Почему российский бизнес буксует при внедрении ИИ. Основные проблемы и решения

ИИ можно бояться или идеализировать его, но факт остаётся фактом: всё больше признаков, что очень скоро эта технология будет сопровождать нас практически везде. Компании разных уровней серьёзно взялись за эту тему, чтобы не отстать от конкурентов. Однако на практике расчёты на помощь искусственного интеллекта частенько не оправдываются. «Секрет» вместе с экспертами разобрался, какие проблемы и барьеры возникают при внедрении ИИ и как их можно решить.

Зачем внедряют ИИ

Как и любая автоматизация производства, ИИ помогает: - ускорить выполнение рутинных задач; - снизить операционные расходы и другие издержки; - повысить точность операций; - разрабатывать новые форматы взаимодействия с клиентами; - тестировать гипотезы и генерировать различные идеи.

Наконец, в отдельных задачах ИИ оказывается куда точнее или быстрее человека, например когда нужно проверить большой массив данных и найти там ошибки или повторяющиеся моменты.

В идеальном мире от внедрения ИИ в процессы все в выигрыше: клиенты получают более быстрый и качественный сервис, сотрудники высвобождаются для более высокоуровневых задач, компания экономит ресурсы и деньги, которые можно направить на развитие бизнеса.

Особенно актуальным это стало на фоне дефицита кадров, который испытывает российский рынок труда. Большинству компаний уже стало ясно, что, если рассчитывать только на человеческие ресурсы, они неминуемо проиграют в зарплатных гонках малому числу бизнес-гигантов.

Так что менять приходится сам подход к найму и распределению обязанностей между дорогими работниками и пусть и небесплатными, но куда более доступными и безотказными ИИ-решениями. Россияне не хотят получать много за работу в полях и на заводах — и от этого страдают все. Почему так Слесарям и рилсмейкерам приготовиться: каких специалистов будут отрывать с руками в 2025 году Ставка не сыграла. Почему некоторые «профессии будущего» так и не стали популярными в 2025 году

На все эти факторы вам непременно укажут апологеты использования ИИ в бизнесе, медицине и прочих сферах.

Однако есть и теневая сторона, с которой сталкиваются те, кто решается на практике опробовать преимущества ИИ и оптимизировать с его помощью бизнес-процессы.

Основные проблемы при внедрении ИИ в России

1. Несоответствие ожиданий от ИИ

Первый из барьеров — несоответствие ожиданий из-за идеализации технологии.

От ИИ-систем часто ждут «вау-эффекта» с первого дня внедрения, но по факту может показаться, что в процессах ничего существенно не изменилось.

Это издержки избирательного мышления: нам свойственно обращать внимание на ошибки, поэтому наличие хотя бы одной может привести к заключению «ничего не работает». К тому же эффект от внедрения автоматизированных систем (и ИИ здесь не исключение) оценивается не сразу, а на дистанции в 1–2 года.

Егор Ершов
к. ф.-м. н., руководитель сектора репродукции и синтеза цвета ИППИ РАН и СТО EKSLi

Эксперт указал, что, хотя ИИ-системы обучаются на огромных массивах данных, по большей части они охватывают типичные случаи. Если взять какую-то узкоспециализированную сферу или исключительные ситуации, ИИ поначалу может оказаться бессилен — просто потому, что при обучении системы в неё не заложили эту информацию.

Натренировать ИИ-решение на новых данных вполне реально, но это потребует времени.

Как решить

Важно не возлагать на технологию фантастических надежд, подчеркнул Ершов. Основная задача ИИ — автоматизировать стандартные операции. А сложные случаи пока стоит оставить живым специалистам.

2. Не оправдывает затрат на внедрение

Хотя в перспективе ИИ может оказаться выгоднее, чем живой сотрудник, выполняющий те же задачи, само внедрение новой технологии в налаженные процессы требует и времени, и сил, и немалых денег. И если просчитаться с ожиданиями, не всегда выгодно с экономической точки зрения.

Искусственный интеллект — сложная технология, и поддержка продуктов на её основе требует работы высококвалифицированных специалистов. Такие сотрудники стоят намного дороже тех, чьи рутинные операции делегируются ИИ. На рынке таких специалистов немного, так что в какой-то момент бизнес может остаться без поддержки, а это сведет на нет все положительные эффекты автоматизации.

