Ближе к этапам внедрения ИИ, лежащим в основе успеха корпоративного ИИ

Каждое предприятие проходит одинаковые этапы внедрения ИИ, планирует оно их или нет. Путь начинается с разрозненного использования инструментов, переходит к первым пилотным проектам, затем к живому производству и, наконец, к общим системам, на которые опирается весь бизнес. Каждый переход происходит постепенно, поэтому компании обычно достигают нового этапа задолго до того, как кто‑то это замечает.

То, что отличает одну компанию от другой, — насколько далеко она продвинулась по этому пути, и разрыв на рынке велик. Глобальное исследование McKinsey 2025 года показало, что 88 % организаций уже используют ИИ хотя бы в одной бизнес‑функции, около трети начали масштабировать его, а 7 % заявляют, что ИИ полностью масштабирован. Это значит, что почти каждый бизнес начал внедрять ИИ, но лишь немногие добились успеха.

За последние несколько лет я работал с руководящими командами почти на каждом этапе этого пути, и один паттерн оставался неизменным. Этап, на котором находится компания, говорит больше о том, что её программа ИИ принесёт, чем о выбранной модели или поставщике. Каждый из этапов внедрения ИИ требует разного рода изменений внутри организации, и именно эти изменения предсказывают результат. Поэтому рассмотрим их по одному, а также точку, где компании обычно застревают, переходя к следующему.

Пять этапов внедрения ИИ и решения, продвигающие компанию вперёд

В компаниях, с которыми мы работаем, эти пять этапов почти всегда следуют в одинаковом порядке. Обычно всё начинается с нескольких сотрудников, использующих инструменты ИИ самостоятельно, и руководство часто не знает об этом до гораздо более позднего момента. Некоторые компании никогда не проходят этот этап. Те, кто проходит дальше, в конечном итоге достигают точки, когда бизнес построен вокруг возможностей технологии. Важно понять, что каждый этап требует от организации чего‑то разного. Решение, которое помогло компании пройти пилотный этап, часто же становится тем же самым решением, задерживающим её на год вперёд, и именно здесь многие программы ИИ тихо распадаются.

1. Разрозненное использование без владельца

Первый этап обычно выглядит лишь как любопытство. На этом этапе сотрудники используют инструменты ИИ без единой политики, отдел закупок не имеет видимости, и никто не измеряет, какие результаты дает эта работа. В этом беспорядке скрыта реальная информация, потому что любопытство на границах компании показывает, где действительно возникают трения, и этот сигнал почти никогда не доходит до руководящего уровня через формальный канал.

Ошибка лидеров здесь — формализовать процесс слишком рано, превращая подлинные эксперименты в задачу управления задолго до того, как кто‑то определил, что действительно нуждается в управлении.

What to decide at this stage: The right instinct is to watch what is happening instead of trying to police it, so put a light usage policy in place that covers data handling and leave the rest alone for now. What you are looking for is repetition, because when the same workaround turns up in three different teams with no coordination between them, you have a use case that deserves proper funding.

2. Финансируемые пилоты с слабыми критериями успеха

Пилотный проект появляется с бюджетом, назначенным владельцем и демонстрацией перед советом директоров, а затем работа тихо заканчивается. Исследование инициативы NANDA от MIT показало, что подавляющее большинство корпоративных пилотов генеративного ИИ не дают измеримого влияния на прибыль и убытки.

Три фактора объясняют почти всё: во‑первых, критерии успеха строятся вокруг точности модели, а не вокруг показателя, который действительно важен бизнесу. Во‑вторых, под демонстрацией нет реального конвейера данных. В‑третих, после завершения запуска никого не оставляют отвечать за результат. Трудно заметить этот этап изнутри, потому что он выглядит как прогресс: демо‑версии улучшаются, поставщики конкурируют за следующий этап, комитеты продолжают собираться, но ни один из этих факторов не превращается в цифру, с которой может работать финансовый отдел.

The call to make here: Do not approve a pilot without a business metric attached and an owner who will still be answering for that metric a year from now, and kill the ones where nobody can name either. Four pilots run with that discipline will get you further than twelve that everyone admires.

3. Интеграция в производство

Из всех этапов внедрения ИИ именно этот завершает наибольшее количество программ. Сотрудники и клиенты теперь ежедневно зависят от системы, и появляются требования, которые ни один пилот не должен был удовлетворять: мониторинг, пути эскалации для людей, контроль версий запросов и моделей, реагирование на инциденты и прослеживаемость данных, выдерживающая аудит. Рамочная система управления рисками ИИ от NIST подробно описывает эти контроли, и её стоит изучить до установки даты запуска.

Сложность здесь не в технологии, а в организации, поскольку этот этап вознаграждает инженерную дисциплину над экспериментами, и команда, работавшая как исследовательская группа, будет с этим бороться, пока руководство ищет технологическое объяснение. Экономика тоже меняется. Стоимость пилота остаётся одноразовой и легко одобряется, тогда как производство создаёт постоянную операционную линию, и компании, которые не заложили её в бюджет, часто воспринимают первую заявку на продление как доказательство неудачной инвестиции.

What has to change before you launch: Move the ownership before the launch rather than after it, put delivery in the hands of people who have run things in production, and fund the operating cost three years out from the start. Then name the person who gets the alert when a model degrades, because that single name is what separates a working system from a demo.

