80% ИИ-проектов не доходят до внедрения: причины провалов

Вокруг искусственного интеллекта сегодня много ожиданий — и не меньше разочарований. По данным аналитиков RAND Corporation, до 80% ИИ-проектов не доходят до полноценного внедрения, а Boston Consulting Group фиксирует: заметную бизнес-ценность от ИИ получают 26% компаний.

Но означает ли это, что большинство проектов обречены на провал? Или проблема в том, как компании понимают и применяют саму технологию?

Дмитрий Фырнин, управляющий партнёр и технический директор SENSE, объясняет, почему к подобной статистике стоит относиться осторожно и почему при анализе важнее учитывать не общий процент провалов, а типы ИИ-проектов и особенности их реализации.

Что стоит за цифрами о провалах ИИ-проектов

Главная проблема оценок успешности ИИ-проектов в том, что сегодня термин «искусственный интеллект» используют практически для всего. Под него попадают и простые чат-боты, и системы анализа данных, и решения на базе больших языковых моделей (LLM). 

Но это продукты разного уровня сложности и с разными бизнес-целями. Объединять их в одну статистику не совсем корректно. Гораздо полезнее смотреть на рынок через разные классы решений, у которых отличаются риски и вероятность успеха.

Большинство AI-стартапов — RAG-обёртки

RAG-системы (Retrieval Augmented Generation) — один из самых распространённых типов ИИ-проектов. Такие решения объединяют большие языковые модели (LLM) и векторный поиск по базе знаний.

Работают они просто:

Фактически это поиск по корпоративной базе знаний с генерацией ответа на базе LLM.

Такие решения работают и приносят пользу, но они просты в реализации. Квалифицированная команда разработчиков быстро её соберет, иногда без внешних подрядчиков и с развёртыванием модели на собственной инфраструктуре. 

Поэтому многие компании, которые позиционируют себя как ИИ-стартапы, на практике предлагают RAG-обёртки над корпоративными базами знаний. По наблюдениям, например на Kazan Digital Week, значительная часть проектов представляет собой вариации таких решений.

Где ожидания опережают возможности

При использовании ИИ для автоматизации бизнес-процессов основная проблема — завышенные ожидания.

Логика следующая: человек использует ИИ-инструмент, например, диктофон с автоматической расшифровкой встречи и кратким резюме после. Результат наводит на мысль: если технология хорошо справляется с одной задачей, значит она может автоматизировать весь процесс. Но на практике ИИ отлично решает отдельные задачи:

А вот когда речь идет о сложных процессах, где важны контекст, опыт и человеческая интуиция, эффективность снижается. Компания тратит ресурсы на внедрение, а затем сталкивается с тем, что систему нужно постоянно дорабатывать, поддерживать и контролировать.

Эту тенденцию подтверждают и аналитические исследования. По данным Boston Consulting Group, почти 98% компаний уже экспериментируют с ИИ, но только 26% смогли выйти за пределы пилотных проектов и начать получать заметную бизнес-ценность, тогда как 74% организаций всё ещё не могут масштабировать ИИ-решения внутри бизнеса.

Иногда ИИ становится частью управленческой логики внутри компаний.

Поэтому часть «успешных» кейсов внедрения ИИ на практике может быть связана управленческими решениями, а не с технологическим прорывом.

Миф о цифровых ИИ-сотрудниках

Идея активно обсуждается в публичном поле, однако в реальности универсального продукта, который можно «включить в розетку» и запустить как полноценного сотрудника, пока не существует.

ИИ автоматизирует отдельные процессы или функции, причём с вероятностью ошибок. Это связано с технологическими ограничениями LLM моделей. Например, они плохо выполняют сложные вычисления. Когда системе нужно что-то посчитать, она генерирует код — скрипт на Python — запускает его и после этого возвращает результат пользователю.

Ещё одна популярная концепция последних лет — мультиагентные системы, которые часто представляют как решение для полной автоматизации работы. На практике это набор отдельных агентов, каждый из которых выполняет одну задачу или автоматизирует отдельный процесс.

В человеческих процессах он снижается за счёт дополнительных уровней проверки. Например, когда один сотрудник проверяет работу другого, а над ними есть руководитель. С ИИ-агентами такой подход работает иначе: если каждый агент выполняет задачу с точностью около 99%, то в длинной цепочке операций вероятность ошибки не уменьшается, а постепенно накапливается.

Цена на токены сломает рынок

Сегодня стоимость использования LLM низкая благодаря инвестиционной стратегии технологических гигантов. Такие компании, как OpenAI, работают за счёт инвестиций и пока не вышли на операционную прибыль. Это напоминает ранний этап сервисов вроде Uber или Яндекс.Такси, когда поездки стоили дешево, чтобы пользователи привыкли к новому сервису. Когда компании начали выходить на прибыль, цены выросли.

Похожая ситуация может сложиться и на рынке LLM. Когда крупные игроки начнут переходить к операционной прибыли, стоимость токенов, вероятно, вырастет. В таком случае часть решений окажется нерентабельной. Если автоматизация задачи стоит сотни тысяч рублей в месяц, а ту же работу человек делает дешевле, бизнес выберет более рациональный вариант.

Вместо вывода: рынок ИИ в России только проходит этап экспериментов

Сегодня российский рынок ИИ-стартапов находится на стадии активных экспериментов. Команды тестируют гипотезы, проверяют идеи и быстро выводят продукты на рынок. Высокая конкуренция заставляет стартапы продавать решения ещё на ранних стадиях развития.

В такой ситуации говорить о точной статистике успехов и провалов пока рано. Но по мере развития рынка станет понятнее, какие ИИ-проекты в бизнесе действительно создают ценность, а какие остаются экспериментами.