Парадокс ИИ: почему компании внедряют технологию, но не готовят данные
Представьте себе компанию, которая решила построить завод. Закупила самое современное оборудование, наняла инженеров, но забыла подготовить площадку, подвести электричество и водоснабжение. Именно это сейчас происходит с искусственным интеллектом в бизнесе.
По данным исследования McKinsey, внедрение ИИ в корпорациях резко вызросло: с 55% в 2023 году до 72% в 2024 году. На первый взгляд, это выглядит как триумф цифровой трансформации. Однако скрывающаяся за цифрами реальность намного сложнее.
Исследование IBM, которое цитирует материал на https://www.dgl.ru/technology/artificial-intelligence/dannye-dlya-ii.html, вскрыло главный парадокс эпохи ИИ: только 26% директоров по данным уверены, что их инфраструктура способна поддерживать новые источники дохода, которые стали возможны благодаря ИИ. Это означает, что три четверти компаний, внедривших или планирующих внедрить ИИ, скорее всего, столкнутся с разочарованием. Причина простая: они сосредоточились на покупке моделей и инструментов, но забыли о фундаменте — подготовке данных.
Когда хайп встречается с реальностью: барьеры внедрения ИИ
Барьеры перед компаниями стоят серьезные, и они далеко не все технические. Согласно аналитике на https://www.kt-team.ru/blog/ai-adoption-maturity-barriers-business-impact-2025, ситуация распределяется следующим образом:
40% компаний сталкиваются с технической неподготовленностью. Это не просто отсутствие современных серверов. Речь идет о слабой интеграции систем, отсутствии управления данными (Data Governance) и даже сложностях с элементарным доступом к нужной информации. Компании хранят данные в разных системах, которые не разговаривают друг с другом. CRM содержит одни сведения, BI-система — другие, архивы писем и чатов разбросаны по папкам.
35% сталкиваются с барьерами восприятия — и это, возможно, еще более серьезная проблема. Это недоверие со стороны управленцев к ИИ-решениям, страх потери контроля над процессами, беспокойство о том, что сотрудники потеряют компетенции. Человеческий фактор часто важнее технологического.
25% затрудняются с выбором направлений для внедрения ИИ. Здесь нет четкой методологии, нет критериев, позволяющих отличить реальную пользу от маркетингового хайпа. Компания не знает, в какой процесс внедрить ИИ в первую очередь, чтобы увидеть быстрый результат и окупить инвестицию.
Что объединяет все эти барьеры? Они упираются в одну проблему: данные просто не готовы.
В чем именно состоит проблема с данными
Когда говорят о качестве данных, часто ограничиваются фразой «данные должны быть чистыми». Но это слишком упрощенно. На https://www.dgl.ru/technology/artificial-intelligence/dannye-dlya-ii.html приводится систематическая модель проблемы, которую разработали в IBM. Данные должны быть хороши по пяти критериям:
Доступность. Это не просто наличие данных на сервере. Это медленный отклик на запросы авторизованных пользователей, низкая удовлетворенность из-за сложности получения нужной информации. Часто данные есть, но до них сложно добраться: они зашифрованы, нужны специальные права доступа, требуется согласование с тремя отделами.
Полнота. Высокий процент пустых или незаполненных полей, частые пропуски данных, низкий уровень заполнения обязательных полей. Если клиентская база заполнена на 70% — это проблема. ИИ не может работать с пробелами в информации так же хорошо, как человек, который может вспомнить контекст или позвонить уточнить.
Целостность. Ограниченное отслеживание происхождения данных (откуда они пришли, кто их собрал, когда обновлены) и непоследовательный ввод данных в разные системы. Например, клиент записан в CRM как «Иван Иванов», в бухгалтерской системе как «И. И. Иванов», а в аналитике как «ivan.ivanov@mail.ru». Это один и тот же человек, но алгоритм видит трех разных субъектов.
Точность. Высокий процент ошибок, доля неверных данных, частые сбои при валидации. Если контакты в базе устарели на 40%, модель будет обучаться на «шуме» и давать неправильные прогнозы.
Согласованность. Непоследовательные форматы данных — код товара записан в одном формате в одной системе, в другом формате в другой. Номенклатура не унифицирована. Это кажется мелочью, пока не начинаешь пытаться объединить данные из разных источников.
Одна или две проблемы из этого списка — это неудача проекта ИИ. Все пять вместе — это скорее всего полный крах.
Срочно нужны люди, которых не было раньше
Одна из симптоматичных деталей: по данным исследования IBM, 82% директоров по данным заявили, что нанимают специалистов на должности, которых в прошлом году еще не было. Год ранее (в 2024 году) таких было только 60%. Это скачок почти на 40% в одном году.
Что это означает? Компании осознали, что просто купить ИИ недостаточно. Нужны люди, которые будут: собирать данные, проверять их, отслеживать качество, управлять доступом, документировать происхождение. Это не работа для одного Data Scientist. Это целая экосистема ролей: Data Engineer, Data Steward, Data Quality Manager, Chief Data Officer.
Хотя на https://www.kt-team.ru/blog/ai-adoption-maturity-barriers-business-impact-2025 подчеркивается, что большинство директоров по данным (81%) считают, что их стратегия работы с данными должна быть интегрирована с общей технологической дорожной картой и инвестициями в инфраструктуру. Год назад так думали только 52%. Это говорит о растущем осознании того, что ИИ — это не отдельный проект, а трансформация всей компании.
