Алексей Акулов, исполнительный директор платформы промышленного ИИ "АтомМайнд", рассказывает, как не попасть в эту ловушку и как построить стратегию внедрения, приносящую реальную пользу компании.

ИИ как следствие, а не цель

Главная ловушка современного бизнеса — это внедрение искусственного интеллекта ради самого искусственного интеллекта. Распознать ее на раннем этапе можно по формулировке запроса: задача должна звучать через бизнес-проблему, а не через технологию. Когда руководитель говорит "давайте внедрим ИИ для анализа данных", но при этом не может назвать конкретный KPI, который улучшится, это явный признак того, что положительного эффекта не будет. Правильная формулировка звучит так: "Станок останавливается два раза в месяц, это стоит нам миллион рублей, нам нужно снизить количество остановок до одного раза в квартал". В этом случае технология становится не целью, а инструментом, следствием, которое мы подбираем под уже сформулированную бизнес-задачу. Только так можно понять, какой реальный эффект принесет внедрение на производстве.

Кладбище пилотов: почему 90% проектов умирают

По моим наблюдениям, из 100 запущенных пилотов до промышленного внедрения доходит порядка 10-15. Причины здесь системные и повторяющиеся. Первая и главная: начинать надо не с выбора технологий искусственного интеллекта, а с настройки культуры управления данными. В пилоте команда Data Science вручную вычищает выбросы, синхронизирует временные ряды и восстанавливает пропуски, но при масштабировании на парк от 100 станков делать это вручную невозможно, нужен автоматизированный процесс формирования датасетов. Второе: обучить модель — это примерно 10% работы, остальные 90% — развернуть ее в производственном контуре, обеспечить переобучение при дрейфе данных, мониторить качество и отслеживать деградацию. В пилотах это легко решается в ручном режиме, а коммерческие внедрения без автоматизации этих процессов невозможны.

К технологическим причинам добавляются и организационные. Первая из них — организационный вакуум: непонятно, кто отвечает за модель и является ее владельцем после внедрения. Это не ИТ-директор и не отдельно взятый инженер. На стороне заказчика должен быть выделенный сотрудник с полномочиями. Вторая организационная проблема — подвижность контекста: за время пилота меняется организационный ландшафт, уходят руководители, корректируются бюджеты, и изначальная задача перестает быть актуальной.

Таким образом, кладбище пилотов возникает не из-за несостоятельности алгоритмов, а из-за сбоев в управлении изменениями и недостаточного уровня корпоративной культуры работы с данными.

Тест на ловушку: задайте вопрос о будущем

Бессистемное внедрение ИИ — это не развитие, а риск. Вместо ожидаемого эффекта компания может получить ухудшение позиций и технологическую отсталость. Чтобы не попасть в эту ловушку, я предлагаю простой тест. Задайте на старте вопрос: что будет с вашей моделью через год после запуска? Где она окажется, кто будет с ней работать, кто за нее отвечает? Если вы не можете четко сформулировать ответ, то идти во внедрение рано. Вопрос о будущем модели — это на самом деле вопрос о людях. Кто будет ее сопровождать, развивать и использовать? Если команда не готова, то и технология преждевременна. Потому что ИИ — это прежде всего инвестиции в людей. Сама по себе модель ничего не стоит, если рядом нет людей, готовых с ней работать и встраивать ее в реальные процессы. Поэтому я убежден, сегодня нужно вкладываться в людей не меньше, чем в софт.

И еще один обязательный пункт — измеримая цель. Пилот не должен формулироваться как "проверим гипотезу". Его результат должен быть конкретным. Например, снизить отклонение параметра на 10% за два месяца или сократить ручную обработку документов с 90 до 10% за три месяца. Если гипотеза не подтвердилась, закрывайте проект без сожаления. Для заказчика это тоже успех, поскольку он сэкономил деньги на масштабировании заведомо неработающего решения.

Когда ждать, а когда бежать

Я бы предположил, что грань между здоровым прагматизмом и опасным промедлением проходит в точке, где потери от невнедрения начинают превышать риски от внедрения незрелой технологии. Если ваш конкурент уже получает измеримый эффект на аналогичных процессах с помощью ИИ, а вы все еще ждете, то вы уже опоздали, это факт. Если же эффект никем не доказан в вашей отрасли, тут прагматизм оправдан, здесь я солидарен с осторожным подходом.

