АО "Инфосистемы Джет" опубликовало исследование ИИ-зрелости крупного бизнеса в России на основании результатов опроса компаний и глубинных интервью. В выборку вошли компании с публичными кейсами внедрения искусственного интеллекта (ИИ), а также крупные организации, соответствующие порогу по выручке. 39% компаний, принявших участие в опросе, относятся к ИТ-сектору; финансы и реальный сектор составили по 21%; компании из сфер торговли, логистики, сервиса - 19%.

Несмотря на то, что большие языковые модели (LLM) пилотируют или полноценно используют 86% компаний, почти половина (44%) отказывается от внедрения ИИ-агентов. Основной причиной такого решения является недостаточная зрелость процессов и инфраструктуры данных, а также сложность интеграции ИИ с корпоративными системами.

Помимо этого, 25% компаний отказываются от внедрения ИИ-агентов из-за сложности интеграции с существующей архитектурой, еще 40% - из-за дефицита профильных специалистов.

"Незрелые процессы", "сложная интеграция" и "нехватка людей" - это, по сути, одна проблема. Если процесс живет в головах и чатах, а данные разбросаны по пяти системам без общего доступа, то агенту нечего автоматизировать. Интеграция сама по себе редко тормозит. Подключить агента к CRM или учетной системе можно за несколько недель. Дольше договариваются о другом: с какими правами агент работает с данными и кто отвечает за его действия", - отметил руководитель департамента автоматизации бизнес-процессов и искусственного интеллекта ООО "Гибрид" (Hybrid) Андрей Храмцов.

"С барьерами, отмеченными в исследовании, я согласен. Но мне кажется, что корень проблем глубже. Чаще всего компании пытаются автоматизировать уже сложившийся в их бизнес-процессах хаос, не проведя инвентаризацию данных, не разработав соответствующие регламенты и не унифицировав их форматы. Аналогичные трудности мы наблюдали раньше при внедрении классических корпоративных систем, и хотя ИИ заметно терпимее к свойственному людям беспорядку, результат - схожий", - рассказал генеральный директор ООО "Сайбер Бизнес Консалтинг" Дмитрий Лившин.

Директор департамента бизнес-решений и цифровой трансформации "Софтлайн Решения" (входит в ГК Softline) Егор Ворогушин добавил к списку еще два барьера внедрения ИИ-агентов: "Один связан с ответственностью: агенту можно поручить задачу, но отвечать за результат по-прежнему будет человек. Пока у ошибки агента нет владельца, компания не даст ему самостоятельности. Другой барьер связан с арифметикой: ошибки в цепочке действий перемножаются, и 90% точности агента на каждом шаге реализации процесса за семь шагов дают меньше половины верных результатов на выходе. Агенту стоит начинать с коротких цепочек, а качество мерить по результату всего процесса".

"Дополнительно можно отметить еще такие барьеры: стоимость инфраструктуры, комплаенс-риски, внутреннее сопротивление изменениям (страх потери работы). И хочется выделить отдельно такую проблему, как отсутствие наблюдаемости. Если нельзя измерить точность, стоимость запроса, долю эскалаций человеку, время обработки и количество ошибок, агента невозможно безопасно вывести в прод", - добавил эксперт по внедрению гибких методологий разработки Landev AI в департаменте корпоративных систем ГК "Ланит" Артем Сусеков.

По данным аналитиков "Инфосистемы Джет", уже на этапе пилота ИИ-проекты не приносят ожидаемого экономического эффекта и закрываются. Об этом сообщили 46% компаний. Среди других причин провала ИИ-экспериментов: отсутствие владельца продукта или процесса, нестабильное качество решения и галлюцинации моделей. Кроме того, всего 8% компаний готовы делегировать ИИ принятие решений со средним и высоким уровнем риска.

"На наш взгляд, компании не получают экономического эффекта от ИИ из-за отсутствия стратегии, которая связывала бы сценарии внедрения с экономикой подразделений. Проблема возникает, когда пилот становится самоцелью: KPI ставится на сам "запуск пилота", а не на измеримый бизнес-результат. Чтобы повысить долю эффективных внедрений, заказчикам необходимо выбирать два-три приоритетных сценария применения ИИ по критериям объема операций, стоимости процесса, доступности данных и цены ошибки. Для каждого пилота нужно фиксировать исходные показатели, полную стоимость эксплуатации и четкий порог успешности. Цель должна состоять в раннем отсеве слабых сценариев и доведении перспективных до измеримого результата в конкретном подразделении. Тогда большая доля пилотов будет переходить в реальные проекты", - рассказал менеджер по развитию продукта "Онланта ИИ Хаб" ООО "Онланта" (входит в ГК "Ланит") Дмитрий Васильев.

"Главная причина отсутствия ожидаемого экономического эффекта на выходе - отсутствие четкой бизнес-постановки. Часто компания внедряет ИИ "потому что надо", не определив, какой показатель и на какую величину хочет улучшить. Технически решение работает, но эффекта нет, поэтому пилот закрывается. Вторая причина - недооценка подготовительной работы: в зрелых проектах до 70% усилий уходит не на модель, а на данные, интеграции и перестройку процесса", - отметил заместитель руководителя направления ИИ ИТ-холдинга "Т1" Сергей Карпович.

"Вся беда в том, что неправильно стоят цели, некорректно оценен ожидаемый эффект, нет достаточного объема данных, на которых можно собрать этот эффект. Все успешные сценарии базируются на огромных датасетах. Но даже владельцы некоторых таких датасетов продолжают быть против ИИ, потому что они против в принципе", - добавил заместитель директора управления продуктов и технологий ООО "Е-Флопс" Филипп Моднов.

"Мы не раз видели ситуации, когда компании начинают внедрять ИИ ради самой технологии, не определив заранее, какую бизнес-проблему она должна решить и как измерить результат. Снизить долю неудачных проектов поможет переход от экспериментов с моделями к оценке конкретного экономического эффекта: сокращения трудозатрат, повышения производительности или снижения потерь, в том числе на промышленных предприятиях", - подытожил генеральный директор ГК "Ультиматек" Павел Растопшин.