План действий: от анализа к внедрению
По материалам на https://scrile.ru/vnedrenie-ii-v-biznes/ и https://www.bpa.tech/materialy-press-centra/gid-po-neyrosetyam-dlya-biznesa-2025-kak-vnedrit-ai-resheniya-i-avtomatizirovat-processy существует четкий пошаговый подход, который работает лучше всего:
Шаг 1: Проанализируйте текущие процессы. Где больше всего ручной работы? Где теряется время? Как можно снять нагрузку с сотрудников? Это не технологическое упражнение — это стратегическое. Нужно вовлечь руководителей подразделений, операционистов, людей, которые знают реальные боли.
Шаг 2: Определите конкретные бизнес-задачи. Не просто «внедрить ИИ». А конкретно: «уменьшить время обработки заявки на 50%», «увеличить продажи за счет персонализации на 15%», «снизить нагрузку на поддержку на 30%». Цифры важны — они помогут позже измерить результат.
Шаг 3: Оцените готовность данных. Это центральная точка. ИИ не работает без информации. Нужна история взаимодействия, процессы, записи из CRM, обращения клиентов, транзакции. Проведите аудит: какие данные у вас есть, в каком виде они хранятся, насколько они полны, свежи и точны?
Шаг 4: Подготовьте данные. Приведите в порядок тексты (письма, чаты), аудиозаписи, изображения и логи. Разметьте часть данных для обучения модели. Это трудозатратный процесс, но без него все остальное будет работать неправильно.
Шаг 5: Выберите партнера или подход. Не обязательно сразу собирать внутреннюю команду Data Science. Надежный разработчик AI-решений или консультант поможет быстрее пройти путь от идеи до результата. Как минимум на первом проекте.
Шаг 6: Интегрируйте и измеряйте. Интегрируйте модель в один канал (CRM, чат-бот, BI-дашборд) и измерьте эффективность: скорость обработки, долю автоматических решений, экономию человеко-часов.
Вопрос масштаба: когда компании снижают темпы
Есть еще один интересный сигнал, который дает https://habr.com/ru/articles/950756/. Ключевой источник данных о том, что крупные компании впервые за два года снизили темпы внедрения ИИ. Это происходит параллельно с тем, что общий уровень внедрения растет.
Что это означает? Возможно, компании, которые поздно прыгали на волну ИИ (в 2023-2024 году), быстро столкнулись с реальностью неподготовленных данных и непроработанных процессов. А те, кто начал раньше и сделал работу правильно, продолжают масштабировать.
К этому добавляется еще одна проблема, упомянутая на https://tiqum.ru/blog/dannye-dlya-obucheniya-ii-mogut-zakonchitsya-uzhe-v-2025-perestanet-razvivatsya: угроза исчерпания запасов открытых данных к 2025 году. Это может значительно затруднить обучение новых моделей ИИ. То есть компании, которые считали, что могут просто взять готовую большую модель и приучить ее к своим данным, скоро столкнутся с проблемой: готовых моделей будет меньше, и ценность собственных чистых данных будет расти экспоненциально.
Что это означает для предпринимателя
Собирая все эти данные вместе, картина становится ясной:
Первое. ИИ — это не быстрая победа. Компании, которые внедрили ИИ за три месяца без подготовки данных, скорее всего, получили красивый демо, но не бизнес-результат. Правильное внедрение требует 6-12 месяцев подготовки.
Второе. Данные — это новая валюта. В ближайшие 2-3 года компании с чистыми, хорошо организованными данными получат конкурентное преимущество. Это не новая идея, но теперь она становится стратегической необходимостью, а не просто best practice.
Третье. Нужны люди и процессы, а не только технология. Каждая компания нуждается в четком управлении данными, в центре принятия решений по ИИ (будь то CTO, CIO или выделенная AI-команда), в культуре, которая ценит данные.
Четвертое. Западные компании замедляют темпы — это хороший знак для российского бизнеса. Это означает, что ошибки, которые совершили лидеры, уже известны. Можно учиться на их примерах и избежать того же пути.
Рекомендации для предпринимателя
На основе этого анализа вот что имеет смысл делать:
1. Начните с аудита данных, а не с поиска ИИ-компании. Не спешите нанимать консультантов по ИИ. Сначала разберитесь: какие данные у вас есть, в каком виде, насколько они полны и точны. Это может быть простая таблица в Excel, но вы должны это знать. На основе этого аудита станет ясно, реалистичны ли ваши планы по внедрению ИИ.
2. Сформулируйте конкретную бизнес-задачу, а не расплывчатое желание. Не «внедрим ИИ для автоматизации». А конкретно: «снизим обработку лидов с 3 дней до 1 дня» или «увеличим долю автоматических ответов в чате с 10% до 60%». Задача должна быть измеримой.
3. Инвестируйте в управление данными как в отдельное направление. Это не побочный эффект ИИ, это его фундамент. Выделите бюджет на инструменты управления данными, на специалистов, на процессы — часто это требует столько же ресурсов, сколько сам ИИ.
4. Организуйте пилот на ограниченном наборе данных. Не берите всю клиентскую базу. Возьмите 5-10% самых хорошо подготовленных данных, внедрите туда ИИ, измерьте результат. Если результат хороший, масштабируйте на остальные данные. Если нет — переработайте подход.
5. Подумайте о кадровой стратегии. Если вы серьезно относитесь к ИИ, вам нужен человек (или команда), который отвечает за управление данными и ИИ-инициативы. Это не может быть частью обязанностей ИТ-директора. Это слишком важно.
Время окна возможностей, судя по всему, сокращается. Компании, которые сейчас (конец 2024-2025 год) начнут серьезную работу с данными, через год-два будут на 2-3 года впереди тех, кто это проигнорировал. Инвестировать в фундамент — это скучно, но это работает.
