Коротко
Большинство корпоративных AI-пилотов застревают между демо и рабочей системой по организационным причинам. Будет ли пилот запущен, решают охват, метрики, владелец, данные и подготовка людей, и все это можно спланировать заранее.
По прогнозу Gartner, не меньше 30% проектов на генеративном AI к концу 2025 года закроют после proof of concept из-за слабых данных, недостаточного контроля рисков, растущих затрат и неясной ценности. В отчете McKinsey State of AI 2025 около 39% организаций сообщают хоть о каком-то влиянии генеративного AI на EBIT. Провалы повторяют один сценарий.
Большинство корпоративных AI-пилотов останавливаются по организационным причинам. Их проектируют как технологический эксперимент, а продакшну нужно изменение в бизнесе: процесс, владелец, метрика и данные, которые выдерживают реальный объем. Разрыв между пилотом и продакшном лежит в этих четырех вещах.
Типичный пилот строят под то, что впечатлит управляющий комитет: узкий сценарий, чистый датасет, наглядный результат.
Такие пилоты редко касаются систем, где идет работа: ERP, CRM, очереди обращений, колл-центра. Когда продакшн одобрен, команда обнаруживает, что аутентификацию, журналы аудита, обработку ошибок, передачу вопроса человеку и проверку комплаенса никто не закладывал. Пилот прошел, проект закрыт. Обычный вывод звучит так: технология еще не готова. Верный вывод: пилот был демо.
Спросите AI-команду, как она оценивает пилот, и услышите про точность, F1, задержку и стоимость вызова. Эти цифры нужны инженерам. Финансовый директор и владелец бизнеса говорят на другом языке.
Пилот с высокой точностью, который не экономит ни часа работы сотрудников и не снимает ни одного обращения, с точки зрения бизнеса провалился. Исследования McKinsey State of AI сильнее всего связывают влияние на EBIT с перестройкой рабочих процессов. Для пилота главный вопрос в том, что изменится в отчете о прибылях, когда он заработает. Пилот без ответа на него не переживает пересмотра бюджета.
Пилоты строят команды инноваций, дата-сайентисты, консультанты или вендор. Продакшн принадлежит IT-эксплуатации, подразделению, которое пользуется инструментом, а в регулируемых отраслях еще рискам и комплаенсу, и у каждого свой бюджет и свое понимание готовности.
Команда инноваций празднует и берется за следующую идею. Эксплуатация получает незнакомый стек без runbook, уровня сервиса, дежурств и бюджета, и пилот тихо выводят из работы. Компании, которые доводят AI до продакшна, считают передачу инженерной задачей. Они называют владельца продакшна до старта пилота и оценивают команду пилота по тому, принял ли он работу.
Пилоты работают на отобранных выгрузках. Продакшн работает на том, что производит бизнес: неполные записи, несколько источников истины, дубли, свободный текст на трех языках и конвейеры, построенные под ежемесячную отчетность.
Модель принимает решения в таком объеме и с такой скоростью, каких у людей не было, поэтому видна каждая слабость данных. Кредитный пилот банка на чистой выгрузке заявок отличается от системы, которая обращается к основной банковской платформе, сверяется с кредитным бюро и оставляет проверяемый след. По прогнозу Gartner, до конца 2026 года организации откажутся от 60% AI-проектов, у которых нет готовых для AI данных. Большинство бюджетов пилотов не закладывают расчистку данных, поэтому многие AI-планы превращаются в планы по дата-инженерии.
Даже технически удачный пилот провалится, если люди, чью работу он меняет, не подготовлены, не переобучены и не видят смысла его принять. Модель, которая ускоряет проверку документов, окупается, только когда аналитики доверяют ее результатам, перестраивают свой процесс и находят применение освободившемуся времени.
Исследование BCG 2025 года показывает, что небольшая группа компаний, которых BCG называет future-built, получает от AI в пять раз больший рост выручки и в три раза большее сокращение затрат, чем остальные, и перестраивает работу вокруг AI. Это раннее участие владельцев бизнеса, честный разговор о том, как меняются роли, новый процесс до внедрения и измерение использования наравне с качеством модели. Изменения, отложенные на потом, приходят, когда пилот уже списан.
Обычное возражение: технология не готова. Модели галлюцинируют, задержка скачет, затраты трудно предсказать, а корпоративные инструменты отстают.
В масштабе enterprise технология редко оказывается настоящим препятствием. Те же модели уже работают в продакшне в банках, страховых компаниях, ритейле и логистике. Когда две организации применяют одну модель к одной задаче и результат получает только одна, разница лежит вокруг модели: в данных, интеграции, владельце, метриках и подготовке людей. Винить технологию удобно, потому что исправлять ее должен кто-то другой.
Из этого следуют четыре изменения. Считайте пилотом узкое внедрение в продакшн с реальными пользователями, реальными данными и бизнес-метрикой с первого дня: если команда не может назвать строку P&L, которая сдвинется, пилот начинать рано. Назначьте владельца продакшна в бизнесе до начала моделирования и сделайте его приемку главным критерием успеха. Заложите бюджет на расчистку данных и интеграцию, которые часто требуют больше сил, чем сама модель. Ведите организационные изменения как отдельный поток работ с владельцем и метриками.
Больше всего от AI получают компании, которые рано останавливают слабые пилоты и с первого эскиза проектируют каждую инициативу как изменение в бизнесе, где AI одна из частей.
Единой надежной цифры нет. Gartner прогнозировал, что к концу 2025 года не меньше 30% проектов на генеративном AI закроют после proof of concept. В McKinsey State of AI 2025 около 39% организаций сообщают хоть о каком-то влиянии генеративного AI на EBIT, и меньше 20% называют это влияние заметным.
Исследования McKinsey и BCG указывают на организационные причины: неясные бизнес-метрики, отсутствие владельца продакшна, долги в данных и недофинансированную подготовку людей. Модели в целом достаточно сильны. Разрыв в том, как компании проектируют работу, отвечают за нее и встраивают ее в процессы.
Демо строят, чтобы впечатлить в контролируемой среде на отобранных данных. Хороший пилот работает в продакшне в узком масштабе: реальные пользователи, реальные данные и интеграции, названный владелец в бизнесе и метрика в P&L. Если пилот не может сказать, что изменится в отчете о прибылях, когда он заработает, это демо, как бы его ни называл вендор.
По бизнес-результату, который пилот должен сдвинуть в одном процессе: сэкономленные часы, время цикла или доля ошибок. Его определяют вместе с исходной точкой до начала моделирования. Точность и задержка нужны инженерам и в заголовок отчета не попадают.
Сделать пилот узким внедрением в продакшн с названным владельцем в бизнесе и метрикой в P&L. Заложить бюджет на данные и интеграцию и дать организационным изменениям своего владельца.
Пилот впечатляет управляющий комитет. Системе, которой люди пользуются каждый день, нужны владелец в бизнесе, метрика в P&L, интеграция с системами, где идет работа, и данные, которые выдерживают реальный объем. Команда opengate проектирует и разрабатывает AI внутри таких систем и до первой модели согласует владельца и исходную точку для измерений. Начните с одного процесса, а мы измерим, что он дает.
