Пилотный проект внедрения искусственного интеллекта: как провести и не застрять

Что такое пилотный проект внедрения искусственного интеллекта

Короткий ответ: это платный, но небольшой проект, который отвечает на один вопрос — «работает ли ИИ на этой задаче с нашими данными и окупится ли он». Пилот отличается от демо тем, что идёт на реальных документах, заявках или звонках, и отличается от продакшена тем, что не требует полной интеграции, отказоустойчивости и обучения всей компании.

Три обязательных свойства хорошего пилота:

• Одна задача. Не «внедрить ИИ в отдел продаж», а «сократить время первичной квалификации входящих заявок».
• Заранее зафиксированная метрика. Число, которое измерено до старта и будет измерено после: часы, доля закрытых обращений, точность классификации, конверсия.
• Дата и критерий решения. В конце пилота есть протокол: «масштабируем, если метрика улучшилась минимум на X при точности не ниже Y».

Если хотя бы одного из трёх нет — это не пилот, а исследование за деньги заказчика. Именно из таких «пилотов без критериев» вырастает большинство проектов, которые годами не выходят в продакшен, — подробнее в разборе ошибок при внедрении искусственного интеллекта.

Зачем нужен пилот, если можно сразу внедрять

Потому что до контакта с вашими данными никто — ни подрядчик, ни вендор, ни внутренняя команда — не знает, какую точность даст модель на ваших документах и какую долю задач она реально закроет. Пилот переводит смету из области обещаний в область измеренного.

• Снижает риск бюджета. По разным оценкам, значительная часть ИИ-проектов не доходит до промышленной эксплуатации. Пилот стоит в разы дешевле полноценного внедрения и позволяет закрыть неудачную идею до крупных трат.
• Даёт реальную смету. После пилота понятно, сколько данных надо доразметить, какие интеграции нужны и сколько будет стоить эксплуатация — без этого стоимость внедрения оценивается «пальцем в небо».
• Формирует внутреннего владельца. За 6–8 недель у проекта появляется человек в бизнесе, который видел результат и готов отвечать за масштабирование.
• Снимает страх у сотрудников. Команда работает с ассистентом на ограниченном участке и видит, что он помогает, а не заменяет.

Как выбрать задачу для пилота

Правильная задача для пилота внедрения искусственного интеллекта — на пересечении трёх условий: заметный объём рутины, данные уже есть в электронном виде, цена ошибки низкая и обратимая. Практический фильтр:

• Объём. Задача повторяется десятки или сотни раз в неделю: разбор входящих писем и заявок, ответы на однотипные вопросы, извлечение данных из документов, подготовка черновиков.
• Данные. Есть история хотя бы за несколько месяцев: переписка, тикеты, регламенты, документы, звонки с расшифровкой. Если данные в головах сотрудников или на бумаге, сначала нужен другой проект.
• Обратимость. Ошибку ИИ ловит человек до того, как она дошла до клиента или в бухгалтерию. Задачи с необратимыми последствиями — выдача кредита, отказ кандидату, медицинское решение — на пилот не берут.
• Измеримость. Метрика уже считается или её можно посчитать за неделю до старта.

Типовые кандидаты, которые чаще всего проходят фильтр: первая линия поддержки по базе знаний, квалификация входящих заявок для отдела продаж, поиск по внутренним регламентам и договорам, извлечение реквизитов из счетов и накладных, подготовка черновиков коммерческих предложений. Готовый список сценариев с оценкой эффекта есть в материале о сценариях ИИ с самым быстрым ROI.

Какие метрики зафиксировать до старта пилота

Метрики делятся на три группы, и нужны все три — иначе в конце пилота решение будут принимать по ощущениям.

• Бизнес-метрика. То, ради чего всё затевалось: среднее время обработки заявки, доля обращений, закрытых без оператора, часы специалиста на документ, конверсия из заявки в сделку.
• Метрика качества. Точность и полнота на выборке, которую проверил человек: доля правильных ответов, доля верно извлечённых полей, доля ответов, которые оператор отправил без правок.
• Метрика эксплуатации. Стоимость одного обращения к модели, время отклика, доля запросов, ушедших на эскалацию к человеку. Без них нельзя посчитать стоимость владения после масштабирования.

Базовые значения измеряются до старта на том же участке и тех же людях. Если базы нет, первая неделя пилота уходит на замер — и это нормально.

Как выглядит пилот внедрения искусственного интеллекта по неделям

Ниже — типовой план на 6–8 недель, который мы используем на практике. Сроки условны и зависят от состояния данных.