Егор Ершов

Часто слышу от заказчиков: «Да что там, купил подписку за $20, и у тебя есть ИИ». Но покупка подписки на готовое решение — это лишь верхушка айсберга. Реальные затраты включают интеграцию ИИ с локальными системами; покупку, настройку и обслуживание серверов с GPU; обучение и адаптацию самой модели, а также сотрудников для работы с ней.

Виталий Попов
директор департамента инфраструктурных решений ГК Softline

Как решить

Важно заранее рассчитать все расходы и потенциальные выгоды. При этом нужно учитывать, что технологии не обязательно дорогая и сложная вещь. На практике всё зависит от конкретной задачи и подхода к внедрению: кому-то подойдёт готовое специализированное решение в своей нише, а кому-то — собственная нейроразработка.

Распространенная ошибка — пытаться внедрить универсальную LLM (большую языковую модель) для всех задач сразу. Если у компании нет достаточных ресурсов — людей, бюджета, инфраструктуры, — лучше ориентироваться на точечные решения с доказанной эффективностью в своей нише.

Владислав Беляев
сооснователь и исполнительный директор ИИ-платформы AutoFAQ

Николай Верховский, академический директор программ по цифровой трансформации Школы управления Сколково, также порекомендовал не гнаться за модой и всегда задавать себе вопрос: на какую метрику в рабочем процессе повлияет ИИ и как эта метрика конвертируется в экономический эффект.

3. Недостаточно данных для корректной работы ИИ

ИИ-модели всегда обучаются на данных, и их качество играет ключевую роль, указал эксперт Softline Виталий Попов. Если данные содержат ошибки и нерелевантны, даже самая продвинутая модель ИИ не сможет помочь.

С работой ИИ связано распространенное заблуждение: можно взять отдельный процесс, автоматизировать его, и все будет работать как раньше — только лучше. Что не так с этим представлением? ИИ-система всегда встраивается в другие процессы бизнеса и «обменивается» с ними данными. Эффективность её работы напрямую зависит от уровня цифровизации компании. Если же часть процессов бизнеса вообще не оцифрована и не связана с другими, если не налажен обмен и хранение данными, нет культуры их обработки — высоких результатов можно не ждать.

Егор Ершов

Искусственный интеллект работает на основе больших массивов информации, но, если данные разрозненны, устарели или содержат ошибки, это сильно снижает точность моделей и их полезность для бизнеса. Кроме того, данных просто может быть недостаточно, от чего появляются ошибки и неправильные выводы.

Екатерина Мовсесян
генеральный директор КРОС

Как решить

Одно из потенциальных решений — отказ от использования какой-то «общей модели» и общих баз данных и доработка ИИ под нужды конкретного бизнеса. Но эта задача требует совершенно другого масштаба.

Достаточно просто сделать себе ассистента и даже соединить его с ботом в телеграме, но более сложный вопрос, как интегрировать его с имеющимися базами знаний компании, как докрутить его, чтобы он корректно работал с необходимыми данными и не «врал». Иногда оказывается, что для компании общедоступные инструменты не годятся и нужно разворачивать компетенцию, а это уже другой объем затрат.

Николай Верховский

Кроме того, такой сценарий может не подойти если у компании и так плохо с современными технологиями. Тут не до ИИ, наладить бы сначала хотя бы сам обмен данными.

Впрочем, указал эксперт AutoFAQ Владислав Беляев, представление, что без тотальной цифровизации компании внедрение ИИ невозможно, относится скорее к распространённым заблуждениям.

Цифровая трансформация — это не монолит, а мозаика из отдельных элементов, и начинать можно с малого. Даже в компаниях с умеренной цифровой зрелостью всегда найдутся процессы, готовые к ИИ-решениям. Успех в одном направлении станет катализатором изменений в других.

Владислав Беляев

В отношении отдельных кейсов одних только данных может оказаться недостаточно — и тогда приходится фактически допрограммировать ИИ, создавая для него новые правила, по которым он будет с этими данными работать.

При помощи ИИ мы попробовали искать завышения в счетах ДМС. Модель действительно находила ошибки, что позволяло нам структурировать кейсы по уровню риска и помогало в частичной оптимизации процесса. Но не смогла решить ключевую задачу — полную автоматизацию проверки всего объёма счетов. Нейросеть не обеспечивала достаточную интерпретируемость результата, требовала значительных вычислительных ресурсов и времени на обучение, не могла масштабироваться на весь объём данных, а её точность оставляла желать лучшего. В результате мы в дополнении к модели, основанной на машинном обучении, сделали модель, основанную на правилах. Этот подход оказался более предсказуемым и прозрачным, хотя и менее гибким в сравнении с нейронной сетью. Также он требовал значительных ресурсов на создание библиотеки правил. Но в сравнении с изначальными целями — полной автоматизацией и высокой точностью — результат оказался далёк от ожидаемого.