По отдельным технологиям, на мой взгляд, ситуация существенно различается. Классическая предиктивная аналитика сейчас на пике зрелости. Тысячи внедрений по всему рынку. И здесь моя рекомендация однозначна: внедрять не раздумывая, потому что конкуренты уже экономят на этом. С голосовыми помощниками сложнее. Здесь зрелость средняя, процент галлюцинаций все еще высок, и я бы советовал ограничиться аккуратными пилотами на некритичных задачах. А вот что касается агентов с автономным изменением режимов оборудования, тех самых систем, которые не просто анализируют, а сами принимают решения и управляют процессами, здесь зрелость пока низкая. Также на сегодняшний день очень высокие юридические риски. Неизвестно, кто будет отвечать в случае неправильно принятого искусственным интеллектом решения. Я бы на месте заказчика ждал еще год-два и тестировал эти технологии только в "песочнице". С генеративным ИИ для создания рабочих документов, техзаданий и закупочных процедур — та же история: без проверки экспертами я бы такие задачи ИИ не доверял, только наблюдать и тестировать на некритичных кейсах.

Взгляд на промышленный ИИ в России

По моим оценкам, промышленный искусственный интеллект в России сейчас находится скорее в долине разочарования, если использовать кривую Гартнера, ну или, скажем так, на выходе из нее. Пик завышенных ожиданий со стороны заказчика пришелся на 2021-2022 годы. Тогда вовсю звучали обещания полной автоматизации заводов за два года, все говорили о темных фабриках Китая, где производство и логистика полностью роботизированы. Сейчас я вижу другую картину: инвесторы и топ-менеджмент спрашивают не "когда мы внедрим свой ChatGPT", а "какой реальный эффект мы получим от проекта и в какой перспективе". И это обнадеживает, так как правильный вопрос — это уже половина ответа.

Что касается пузыря завышенных ожиданий вокруг ИИ, он сдувается, и я не сторонник того, что он лопнет. Уровень внедрения ИИ в промышленности в России все еще невысок. Причина все та же: недостаточная культура управления данными. Те, кто ее выстроил, работают на конкретные измеримые эффекты, а не на модные тренды. При этом даже в крупных холдингах есть понимание, что ИИ внедрять нужно, но не знают, как. Стратегии пишутся прямо сейчас, уже на основе успешных кейсов и эффектов. В России я не жду громкого хлопка. Пузырь сдувается постепенно. Заказчики стали разумно смотреть на цели и бюджеты.

Порядок в данных — основа любого ИИ-проекта

Я полностью согласен с тезисом, что ИИ — это не про алгоритмы, а про данные и инфраструктуру. Но когда мы говорим "навести порядок в данных", это не про жесткий диск с архивом логов. В своей практике я выделяю три уровня, или слоя, работы с данными, без которых любое ИИ-решение нежизнеспособно. Первый — физический: это инфраструктура и непосредственно датчики на производственном оборудовании. Нельзя предсказать отказ, если вибрация измеряется раз в час, а дефект проявляется в сто раз чаще. В данном случае нужны современные датчики и правильная частота опроса. Второй — логический: собранные данные должны быть определенным образом описаны, синхронизированы между собой, им нужно присвоить метаданные, то есть описать, что за данные перед нами, где, при каких условиях они снимались. Без единой описательной временной системы любой анализ несостоятелен. И третий — организационный слой: нужны люди, отвечающие за хранение, качество данных, их сбор, нужны регламенты и ответственные за чистоту архива.

И еще один важный момент. При внедрении технологий я всегда начинаю с вопроса, что мы хотим оптимизировать. Если задача неконкретная и неизмеримая, проект обречен с самого старта. При этом я понимаю, что в разных кейсах приоритеты могут смещаться. Например, на одном новосибирском заводе, уникальном предприятии, которое отливает оборудование для металлургических гигантов, весь архив конструкторской и рабочей документации представлял собой огромные рулоны бумаги формата А0, оставшиеся с советских времен, написанные тушью, по ГОСТам. Для них первым шагом стала оцифровка и распознавание, а не частота опроса датчиков. Но суть одна: без порядка в данных, физического, логического и организационного, не работает ни одна модель, где бы вы ее ни внедряли.