• Неделя 1 — постановка. Фиксируем задачу, метрики, базовые значения, критерий успеха и границы: какой отдел, какие типы запросов, какой объём. Согласовываем доступ к данным и контур обработки.
• Неделя 2 — данные. Выгружаем историю, чистим, собираем проверочную выборку из 100–300 реальных примеров с эталонными ответами, размеченными сотрудниками. Эта выборка — главный актив пилота.
• Недели 3–4 — прототип. Собираем рабочую версию: промпты, RAG-контур по вашим документам, при необходимости — минимальную интеграцию с одной системой. Меряем качество на проверочной выборке, итерируем.
• Недели 5–6 — работа с людьми. Ассистент работает на реальном потоке в режиме «предлагает — человек подтверждает». Собираем правки операторов, считаем бизнес-метрику и стоимость обращения.
• Недели 7–8 — решение. Отчёт: метрики «до/после», ошибки по типам, смета на продакшен с интеграциями и эксплуатацией, дорожная карта. Решение принимается по критерию, зафиксированному на первой неделе.

Если для задачи нужны действия в ваших системах — создать заявку, проверить статус заказа, изменить запись, — уже на пилоте закладывается архитектура агента, а не чат-бота: разницу и последствия для бюджета разбирали в статье «ИИ-агент или чат-бот».

Кто нужен со стороны компании

Пилот срывается не из-за технологий, а из-за отсутствия людей на стороне заказчика. Минимальный состав:

• Владелец от бизнеса — руководитель подразделения, который отвечает за метрику и принимает решение по итогам. 2–3 часа в неделю.
• Эксперт-разметчик — один-два сотрудника, которые знают процесс и готовы проверять ответы модели и размечать проверочную выборку. 4–6 часов в неделю на старте.
• Технический контакт — тот, кто даст доступ к данным и одной системе для интеграции. Несколько часов за весь пилот.

Отдельно — безопасность и юристы, если в данных есть персональные данные или коммерческая тайна: контур обработки согласуется на первой неделе, а не после того, как модель уже увидела документы.

Сколько стоит пилотный проект внедрения ИИ

Универсальной цены нет, но ориентиры рынка на пилот в 6–8 недель:

• Ассистент по базе знаний или регламентам (RAG) без интеграций: $5 000 – $15 000.
• Классификация и извлечение данных из документов или заявок с одной интеграцией: $10 000 – $25 000.
• Агент с действиями в ваших системах на ограниченном сценарии: от $20 000.

В стоимость входят постановка, подготовка проверочной выборки, прототип, замеры и отчёт со сметой на продакшен. Не входят — лицензии и API-расходы (обычно от нескольких десятков до нескольких сотен долларов за пилот), а также полноценная интеграция и обучение сотрудников: это уже следующий этап. Как формируется смета всего внедрения, разобрано в статье «Сколько стоит внедрить ИИ», а порядок этапов после пилота — в дорожной карте внедрения.

По каким критериям масштабировать или закрывать пилот

Решение принимается по протоколу, а не по впечатлению. Рабочая схема из четырёх исходов:

• Масштабируем. Бизнес-метрика улучшилась не меньше порога, качество на проверочной выборке приемлемо, стоимость обращения укладывается в экономику. Переходим к продакшену с интеграциями.
• Дорабатываем. Качество близко к порогу, а ошибки сосредоточены в понятных типах запросов: нужны ещё данные или уточнение регламентов. Продлеваем на 2–4 недели с новой датой решения.
• Меняем задачу. Модель работает, но эффект на выбранном участке мал: экономия есть, а денег в ней нет. Берём соседнюю задачу с большим объёмом.
• Закрываем. Данных недостаточно или цена ошибки оказалась выше ожидаемой. Это тоже результат: компания сэкономила бюджет полноценного внедрения.

Типичные ошибки при проведении пилота

• Пилот без базовых замеров. В конце некому ответить, стало ли лучше, — и проект живёт вечно «на доработке».
• Слишком широкий охват. Три отдела и пять сценариев в одном пилоте — гарантированный срыв сроков и размытая метрика.
• Пилот на синтетических данных. Красивая демонстрация на идеальных примерах не говорит ничего о работе на реальных письмах с опечатками и вложениями.
• Нет времени экспертов. Без разметки и проверки ответов сотрудниками модель настраивается вслепую.
• Продакшен-требования на пилоте. Отказоустойчивость, SSO, полная интеграция со всеми системами — это удорожает пилот в разы и не помогает ответить на его вопрос.
• Бесконечный пилот. Если через 8 недель нет решения, это не пилот, а проект без владельца.