Павел Озеров
совладелец Mains Lab

4. Проблемы масштабирования

Нередко нейросети невольно обманывают пользователей своими блестящими результатами по каким-то отдельным задачам и запросам. Легко может сложиться впечатление, что прогресс уже достиг той точки, когда «вкалывают роботы, счастлив человек».

Увы, эта иллюзия разбивается сразу же, как нейросеть пытаются прикрутить к решению более масштабных повторяющихся задач. Если даже на десять запросов из десяти она отвечает правильно, это вовсе не гарантирует аналогичный результат, когда счёт запросов пойдёт на тысячи и миллионы.

Примером неудачного внедрения стал проект по замещению на ИИ-решение сотрудников, которые занимались обработкой первичной документации. Система должна была обрабатывать определённое количество документов за определённый промежуток времени и обладать функцией самообучения. На этапе пилота модель вышла на необходимые показатели и хорошо справлялась с ограниченным объёмом документов. Но при переходе к опытно-промышленной эксплуатации возникли проблемы. Система начала подавать документы с другой разметкой и форматированием, что привело к ошибкам обработки и снижению скорости работы. Чтобы устранить проблему, мы предложили увеличить вычислительную ёмкость и дообучить модель. Однако заказчик отказался, так как экономическая выгода от решения уже не оправдывала затрат.

Виталий Попов

Как решить

Чтобы масштабировать ИИ под конкретные задачи, нужно увеличить сроки тестирования и дообучения его и запастись терпением. В целом над этой задачей сейчас бьются сильнейшие умы планеты, и модели с каждым годом становятся всё сильнее, так что, возможно, скоро проблема решится сама собой.

5. Галлюцинации

Нейросети часто «галлюцинируют» — то есть при неимении точного ответа начинают выдумывать факты и выдавать их за истину. Чтобы поймать их на этом, нужно быть специалистом в своей теме либо скрупулёзно перепроверять за нейросетью каждый ответ.

И это, конечно, сильно подтачивает веру в силу искусственного интеллекта. А главное, сводит к минимуму потенциальную полезность нейросетей для экономии человеческих ресурсов.

Ведь если ты действительно специалист, зачастую сделать всё правильно самому быстрее, чем искать блох в чужом решении или часами пытаться подобрать правильный промпт.

Как только появилась возможность использовать ИИ в бизнесе, я невероятно воодушевился и решил с его помощью провести маркетинговое исследование: сравнить возможности и расценки конкурентов со своими, проанализировать список банков, с которыми они работают. Итог: ИИ выдумал (прямо с потолка, даже с похожими названиями нет на свете компаний) десять организаций и десять банков, с которыми они якобы работают. Этот опыт на некоторое время напрочь отбил у меня охоту спрашивать ИИ о чём-либо. Через некоторое время мы всё же начали задействовать ИИ для технических задач, вроде сортировки писем, но результаты работы ИИ мы проверяем вживую всегда!

Александр Алексеев
основатель и идеолог компании GSL

Как решить

Проблема галлюцинаций и выдуманных фактов — вызов при использовании генеративного искусственного интеллекта. Как показывает исследование новостного контента, генеративные ИИ в среднем в 60% случаев ссылаются на несуществующие источники.

По мнению Владислава Беляева, решением в этом случае может стать подключение ИИ к проверенным данным. ИИ вполне можно подключить к корпоративным базам знаний, библиотекам документов или контентому сайту.

Это особенно актуально для компаний, которые работают с чувствительными данными и переживают за сохранение коммерческой тайны.

6. Предвзятость ИИ-моделей

Нейросеть, хоть и базируется на принципах работы человеческого мозга, пока всё-таки уступает человеку по части анализа новой информации. Большинство моделей без сложных алгоритмов «рассуждения» и способности искать новую информацию в режиме реального времени могут выдать только то, что в неё заложено.

В результате, сталкиваясь с чем-то неизвестным, ИИ пока проявляет косность и негибкость, пытаясь всё уложить в понятные ему схемы, не вникая в суть. Интуиция, открытость, непредвзятость? Нет, не слышали.

