Внедрение искусственного интеллекта в российский бизнес сталкивается с рядом объективных трудностей, связанных как с переоценкой возможностей технологий, так и с практическими ограничениями на этапах интеграции и эксплуатации. Эти факторы существенно влияют на восприятие и реальную отдачу от использования ИИ в различных отраслях.
Одна из ключевых проблем — несоответствие ожиданий реальным результатам. Часто ИИ-системам приписывают способность мгновенно трансформировать рабочие процессы и создавать эффект «вау» с первого дня внедрения. Однако Егор Ершов, кандидат физико-математических наук и руководитель группы «Цветовая вычислительная фотография» в AIRI, объясняет, что такой подход связан с избирательным вниманием к ошибкам и недочётам в работе новых систем. «Наличие хотя бы одной ошибки может привести к выводу, что система не работает вовсе», — отмечает эксперт. При этом значимый эффект от внедрения автоматизированных решений, включая ИИ, обычно проявляется не сразу, а спустя один-два года после начала эксплуатации. Это связано с особенностями обучения моделей, которые базируются на больших объёмах данных, охватывающих преимущественно типичные сценарии. В узкоспециализированных областях или в исключительных ситуациях ИИ на старте может быть менее эффективен, поскольку не обучен на таких данных. Однако тренировка моделей на новых данных — процесс возможный, но требующий времени и ресурсов. В этой связи Ершов подчёркивает важность реалистичного подхода к ИИ: «Основная задача технологии — автоматизировать стандартные операции, а сложные случаи лучше оставить специалистам».
Вторая серьёзная преграда — высокая стоимость и временные затраты на внедрение ИИ. Несмотря на потенциальную экономическую выгоду от замены живого сотрудника на ИИ-систему, процесс интеграции новых технологий в устоявшиеся бизнес-процессы часто требует значительных инвестиций и длительной подготовки. Егор Ершов отмечает, что для поддержки и развития продуктов на базе ИИ необходимы высококвалифицированные специалисты, стоимость труда которых может превышать затраты на рутинных сотрудников. При этом дефицит таких профессионалов на рынке ставит под угрозу стабильную работу автоматизированных систем и их дальнейшую поддержку. Аналогичное мнение выражает Виталий Попов, директор департамента инфраструктурных решений ГК Softline, который выделяет ключевые статьи расходов: «Покупка подписки на готовое ИИ-решение — это лишь верхушка айсберга. Реальные затраты включают интеграцию с локальными системами, приобретение и обслуживание серверов с GPU, обучение моделей и сотрудников». Для успешного внедрения он советует тщательно просчитывать бюджет и оценивать выгоды на основе конкретных задач, учитывая, что технологии не всегда должны быть дорогостоящими и сложными.
Подход к выбору ИИ-решений также играет значимую роль. Владислав Беляев, сооснователь и исполнительный директор платформы AutoFAQ, предупреждает об ошибках попыток сразу внедрить универсальные большие языковые модели (LLM) для всех бизнес-процессов. «Если у компании недостаточно ресурсов — кадровых, финансовых, инфраструктурных — лучше сосредоточиться на точечных решениях с проверенной эффективностью в своей нише». Подобные рекомендации подтверждает и Николай Верховский, академический директор программ цифровой трансформации Школы управления Сколково. Он советует не поддаваться моде, а всегда анализировать, какую конкретную метрику улучшит внедряемый ИИ и как это повлияет на экономические показатели компании.
Наконец, качество данных, на которых обучаются модели, остаётся краеугольным камнем успешного использования искусственного интеллекта. Виталий Попов подчёркивает: «Если данные содержат ошибки и нерелевантны, даже самая продвинутая модель не сможет оказать должного влияния на процессы».
Вопрос внедрения искусственного интеллекта (ИИ) в бизнесе часто обрастает мифами, и один из самых распространенных — это представление о том, что достаточно автоматизировать отдельный процесс, и система заработает как раньше, но с улучшенной эффективностью. Егор Ершов указывает на ошибочность этой точки зрения, подчеркивая, что ИИ всегда интегрируется в более широкий контекст бизнес-процессов и зависит от уровня цифровизации компании. Если часть процессов остается нецифрованной и не связана с другими, а обмен данными не налажен, то ожидать заметных улучшений не стоит.
По мнению Екатерины Мовсесян, генерального директора КРОС, искусственный интеллект функционирует на основе больших объемов информации. Однако если данные неструктурированы, устарели или содержат ошибки, это значительно снижает точность работы моделей и их полезность для бизнеса. Нехватка данных может приводить к неправильным выводам и ошибкам. Одним из возможных решений может стать отказ от универсальных моделей и общих баз данных, с переходом на индивидуальную доработку ИИ под конкретные нужды бизнеса, но это требует значительных ресурсов и усилий.
Николай Верховский подчеркивает, что создание простого ассистента, например, в формате бота в Telegram, является лишь первым шагом. Более сложной задачей оказывается интеграция с существующими базами знаний компании и корректная настройка, чтобы система могла работать с нужными данными и избегала ошибок. В некоторых случаях стандартные решения могут оказаться неэффективными, и компаниям нужно развивать собственные компетенции, что влечет за собой дополнительные затраты. Если у компании уже имеются проблемы с современными технологиями, то о внедрении ИИ стоит задуматься лишь после налаживания обмена данными.
В заключение Владислав Беляев, эксперт AutoFAQ, утверждает, что мнение о необходимости полной цифровизации для внедрения ИИ является скорее заблуждением.
Внедрение ИИ в российских компаниях требует взвешенного и поэтапного подхода, реалистичных ожиданий и тщательного планирования ресурсов. Автоматизация стандартных операций способна повысить эффективность, но при этом нельзя забывать о необходимости поддержки квалифицированными специалистами и непрерывном улучшении качества исходных данных.