитетов?
На каких контурах использование ИИ допустимо, а где ошибка неприемлема и требуется консервативный подход?

Без ответов на эти вопросы ИИ остается точечной инициативой. При наличии настроенного AI Governance он становится в управляемым активом.

Что должно входить в операционную модель AI Governance

Переход от пилотов к промышленным ИИ-решениям начинается с формирования операционной модели, которая задает единый порядок работы с инициативами в этой области. Такая модель включает несколько обязательных элементов:

Стратегия и политика управления ИИ. Выделение целей применения ИИ, приоритетных направлений, ограничений и запретных зон (например, критическая инфраструктура, кибербезопасность).
Информационная безопасность и защита данных. Маскирование чувствительной информации, контроль утечек, управление промптами и обращениями.
Организационная модель и компетенции. Центр компетенций по ИИ, ответственные роли, процессы согласования и принятия решений.
Управление рисками и контроль. Реестр рисков, связанных с использованием ИИ, методики их оценки, процедуры эскалации и реагирования.
Методология разработки и оценки эффективности. Стандартизированные подходы к тестированию, валидации и A/B‑тестам, единые метрики бизнес‑эффекта.
Регуляторика и комплаенс. Соответствие отраслевым внешним требованиям и внутренним стандартам.
Метрики и отчетность. Прозрачность результатов качества моделей и показателей точности влияния на ключевые бизнес‑KPI и затраты.

Наличие операционной модели AI Governance позволяет перейти к масштабным ИИ-инициативам и выстроить структурный и понятный процесс управления. По мере того, как управление данными и ИИ достигает зрелости, искусственный интеллект начинает создавать измеримую ценность. Модели начинают формировать синтетические выборки там, где нельзя использовать реальные, автоматически поддерживать бизнес-глоссарии и описания, выявлять смысловые аномалии, недоступные классическим проверкам, участвовать в нормализации и маскировании чувствительной информации. Формируется замкнутый контур: на основе качественных данных создаются устойчивые модели, которые масштабно поддерживают и улучшают качество данных.

Как компании превращают хаос пилотов в системный подход

Как показывает опыт организаций, которым удалось масштабировать ИИ: ключевым фактором успеха становится способность выстроить целостную систему. Перейти от разрозненных экспериментальных команд к централизованному центру компетенций, создать единую платформу для работы с данными и моделями, формализовать правила доступа, ответственности и принятия решений, интегрировать ИИ‑решения в операционные и продуктовые процессы.

При этом AI Governance задает рамки, в которых определяются зоны допустимого и недопустимого применения ИИ, выстраиваются процессы управления качеством данных и моделей, обеспечивается соответствие требованиям регуляторов и внутренних политик, формируются понятные для бизнеса правила доверия к результатам ИИ.

Когда эти правила закреплены, хаос пилотов сменяется управляемыми решениями: инициативы оцениваются по единым критериям, лучшие практики переиспользуются, риски контролируются на каждом этапе, а ИИ становится регулярным инструментом создания ценности.