В одном из кейсов мы автоматизировали KYC/AML-процессы, но ИИ начал ошибочно помечать легитимных пользователей как подозрительных. Причина — некорректная обучающая выборка, не учитывающая нюансы криптоплатежей. В другом из проектов мы интегрировали ИИ-алгоритмы для скоринга заёмщиков. Ожидали ускорения процессов, но столкнулись с проблемой неверных решений: алгоритм обучался на исторических данных, содержащих скрытые предвзятости. В результате — дискриминация отдельных групп клиентов и рост ошибок в оценке.

Александр Вайс
финтехпредприниматель, член комиссии по цифровым активам ТПП и РСПП

В общем, нейросети частенько оказываются теми самыми генералами, которые готовятся к прошедшей войне.

Особенно опасно полагаться на ИИ, когда речь идёт о реальных деньгах. Например, некоторые мошенники от мира криптовалют нередко завлекают своих жертв обещанием невиданно выгодного трейдинга с использованием ИИ-инструментов, которые якобы сами будут выдавать оптимальную стратегию вместо неопытного инвестора.

На деле же, указал Вайс, такие алгоритмы обычно оказываются неэффективными в условиях волатильного рынка, так как не учитывают резкие колебания и манипуляции. Так что использование ИИ в криптовалютных проектах пока себя не оправдывает.

Как решить

Совсем от галлюцинаций пока не защититься, но можно снизить их процент, используя мощные ИИ-модели последних поколений с подключением к интернету, чтобы они хотя бы могли обновлять свои знания.

Но и это не гарантия правильных ответов, ведь и в интернете часто пишут, мягко говоря, неправду.

7. Человеческий фактор и саботаж перехода на ИИ

Cерьёзным барьером автоматизации может стать сопротивление сотрудников, которые, собственно, должны этим заниматься. Из-за опасений потерять рабочие места, консерватизма или нежелания осваивать новое люди могут незаметно саботировать внедрение ИИ и намеренно провоцировать его ошибки.

Основным препятствием при внедрении ИИ для контроля отдела телемаркетинга стал саботаж руководителя участка. Внедрение ИИ означало бы сокращение его подчинённых и полную прозрачность работы отдела — ему это было невыгодно. Ключевая ошибка в том, что я назначил его же ответственным за проект. В открытую он, конечно, не выступал против, но тормозил процесс по максимуму: затягивал сроки, не давал нужные данные, находил «непреодолимые» проблемы. Проект удалось запустить только после смены ответственного — когда передали его маркетологу, процесс пошёл в разы быстрее.

Александр Фартушный
CEO Ai Lab

Проблема связана с восприятием людей. Многие слышат и даже пробуют, но немногие понимают потенциал и смысл ИИ-ассистентов. Как результат — «мифологизация» ИИ от «о ужас, он нас заменит!» до «о счастье, он их заменит!».

Николай Верховский

Ещё одной стороной этой медали может быть реакция клиентов. Хотя сейчас чат-боты уже далеко не новость и многие даже привыкли общаться с роботами, часто пользователи предпочитают иметь дело с живыми специалистами, особенно если ситуация нетиповая.

Поэтому худшее, что может сделать бизнес, — свалить всё общение с пользователями на бота без возможности привлечь к решению проблемы оператора.

Пользователи привыкли работать по-старому. Новой системе редко сразу доверяют, поэтому компании выбирают проверенный путь.

Виталий Попов

Как решить

К счастью, саботирование ИИ случается всё реже, отметил Егор Ершов. Благодаря просветительским инициативам, успешным кейсам и популяризации ИИ от технологических гигантов от Google до «Сбера» за последние годы кредит доверия к ИИ со стороны бизнеса заметно вырос.

Владислав Беляев считает, что основная проблема сейчас заключается в сложностях адаптации и необходимости освоения новых навыков. Люди боятся сокращений, потому что не видят, что на самом деле технологии не просто заменяют рабочие места, а трансформируют их.

Если ты квалифицированный специалист, то, освоив ИИ-инструменты, можешь не просто сохранить свою карьеру, а переосмыслить её, выйти на новый уровень. Технологии становятся не угрозой, а инструментом для профессионального роста. Поэтому задача руководителя — не просто приобрести ИИ-решение, а создать среду, где технологии и люди дополняют друг друга. Ключом к решению проблем может быть открытый и честный диалог о трансформации профессий.