Про оценку эффективности ИИ-проектов

Многие компании упускают из виду один ключевой фактор при оценке эффективности ИИ-проектов. Стоимость разработки, сбора данных и обучения модели — это обычно 20-30% от общей стоимости владения. А вот остальные 70-80% — это эксплуатация. Сюда относятся зарплаты MLOps-инженеров, Data Science, специалистов по машинному обучению, электроэнергия, железо, на котором развернуты решения, переобучение моделей, их поддержка, приобретение лицензий на программное обеспечение. Совокупность этих статей и формирует затраты на эксплуатацию. И здесь, на мой взгляд, самое важное: очень точно представлять и считать эти затраты на старте проекта, когда мы защищаем бизнес-кейс перед лицами, принимающими решения. Потому что без учета эксплуатации ни один проект, даже успешно запущенный, не будет долго работать. Это я говорю как человек, который видел много таких примеров.

Облако или свое железо: что выгоднее?

Вопрос о том, что дешевле, облачный ИИ или собственная инфраструктура, на самом деле не такой простой, как кажется. Аренда облачного ресурса в перспективе трех лет, как правило, сравнивается с владением собственным сервером для большой языковой модели. Поэтому я всегда говорю: смотрите на бюджет, которым оперирует заказчик. Если у него сейчас есть возможность покрывать потребности только операционными затратами, то он никуда не уйдет от облачных подписок. Но надо четко понимать, что в перспективе ему придется платить лишние деньги. И здесь, на мой взгляд, имеет смысл идти по пути совмещения двух подходов, формируя гибридную среду. Это дает предприятиям гораздо большую автономность.

ИИ не заменяет, а создает рабочие места

Внедрение ИИ-технологий часто упирается не в алгоритмы, а в людей. Допустим, технология куплена, но сотрудники не хотят ее использовать. Они боятся ошибок, потери контроля, любых изменений. С этим я сталкивался не раз. Если мы внедряем систему ради внедрения, люди будут настороженно к ней относиться. Если же мы идем от потребностей, спрашиваем, что их не устраивает, и решаем именно эту проблему — они заинтересованы и готовы использовать инструмент. Но здесь важна серьезная работа со стороны вендора. То есть требования формируются на основе реальных нужд, а сотрудники должны быть обучены и должны чувствовать поддержку, особенно в первое время.

По поводу страха, что ИИ забирает рабочие места: я не сторонник этого тезиса. В моем понимании ИИ через повышение продуктивности создает рабочие места. Например, у юристов: модель, обученная на кодексах, автоматизирует рутину, один специалист обрабатывает больше запросов, цены снижаются, услуги становятся доступнее, как следствие, возникает дополнительный спрос и появляются новые рабочие места. Я вижу и второй эффект. Есть ситуации, когда физически не хватает людей. Представьте моногород или закрытый город: новых специалистов привлечь сложно, а рождаемость не покрывает потребности. Там без таких инструментов просто не обойтись — доступными ресурсами нужно решать больше задач. Так что я убежден: ИИ — не про замену, а про расширение возможностей и рынка.

Но если ИИ создает новые рабочие места, возникает вопрос: где брать людей с нужным скиллсетом? Ответ — в изменении рынка труда. Современные выпускники университетов уже владеют ИИ-инструментами лучше, чем их родители, и привносят эту культуру в компании. Задача работодателя — не насаждать использование ИИ огнем и мечом, а разумно доносить выгоды. Инициатива должна идти и сверху, и снизу: новые сотрудники уже обладают определенным набором навыков, а руководство должно поддерживать эту культуру в программах обучения.

