Почему большинство проектов по внедрению ИИ не приносит результата

Почему большинство проектов по внедрению ИИ не приносит результата

За последние два года компании прошли типичный цикл: от страха перед переменами до страха отстать от конкурентов. Начались массовые подписки на ИИ-сервисы, запуск пилотных проектов и обучение сотрудников. Однако всё чаще звучит вопрос: если искусственный интеллект уже внедрён, почему производительность почти не изменилась?

Сценарий во многих компаниях одинаков: руководство покупает платформу, ИТ-служба её внедряет, сотрудники проходят обучение, но продолжают работать как раньше. В итоге появляется ещё один дорогой инструмент, который почти не влияет на бизнес.

Проблема в том, что ИИ сам по себе не создаёт ценность — она возникает, когда меняется процесс. Если процесс устроен плохо, ИИ лишь ускоряет неэффективные действия. Получается не цифровая трансформация, а автоматизированная дисфункция: старые проблемы с новым интерфейсом.

Кроме того, ИИ часто воспринимают как самостоятельного исполнителя. В промышленности процесс обычно выглядит как цепочка «человек — ИИ — человек»: кто запускает модель, кто проверяет её выводы и кто действует дальше? Если передача ответственности не продумана, автоматизация лишь ускоряет отдельный фрагмент работы, не меняя процесс целиком.

Поэтому главный вопрос перед внедрением ИИ должен звучать не «что можно автоматизировать?», а «как сегодня работают люди и где предприятие теряет деньги, время или устойчивость процесса?». Именно там обычно находится настоящее узкое место. Только разобравшись с ним, имеет смысл выбирать технологию. Иногда это будет искусственный интеллект, иногда — математическая оптимизация, компьютерное зрение или цифровой двойник. А иногда выяснится, что проблему можно решить вообще без ИИ.

Самые успешные проекты в промышленности начинались не с выбора модели или платформы, а с понимания процесса. Например, на крупной табачной фабрике узким местом оказалось не оборудование, а производственное планирование. Вместо того чтобы просто «добавить ИИ», была пересмотрена сама логика построения производственного графика, а затем создана математическая модель, которая автоматически рассчитывает оптимальный план с учётом десятков технологических ограничений. Результатом стало сокращение объёма незавершённого производства с ожидаемым экономическим эффектом около 40 миллионов рублей и, конечно, более быстрое планирование.

Похожая история произошла в металлургии. Цифровой двойник цеха рудоподготовки позволил прогнозировать химический состав шихты до загрузки в доменную печь, а система компьютерного зрения — непрерывно контролировать гранулометрический состав сырья прямо на конвейере. Искусственный интеллект и машинное зрение здесь были лишь частью инженерного решения. Проблемой оказался не недостаток данных, а невозможность использовать их для принятия решений в реальном времени. Настоящий эффект появился потому, что изменился сам процесс управления производством.

В этом сегодня и проходит граница между успешными и неудачными проектами. Главной новостью больше не является сам искусственный интеллект. Новостью становятся проекты, где инженеры смогли заставить ИИ работать в условиях реального производства: со старым оборудованием, непредсказуемой средой, людьми, ограничениями безопасности и нестандартными процессами. Именно этот переход от лабораторной модели к промышленной эксплуатации сегодня выглядит главным источником инженерных инноваций.