Владислав Беляев

8. Трудности перевода

Нейросети — удобный инструмент для пользователей, далёких от сферы IT, потому что обучены понимать человеческую речь. С ними можно не пытаться перевести ваши желания на «язык роботов» и логические команды «если-то», а говорить как с человеком.

Однако пока, признают эксперты, с пониманием каких-то сложных моментов у ИИ регулярно возникают проблемы.

Нейросеть пока ещё плохо понимает обычную человеческую речь. Например, при попытке описать формулу или алгоритм действий, где ИИ ещё только предстоит вычислить переменные, по которым надо сделать расчёт, она начинает сбоить. Для комплексных задач требуются сложносоставные промты. А этому необходимо отдельно обучать сотрудников.

Екатерина Мовсесян

Впрочем, иногда бывает и наоборот: нейросеть-то, может, и рада бы поговорить с людьми по-человечески, однако переводчик «на человеческий» требуется уже людям. Это касается прежде всего специфических терминов и канцелярита, которым любят грешить всякие официальные документы, инструкции и релизы.

Несколько лет назад возникла задача: протестировать должностные инструкции в одном департаменте. Необходимо было проанализировать массив данных и выявить на основе должностных инструкций повторяющиеся процессы, чтобы найти тех людей и те их функции, которые дублируют друг друга, и оптимизировать кадровую структуру. К сожалению, инструкции были написаны сложным, традиционным языком государственных учреждений. На тот момент ИИ ещё не обладал языковыми моделями, достаточно развитыми для точного выделения сути из этого многословия, как это стало возможно сейчас. В итоге получился забавный казус: после анализа массива должностных инструкций он выдал заключение, что всю работу может выполнять всего один человек. Хотя, разумеется, это было не так. Мы предполагаем, что эта «галлюцинация» была связана именно со сложной стилистикой входной информации. Нейросети было неясно, к чему относятся те или иные слова, и самое главное — что эти слова значат в применении к конкретному сотруднику.

Вадим Тымчик
гендиректор группы компаний «Элементум Технолоджис»

Как решить

Здесь бизнес оказывается перед выбором: либо тратить ресурсы на обучении ИИ лучшему пониманию, либо тратить ресурсы на обучение сотрудников искусству промптинга, чтобы говорить с нейросетями на одном языке.

Но, так или иначе, учиться разговаривать на одном языке надо. Пригодится, особенно на случай восстания машин. Когда ждать восстания машин и как оно будет выглядеть на самом деле. Эксперт объяснил страхи россиян Восстание машин уже близко? Новая версия ChatGPT начала обманывать разработчиков

Итоги: как всё-таки внедрять ИИ

Несмотря на все означенные препятствия, большинство из них вполне можно обойти, если грамотно подойти к процессу внедрения. Эксперт Егор Ершов подытожил главные принципы:

• Рассчитывайте экономическую целесообразность Главное правило перед внедрением — детально рассчитайте экономический эффект, изучив карту процессов, их стоимость и объём экономии за счёт автоматизации. Как правило, ИИ выгодно внедрять, если в компании много однотипных дорогостоящих операций или мест, где есть упущенная выгода.

• Убедитесь в цифровой готовности Убедитесь, что у вас налажены процессы сбора и обработки данных, которые потребуются для работы ИИ-системы. В компании должна быть полноценная IT-инфраструктура для работы с данными, их обмена, хранения и передачи.

• Не экономьте на тестировании Уделите особое внимание тестированию ИИ-системы, сформируйте набор тестовых сценариев и испытательных мероприятий. В тестировании должны участвовать все сотрудники, которые будет взаимодействовать с системой, — так вы сможете заранее выявить возможные проблемы и успеть внести корректировки.

• Обеспечьте информационную безопасность В любых процессах автоматизации важно уделять особое внимание защите информации и персональных данных — это относится и к ИИ-системам. Если при интеграции искусственного интеллекта не озаботиться вопросами информационной безопасности и не протестировать технические решения, вы рискуете утечками данных.

Тут можно пойти по одному из двух сценариев — либо сформировать отдельную инфраструктуру на собственных мощностях, либо разработать безопасные каналы взаимодействия с облачными решениями. Хорошая практика — разделить потоки персонализированных и деперсонализированных данных, чтобы гарантировать их сохранность.

• Убедитесь в качестве поддержки Если вы приобретаете стороннее ИИ-решение, обратите внимание на качество поддержки поставщика. На первых порах система потребует постоянной корректировки и консалтинга — и без оперативной помощи по всем вопросам наладить процессы будет сложно.