4. Общая возможность и повторное использование

На этом этапе ИИ превращается в инфраструктуру, которой пользуются несколько бизнес‑подразделений. Команда платформы поддерживает переиспользуемые компоненты, стандартизированный способ оценки и путь развертывания, поэтому стоимость каждого нового кейса снижается, поскольку никто не перестраивает фундамент с нуля каждый раз.

Самый явный сигнал того, что компания достигла этого этапа, не имеет отношения к технологии. Полномочия по бюджету переходят от команды инноваций к владельцам бизнес‑единиц, и когда руководитель подразделения финансирует работу по ИИ из операционного бюджета и учитывает возврат в своих показателях, организация действительно переходит на новый уровень. Мы видели, как один такой сдвиг улучшает качество кейсов больше, чем любое техническое решение, принятое в том же году.

Where the money should sit: Fund the platform team as infrastructure instead of treating it as a project, and measure it on reuse rather than on how many things it launched. Then move the AI budget out of innovation and into the divisions, because the moment a business owner is paying for it, the use cases get sharper without anyone having to intervene.

5. ИИ внутри операционной модели

Компании на этом этапе разрабатывают продукты, процессы и решения, исходя из возможностей ИИ с самого начала, и ничего не дорабатывают позже. Новые предложения предполагают уже существующую возможность, роли меняются в соответствии с тем, что обрабатывают системы, а плановые циклы сокращаются, поскольку идея может быть протестирована на реальных данных за несколько дней.

Очень немногие организации действительно достигают этого уровня, и число заявляющих о таком положении значительно превышает число действительно соответствующих. Тест прост и может быть проведён за одну встречу: спросите, что компания перестанет делать, если модели исчезнут завтра. Искренний ответ обычно неприятен, потому что он ставит на первое место доход, а не удобство. Каждый раз, когда мы задавали этот вопрос руководящей команде, честный ответ помещал их на один‑два уровня ниже, чем заявляла стратегия.

The board-level question: Treat AI capability as a strategic asset and apply the same scrutiny you would to any other one. Review vendor concentration, model dependency, and data ownership at board level, then ask what the fallback looks like for every process that no longer runs without a model, and fund that fallback before anyone needs it.

Что происходит, когда компания пропускает этап: реальный пример

Мы видели достаточно компаний, и последовательность почти всегда одинаковая: когда пилот проходит успешно, совет директоров одобряет его, все хотят продемонстрировать прогресс, и компания переходит от демо к полномасштабному развертыванию, минуя интеграцию в производство. Никто не хочет тратить квартал на мониторинг и владение, когда демо уже работает, поэтому они пропускают этот шаг. Один из наших клиентов поступил именно так, и это обошлось ему дороже, чем ожидалось.

Что пошло не так

Клиентом был сервисный бизнес, обслуживающий нагрузку поддержки, и модель обрабатывала первые ответы, которые ранее выполняла их команда. Она была запущена по всей операции на основе пилота, который прошёл успешно, и в течение четырёх месяцев всё выглядело нормально. Когда мы пришли и посмотрели, что действительно работает, обнаружили отсутствие мониторинга модели, поэтому ничего не могло предупредить их, если ответы начнут отклоняться. Не было пути эскалации для случаев, которые должен был проверять человек. Команда, её создавшая, перешла к следующему проекту и не передала владение никому, а поскольку пилот был одноразовым расходом, никто не заложил операционный бюджет для того, что теперь работает каждый день.

Сколько это им стоило

Ответы действительно начали отклоняться, и любой наблюдатель смог бы заметить это рано, но никто не следил, поэтому первым обнаружил проблему клиент. Исправление модели оказалось простой задачей и заняло около двух недель. Возврат доверия у тех, кто полагался на её выводы, занял оставшийся квартал, а руководство большую часть этого квартала тратило на споры о том, была ли инвестиция в ИИ ошибкой, хотя ошибка заключалась в способе её запуска.

Чему можно научиться

Мониторинг и владение выглядят как накладные расходы, пока они не исчезнут, а их отсутствие делает запуск кажущимся дешевле, чем он есть на самом деле. Стоимость не исчезает, она просто проявляется позже в виде утраченного доверия, а не в цифре бюджета.

Как определить текущий этап внедрения ИИ в вашей компании

Четыре вопроса размещают компанию на этом пути быстрее любой формальной оценки. Задайте их своим операционным лидерам и ответьте на каждый, предоставив доказательства.

• Можете ли вы назвать бизнес‑метрику, которую улучшает каждая внедрённая модель?
•  Кто получает оповещение, когда одна из них деградирует?
• Сколько времени занимает новый кейс от запроса до производства?
•  Какую часть вашей работы по ИИ вы повторно используете из уже построенного?

Ясные ответы подтверждают достигнутый компанией этап. Неопределённые указывают прямо на слой, который стоит финансировать следующим, что делает их столь же ценными.

Компании, которые опережают остальных, редко являются теми, у кого лучшие модели, а теми, кто честно оценивает своё положение и вкладывает деньги в то, что переводит их на следующий этап. Это сложнее, чем кажется, потому что каждая команда отчитывается о своём прогрессе, и никто не хочет быть тем, кто признаёт отставание своей части. Руководители, которые делают это правильно, задают вопросы напрямую и проверяют ответы на соответствие тому, что действительно работает.

Каждая организация уже принадлежит к одному из этих этапов, независимо от того, назвали его кто‑то или нет. Преимущество принадлежит тем руководящим командам, которые знают, какой это этап, и целенаправленно финансируют следующий шаг.