Главный риск ИИ — его бездумное использование, а не кибератаки

Я бы говорил о рисках внедрения ИИ не только с точки зрения информационной безопасности, а в целом про алгоритмы, потерю управляемости, контроль. Но первое и самое явное, что я вижу в своей практике, это потеря компетенции сотрудников при бездумном использовании инструментов ИИ. Сотрудники, вместо того чтобы подумать, берут ответы из условного ChatGPT и без проверки, без использования собственной экспертизы формируют отчеты или внедряют в проекты. Люди теряют понимание процесса, следуют рекомендациям модели, не понимая, что она анализирует только те данные, которые кто-то другой создал до этого. Поэтому если выстраивать культуру использования ИИ, проверка результатов должна быть обязательной. Можно сделать вывод, что это инструменты не для джунов, а для специалистов от middle и выше.

Что касается контроля, я считаю, что человек, проверяющий результаты работы ИИ, не обязан досконально понимать, как работает модель на каждом этапе. Но он должен твердо осознавать: это не оракул, а интерпретатор данных, на которых он обучен, не более того. В промышленных процессах роль экспертов не снижается, а наоборот, вырастает. Только специалист высокого уровня может проверить рекомендации ИИ и принять правильное решение, использовать их или нет.

Теперь об информационной безопасности. Я бы выделил два новых риска, которые появляются именно с ИИ. Первый: большие языковые модели могут быть обучены на критичных корпоративных данных, доступ к которым изначально есть у ограниченного круга лиц. И даже будучи выпущенными в локальный контур предприятия, они могут предоставлять ответы с использованием этих данных, не понимая, кто находится у экрана и кто задает вопрос. Второй риск: сотрудники не всегда используют только локальные инструменты. Дома у них могут быть подписки сразу на пять моделей, на ChatGPT, на DeepSeek и еще на десяток инструментов, и никто не отследит, используют ли они их для решения рабочих задач или только для личных. Если речь идет о критичных производствах, связанных с коммерческой или с государственной тайной, это прямой путь к утечкам информации. Плюс есть риск подмены ответов: в цифровом мире можно отследить, откуда и в каком контексте задается вопрос. Далее, путем целенаправленного воздействия на ответ, предоставляются недостоверные данные, которые, в зависимости от сложности, не всегда сразу выявляются и могут уйти в работу, что может нанести серьезный ущерб организации.

Чек-лист для внедрения ИИ: от пилота к промышленной эксплуатации

Резюмируя сказанное, выделю пять ключевых шагов, которые, на мой взгляд, стоит проверить перед запуском ИИ-проекта. Первое и самое важное — цель. Задача должна быть сформулирована через бизнес-проблему, а не через технологию. Мы должны понимать, какую задачу решаем и как будем оценивать эффект в деньгах, во времени и так далее. Иначе это внедрение ради внедрения.

Второе — ответственность. Надо заранее назначить тех, кто будет собирать и готовить данные, кто будет разрабатывать модели и отвечать за их поддержку. Определить, где модель будет жить на пилоте, а где — после масштабирования. И самое главное, нужно назначить владельца решения, так как без ownership модель просто повиснет в воздухе и быстро превратится в бесхозный актив.

Третье — экономика. Мы должны понимать стоимость внедрения: затраты на сотрудников, инфраструктуру, обучение моделей. И обязательно учитывать не только развертывание, но и эксплуатацию в перспективе. На практике эксплуатация может перекрывать стоимость внедрения в два и более раз.

Четвертое — пилотирование на некритичных задачах. Не нужно раскатывать решение сразу на производственную инфраструктуру. В промышленности я рекомендую начинать с оборудования, у которого период обслуживания три-шесть месяцев. Если срок больше, эффекта придется ждать слишком долго. Если говорим про корпоративный сектор, здесь лучше выбирать такие процессы для пилота, которые напрямую не влияют на финансовые показатели и не связаны с клиентами, например, внутренние агенты и помощники, которые сначала тестируются в песочнице. Проверили гипотезу, подтвердили эффекты и только тогда идем в коммерческое внедрение.

И пятое — если гипотеза не подтвердилась, закрывайте пилот без сожалений и радуйтесь. Ведь это тоже успех. Вы не развернули решение на реальных производственных мощностях и не понесли больших потерь на масштабирование. Отрицательный результат — тоже результат, а сэкономленные деньги можно считать заработанными.

Алексей Акулов, исполнительный директор "АтомМайнд"