По данным MIT, 95% компаний не фиксируют отдачи от вложений в ИИ, а лишь 1 из 20 проектов выходит в промышленную эксплуатацию. Успешны в основном стартапы и крупные компании, которые таким образом решают лишь одну конкретную задачу и грамотно строят партнерства.
С одной стороны, подобные выводы следует интерпретировать с осторожностью, отмечает доцент, заместитель директора Центра коммуникаций и цифровых решений – руководитель направления исследований Владимир Коровкин: авторы исследования трактуют успех проектов генеративного ИИ преимущественно как быстро достижимый финансовый результат.
В языке инвесторов есть понятие "хоккейная клюшка", типичная траектория развития технологических проектов. Сначала достаточно долго они почти не дают отдачи, но потом способны уйти на экспоненциальный рост. Поиск таких проектов на "плоской" стадии - и есть хлеб инвестора, вкладываться в период бурного роста бессмысленно, вы переплатите с точки зрения приведенного денежного потока.
Очень может быть, что большое количество изученных авторами исследования проектов - просто на "плоской" стадии этой "клюшки" и многие из них способны выстрелить - если их не зарубят стейкхолдеры.
Сказанное не значит, конечно, что в мире нет действительно провальных проектов внедрения генеративного ИИ. Собственно, никто в бизнесе пока что толком не понимает, что они реально могут дать.
Чтобы понять, почему происходят провалы и что важно сделать для успеха, Лаборатория ИИ Центра коммуникаций Школы управления СКОЛКОВО провела исследование «От пилота к масштабу: как встроить ИИ в процессы и получить отдачу». Было проанализировано более 1600 кейсов внедрения ИИ в 25 отраслях, а также проведено 30 глубинных интервью с экспертами.
Главный вывод: успех ИИ-проекта определяет не алгоритм, а культура работы со знанием внутри компании
6 причин неудачного внедрения новых технологий
Неверный выбор формы и культуры работы с информацией
Успешность ИИ-проекта в компании зависит от культуры работы с получаемой информацией и принятием решений. Самый успешный - data-driven подход, когда решающим аргументом служит эксперимент или результат анализа данных;
Низкое качество и хаотичность исходных данных в компании
Если корпоративная система переполнена дублями, устаревшими файлами и несовместимыми форматами, то даже лучшие алгоритмы не работают;
Стремление максимально автоматизировать все процессы и функции в компании
Максимальный эффект достигается при грамотном сочетании режимов: ИИ усиливает или заменяет человека там, где это оправдано, а ключевые процессы остаются за людьми.
Когнитивная дистанция и отсутствие взаимопонимания в коллективе компании
Чем больше разрыв в языке и мышлении у топ-менеджеров, владельцев процессов и разработчиков, тем больше проекты буксуют из-за недоверия и срывов сроков.
Внедрение ИИ-проектов без последующего регулярного анализа эффективности
Проекты, где команды показывают результат короткими циклами быстрее выявляют ошибки и корректируют ожидания. Напротив, длинные изолированные спринты без демонстрации промежуточных версий приводят к накоплению ошибок, росту недоверия и увеличению рисков провала.
Использование устаревших методов анализа эффективности внедряемых ИИ-процессов.
Анализ показал: классический метод CRISP-DMего отраслевые продолжения (DataPro, CRISP-ML(Q), MAISTRO) задали высокие стандарты работы с данными, но почти не учитывали управленческие и культурные барьеры. Из-за этого даже технически безупречные решения нередко оказывались невостребованными в компаниях.
Более подробно в тексте исследования:
Руководитель проекта СКОЛКОВО Медиа