Как не потерять деньги на внедрении ИИ: эксперт GS Labs — о метриках, пилотах и «каскаде затухания»

В 2025 году Массачусетский технологический институт выпустил исследование The GenAI Divide, согласно которому 95 % корпоративных ИИ-пилотов не дают измеримого результата. Эта цифра активно обсуждается на рынке, однако причины провала лежат не столько в качестве самих нейросетей, сколько в подходе компаний к внедрению и методике подсчёта эффекта. В комментарии для «Телеспутника» тему разобрал директор по развитию технологий и искусственного интеллекта компании Ярослав Якимов.

По его словам, корень проблемы — в том, что бизнес научился покупать и запускать ИИ, но почти не научился одновременно перестраивать под него процессы. Технологию ставят рядом с существующим порядком работы и ждут, что цифры изменятся сами. При этом методика подсчёта окупаемости часто подводит по банальной причине: у пилота изначально не зафиксировали исходную метрику, а в смету попадает только лицензия, тогда как интеграция, подготовка данных, переобучение сотрудников и поддержка остаются за скобками.

«Компании научились покупать и запускать ИИ, однако почти не научились одновременно перестраивать под него процессы. В знаменателе ROI почти всегда занижают вложения, а в числителе чаще всего стоят сэкономленные часы, которые сами по себе не уменьшают расходы на персонал. Финансовые директора это давно поняли, и отчёт в духе «экономим четыре часа в неделю» на совете директоров уже не принимают», — отметил Ярослав Якимов.

Практичнее, по его мнению, выстроить измерение в два этапа. Сначала — метрики самого сценария: стоимость обработки одной заявки, время до ответа, доля задач, закрытых без участия человека. Затем — перевод этих метрик в деньги и уже потом в отчёт о прибылях и убытках. При этом важно смотреть шире одной экономии: качество, выручка и снижение рисков считаются тяжелее, но именно они дают лучший вклад. Что касается методов проверки гипотез, рабочая схема для большинства компаний — последовательность из трёх этапов: отсеять заведомо слабые идеи бэктестом на исторических данных, обкатать выжившие в теневом режиме параллельно с человеком, а победителя вывести на A/B-тестирование и уже по нему принимать решение о масштабировании.

Особое внимание Ярослав Якимов уделил выбору первого пилота и организационным изменениям. Процесс должен быть повторяемым, частым и терпимым к ошибке на старте. А главное условие успеха, которое отличает удачные проекты от неудачных, — вместе с процессом необходимо менять показатели эффективности сотрудников. Иначе человек будет перепроверять машину вручную, дублировать работу и добросовестно съедать весь выигрыш.

«Если человек по-прежнему премируется за то же, что и раньше, он будет перепроверять машину вручную, дублировать работу и добросовестно съедать весь выигрыш. Поэтому внедрение начинается с решения, как изменится сама работа, и только потом доходит до покупки лицензии. Вместе с моделью нужно масштабировать и договорённости вокруг неё», — подчеркнул директор по развитию технологий и искусственного интеллекта GS Labs.

При масштабировании эффект нередко исчезает — явление, которое в индустрии уже называют «каскадом затухания». Причины обычно накладываются друг на друга: пилот проходил в тепличных условиях на чистых данных, на реальном объёме проявились скрытые расходы, а ускорение одного этапа просто перенесло узкое место дальше по цепочке. Реалистичный горизонт оценки выглядит так: первые 90 дней уходят на проверку гипотезы, через три-шесть месяцев появляются первые заметные результаты, через полгода-год — подтверждённый эффект в рамках одного процесса, а устойчивое влияние на прибыль формируется в течение одного-двух лет