English

От пилота к масштабу: как встроить ИИ в процессы и получить отдачу

Об исследовании

Внедрение генеративного ИИ обещало стать «новой нефтью» для компаний. Прогнозы McKinsey оценивали рост глобального ВВП от $2,6 до $4,4 трлн. Однако реальность оказалась куда скромнее: по данным MIT, 95% компаний не фиксируют отдачи от вложений в ИИ, а лишь 1 из 20 проектов выходит в промышленную эксплуатацию.
Чтобы понять, почему так происходит, Лаборатория ИИ Школы управления СКОЛКОВО провела масштабное исследование. Было проанализировано более 1600 кейсов внедрения ИИ в 25 отраслях, а также проведено 30 глубинных интервью с экспертами, которые поделились уникальным опытом неудачных проектов интеграции ИИ в процессы компаний.
Главный вывод: успех ИИ-проекта определяет не алгоритм, а культура работы со знанием внутри компании. Чем отличается культура, которая приведет проект к успеху — читайте в исследовании! 
Почему 95% инвестиций в ИИ пока не окупаются?
Чем опасна попытка «автоматизировать всё» и где действительно нужен ИИ?
Какая организационная культура реально повышает шансы на успех?
Ключевые выводы
  • Успешность ИИ-проекта определяет не используемая технология, а культура работы со знанием.

    Наш анализ показал: компании с преобладанием культуры, опирающейся на данные (data-driven), успешнее внедряют ИИ, чем организации, полагающиеся на авторитет отдельных экспертов (people-driven) или формальное следование регламентам (process-driven).

  • Камень преткновения — низкое качество исходных данных.

    Увы, тут очевиден принцип “что посеешь, то и пожнешь”: даже лучшие алгоритмы не работают, если входные данные хаотичны. Корпоративная система часто переполнена дублями, устаревшими файлами и несовместимыми форматами. Во многих изученных нами кейсах именно подготовка и стандартизация данных занимала больше ресурсов, чем сама разработка модели.

  • Тотальная автоматизация не нужна: это непропорциональный риск.

    Мы выделили три ключевые когнитивные функции в работе организаций: распознавание, принятие решений и исполнение. Каждая из них может выполняться вручную, совместно с ИИ (аугментированно) или полностью автоматически. Как выяснилось, попытки автоматизировать все подряд чаще приводят к провалам. Наибольший эффект достигается при грамотном сочетании режимов: ИИ усиливает или заменяет человека там, где это оправдано, а ключевые процессы остаются за людьми.

  • ИИ-проекты буксуют, если стейкхолдеры не говорят на одном языке.

    Дело в когнитивной дистанции – различиях в профессиональном языке и мышлении между топ-менеджерами, владельцами процессов и разработчиками. Если разрыв слишком велик — проекты буксуют из-за недоверия и срывов сроков. Если слишком мал — возникает групповое мышление, и вместо реальных KPI выбираются суррогатные метрики. Важен баланс.

  • Секрет успеха: держите руку на пульсе.

    Проекты, где команды показывают результат короткими циклами (прототип → тест → обратная связь → улучшение), значительно устойчивее: быстрее выявляют ошибки и корректируют ожидания. Напротив, длинные изолированные спринты без демонстрации промежуточных версий приводят к накоплению ошибок, росту недоверия и увеличению рисков провала.

Авторы исследования

  • Александр Диденко

    Руководитель Лаборатории ИИ Школы управления СКОЛКОВО 

  • Владислав Запылихин

    Инженер по машинному обучению Лаборатории ИИ Школы управления СКОЛКОВО, аспирант

  • Анна Шабанова

    Исследователь-координатор Лаборатории ИИ Школы управления СКОЛКОВО

  • Александр Антипов

    Инженер по машинному обучению Лаборатории ИИ Школы управления СКОЛКОВО

  • Руслана Раемгулова

    Исследователь Лаборатории ИИ Школы управления СКОЛКОВО

  • Ася Филатова

    Научный сотрудник Центра образовательных разработок на основе технологий искусственного интеллекта ТюмГУ 

Скачать


PDF

Мы используем файлы cookie чтобы сделать сайт еще удобнее для Вас. Оставаясь с нами, вы соглашаетесь на обработку файлов cookie