Ошибки при внедрении искусственного интеллекта

Почему проекты по внедрению искусственного интеллекта не доходят до продакшена

Короткий ответ: их запускают как технологический эксперимент, а не как изменение бизнес-процесса. По разным оценкам, значительная часть корпоративных ИИ-пилотов так и не выходит за рамки демо — и почти всегда причина в списке ниже, а не в выборе модели. Хорошая новость в том, что все девять ошибок видны заранее и стоят дёшево, если поймать их до старта разработки.

Ошибка 1. Начинать с технологии, а не с задачи

«Нам нужен искусственный интеллект» — это не задача. Задача звучит как «сократить время ответа на входящую заявку с 4 часов до 10 минут» или «снизить списания скоропорта на 15%». Без формулировки в деньгах или в понятной операционной метрике проект нечем защищать на следующем бюджетном цикле — и он тихо умирает после демо.

Что делать: до любой разработки зафиксировать одну метрику, текущее значение и целевое. Если посчитать текущее значение невозможно — это первый признак, что начинать надо не с ИИ, а с учёта.

Ошибка 2. Пилот, который невозможно масштабировать

Демо на десяти отобранных вручную примерах всегда выглядит убедительно. Проблемы начинаются на реальном потоке: другие форматы документов, опечатки, редкие случаи, нагрузка. Пилот, собранный «чтобы показать», обычно приходится выбрасывать целиком.

Что делать: даже прототип строить на реальных данных из боевой системы и оценивать не «вау-эффект», а долю случаев, которые он закрывает без человека. Как это выглядит на практике — в разборе ИИ-агентов в продакшене.

Ошибка 3. Недооценить состояние данных

Это самая дорогая ошибка по срокам. Данные оказываются в трёх несвязанных системах, справочники не совпадают, половина полей заполняется свободным текстом, истории меньше года. Подготовка данных регулярно занимает больше времени, чем сама разработка модели.

Что делать: провести аудит данных до подписания сметы и заложить подготовку отдельной строкой. Если своих размеченных данных мало — это не приговор: часть задач закрывается на готовых языковых моделях поверх вашей базы знаний, см. ИИ на данных компании и RAG-систему для бизнеса.

Ошибка 4. ИИ без доступа к рабочим системам

Ассистент, который умеет только разговаривать, экономит секунды, а не часы. Ценность появляется, когда он читает актуальные данные и выполняет действия: находит статус заказа, создаёт заявку, бронирует слот, оформляет возврат. Без интеграции с CRM, ERP или системой заказов вы получаете справочник с красивым интерфейсом.

Что делать: с первого дня проектировать доступ к системам — через API или через MCP-сервер, если нужно, чтобы с вашими данными работали и внешние ИИ-ассистенты вроде ChatGPT и Claude. Разницу между уровнями решений разбирали в статье «Чат-бот, ИИ-агент или MCP-сервер».

Ошибка 5. Нет сценария передачи человеку

Модель ошибается — это свойство технологии, а не дефект внедрения. Опасно другое: когда ошибка уходит клиенту без проверки. Жалобы, юридически значимые ответы, крупные суммы, нестандартные случаи должны уходить сотруднику по явному правилу.

Что делать: заранее описать список стоп-тем и порог уверенности, при котором диалог переключается на человека, и обязательно логировать такие случаи — это же и есть материал для следующей итерации.

Ошибка 6. Игнорировать сопротивление сотрудников

Если сотрудники видят в проекте угрозу, они не саботируют его открыто — они просто не пользуются инструментом и не дают обратную связь. Формально система внедрена, фактически метрика не двигается.

Что делать: с самого начала объяснять, какую именно рутину система забирает, вовлекать в проект тех, кто выполняет процесс руками, и показывать первые результаты на их метриках, а не на слайдах для правления.

Ошибка 7. Считать только стоимость разработки

Смета «на проект» почти всегда занижает реальную стоимость владения. За рамками остаются подготовка данных, интеграции, тестирование, обучение сотрудников, стоимость вызовов модели на реальном объёме и поддержка со второго года.

Что делать: считать бюджет на горизонте 12–24 месяцев и требовать разбивку по статьям. Ориентиры по рынку — в материале «Сколько стоит внедрить ИИ». Там же видно, почему две одинаковые на вид задачи могут отличаться по цене в несколько раз.

Ошибка 8. Запустить и забыть

ИИ-система деградирует сама: меняется ассортимент, регламенты, формулировки клиентов, поведение поставщика модели. Без мониторинга качество падает незаметно — и вы узнаёте об этом от клиентов.

Что делать: заложить сопровождение в контракт с первого дня — обновление базы знаний, регулярную проверку ответов на контрольном наборе вопросов, дашборд по ключевой метрике и понятную процедуру отката.

Ошибка 9. Не учитывать канал ИИ-поиска

Компании вкладываются во внутреннюю автоматизацию и не замечают, что клиенты уже спрашивают рекомендации у ChatGPT, Perplexity и AI Overviews. Этот трафик не виден в привычной веб-аналитике, но он перераспределяется между теми, кого ИИ называет, и теми, кого нет.

Что делать: проверить, что отвечают ассистенты на запросы вашей категории, и работать с этим отдельно — этим занимается AEO. Подробнее о том, почему ИИ может рекомендовать конкурента, — в отдельном разборе.

Как проверить проект до старта: короткий чек-лист

• Есть одна метрика с текущим и целевым значением, выраженная в деньгах или во времени.
• Известно, откуда берутся данные, кто ими владеет и в каком они состоянии.
• Определено, к каким системам ИИ получит доступ и какие действия сможет выполнять.
• Описаны сценарии передачи человеку и стоп-темы.
• Есть владелец процесса со стороны бизнеса, а не только со стороны ИТ.
• Бюджет посчитан на 12–24 месяца, включая поддержку и стоимость вызовов модели.
• Заранее оговорено, при каких результатах пилот признаётся неудачным и закрывается.

Если хотя бы три пункта без ответа — начинать разработку рано. Дешевле потратить две недели на диагностику, чем полгода на пилот, который некому принять.