Как внедрить ИИ и не разочароваться: практические решения от экспертов СКОЛКОВО

Один из ключевых выводов исследования: успех ИИ-проекта определяет не столько качество алгоритма, сколько «эпистемическая культура» — сложившаяся в компании практика работы со знанием и принятия решений. 

Условно все организации можно разделить на три типа: 

• Культура экспертов (people-driven). Знание формируется через экспертизу, опыт и неформальные связи. Решение принимаются на основе интуиции и считаются обоснованными, если их одобрил признанный авторитет.
• Культура процессов (process-driven). Знание закрепляется в регламентах и правилах. Решение правомерно, если укладывается в рамки установленных процедур и процессов. Прежде чем внедрить инновацию, нужно подготовить сопроводительную документацию. 
• Культура данных (data-driven). Источник знания — анализ данных, полученных в ходе оценки текущей ситуации, эксперимента или прогнозирования. Цифры — ключевой аргумент. Если метрики подтверждают гипотезу, решение принимается без одобрения «сверху». 

Исследователи выявили, что ИИ наиболее органично приживается в компаниях с культурой, ориентированной на данные. 

В организациях, где решения должны подтверждаться человеком, проекты чаще буксуют. Ключевые причины: 

Сопротивление людей. Люди болезненно воспринимают автоматизацию задач, которые считают ядром своей профессиональной идентичности. Автоматизация таких задач воспринимается как попытка «отобрать работу», а машинные результаты встречают скепсис. Решение — четко определить «границы непередаваемых функций» и оставить за человеком право финального вердикта в сложных и ответственных вопросах. 

Хаос данных. В компаниях, управляемых экспертами (people-driven) знание часто не формализовано, хранится разрозненно и в разных форматах или вовсе существует только в головах опытных сотрудников. В итоге при реализации ИИ-проектов остро проявляется принцип «garbage in — garbage out» («мусор на входе — мусор на выходе»): ИИ обучают на устаревших документах и дублях, и на выходе бизнес получает бесполезные прогнозы и рекомендации. В таких проектах подготовка данных съедает больше ресурсов, чем разработка самой модели. Сложность в оцифровке экспертизы: профессионалы часто действуют интуитивно и не осознают алгоритм принятия решений.

Вторая системная причина провалов ИИ-проектов — неподходящий «режим» автоматизации. 

Исследователи проанализировали процессы организаций через призму теории распределенного познания. Согласно этой теории, общее знание рождается в результате взаимодействия людей и различных инструментов. Оказалось, что сбои в ИИ-проектах возникают не из-за ошибки одного человека или системы, а в точках «пересечения» людей, процессов и инструментов. 

Любая интеллектуальная задача раскладывается на три последовательных этапа:

1. Распознавание: превращение «сырых» данных в сигналы.
2. Принятие решения: определение плана действий в соответствии с полученными сигналами.
3. Исполнение: реализация плана. 

Для каждого этапа возможны три режима: 

• полностью автоматически (Auto), 
• гибридный (человек работает совместно с ИИ, Augment), 
• полностью ручной (Manual). 

Самые распространенные варианты распределения ролей между человеком и ИИ:

• «Auto-Auto-Auto», 28% кейсов. Полная автоматизация всех действий. Работает там, где данные однозначны, процессы стандартизированы, а риски контролируемы. 
• «Auto-Augment-Auto», 11%. Система обрабатывает большие данные и генерирует подсказки, человек принимает итоговое решение, исполнение автоматизировано. Используется, когда модель не может учесть сложность контекста и рисков.
• «Auto-Augment-Augment», 10%, и «Auto-Auto-Augment», 8%. Распознавание автоматическое, человек включается на этапе исполнения. Подходит для творческих или полуструктурированных задач.
• «Auto-Augment-Manual», 9,5%. Система распознает данные, человек принимает решение с поддержкой ИИ, реализация — на стороне человека. Типично для задач, выполнение которых нельзя доверить алгоритму из-за высоких юридических, этических или репутационных рисков.

Практика показывает: цель «автоматизировать все» и «полностью заменить человека» — нереалистична и может привести к провалу. Успешное внедрение ИИ зависит от определения подходящего режима автоматизации для каждого процесса. И тут уже возможны варианты: от полной автоматизации до усиления человека с помощью ИИ.

Третья системная проблема — так называемая «когнитивная дистанция»: разрыв в восприятии и языке между менеджерами, бизнес-заказчиками и разработчиками. 

Например, пользовательская история (User Story) сформулирована так: «Как покупатель я хочу получать персональные рекомендации сразу после открытия страницы, чтобы быстрее найти нужный товар». Для бизнеса это задача по росту конверсии. Для ML-инженера — техническое требование: время отклика модели не более 300 мс. Для дизайнера — описание интерфейсного блока и поведения системы.

Когда когнитивная дистанция слишком велика, команда, по сути, работает над разными целями, просто называя их одинаково. Исследования подтверждают: взаимное непонимание входит в топ-5 причин провала ИИ-проектов. 

В рамках исследования аналитики выявили типичные ситуации, когда неоптимальная дистанция губит проекты.

Типичные ловушки:

1. Болезнь блестящих игрушек. Бизнес-заказчик инициирует проект без консультации с разработкой. Отсутствует оценка базовых условий: возможен ли проект с технической точки зрения, достаточно ли у компании ресурсов — данных, людей, денег — для его реализации, потребуется ли модернизация ИТ-инфраструктуры. В результате проект закрывается из-за срыва сроков, увеличения технического долга, перерасхода бюджета. 
2. Внедрение ради внедрения. Проект инициирует топ-менеджмент, «потому что это тренд», а не для решения конкретной задачи. Технически прототип создан, но бизнес-ценность нулевая — процессы не меняются, системой никто не пользуется.
3. Улучшения ради улучшения. Разработчики увлекаются решением сложных технических задач в отрыве от бизнес-целей. Финансирование прекращается, когда становится непонятно, какую пользу несут эти улучшения. 
4. Один за всех, и все за одного. Опасна ситуация, когда опыт и мышление всех участников схожи: исчезает критический взгляд на проект, сомнениям нет места. Все усилия идут на поддержание самой идеи, а не на поиск оптимального решения бизнес-задачи.

Что делать? С самого начала вовлекать в работу все три стороны и сокращать когнитивную дистанцию до средней. Именно такой разрыв считается оптимальным. У участников достаточно различий, чтобы генерировать идеи и рассматривать проблему с разных сторон, и в то же время достаточно общности, чтобы понимать друг друга. 

Для управления когнитивной дистанцией используйте три проверенные практики:

• «Торговые зоны» — регулярные встречи, где команда договаривается об общих целях и «рабочем языке». Главный принцип: никто не владеет всей полнотой информации, и успех зависит от сотрудничества. Профессиональные различия перестают быть барьером, а превращаются в источник новых гипотез.
• «Граничные объекты» — конкретные объекты для обсуждения на «торговой зоне». Например, дашборд, рабочий прототип, график, User Story или трекер задач. Объект позволяет людям из разных профессиональных групп обсуждать одно и то же на своем языке, при этом оставаясь в общем контексте. 
• «Брокеры знаний» — люди, которые одинаково уверенно чувствуют себя в мире бизнеса и в мире технологий. Они создают и поддерживают «граничные объекты», умеют переводить информацию с языка бизнеса на язык технологий и наоборот. Например, брокером может быть продуктовый менеджер с техническим бэкграундом или технический тимлид с управленческими навыками.