Как перестать терять деньги на пилотных проектах ИИ: три ошибки и что делать вместо этого

За последние несколько лет финансовая отрасль бросилась внедрять искусственный интеллект. Компании всё чаще покупают модели и заключают контракты с поставщиками, но это даёт мало или даже пугающие результаты. По данным исследования MIT, опубликованного в прошлом году, 95% корпоративных пилотных проектов ИИ не оказывают измеримого влияния на прибыль компаний.

В то же время расходы стремительно растут: по оценкам, в прошлом году мир потратил 1,76 триллиона долларов на ИИ, а к 2026 году ожидается, что эта цифра вырастет до 2,59 триллиона долларов. Таким образом, вложенные средства и полученный возврат сильно различаются, и затраты растут практически без пользы.

Однако проблема не в том, что технология слаба. Модели ИИ становятся умнее каждый год, настолько, что OpenAI решила приостановить свои разработки, чтобы не зайти слишком далеко. Таким образом, в данном случае реальная проблема заключается в отсутствии операционной модели, способной эффективно использовать эти технологии.

Иллюзия наличия пилотного проекта

Масштаб интеграции ИИ настолько велик, что почти каждая финтех‑компания или традиционный финансовый институт недавно запустил как минимум один пилотный проект ИИ, например, чат‑бот для клиентов. Но независимо от того, что они запускают, у всех этих историй в конце обычно довольно неприятный исход.

Все начинается с конкретной команды, создающей доказательство концепции, которое хорошо работает в контролируемых тестовых условиях. Затем, после демонстрации, руководство впечатляется и позволяет им развернуть его, но в какой‑то момент проект рушится или оказывается неэффективным. Но почему?

Конечно, не каждый внутренний проект ИИ терпит неудачу, иначе не осталось бы инженеров по машинному обучению, и технология оказалась бы бесполезной. Но я наблюдал этот цикл неудач так часто, что уже хорошо понимаю его причину. Проще говоря, проблема в самом пилоте, который, хотя и может быть выполнен качественно, не был спроектирован так, чтобы соответствовать реальному функционированию бизнеса изо дня в день.

В результате модель, которая прекрасно работает в изоляции, сталкивается с устаревшей инфраструктурой или сотрудниками, которые даже не знают, как работать с технологией. Но ни одно из этих препятствий не решается более умным алгоритмом. Всё это можно исправить только управленческими решениями, а это не входит в зону ответственности дата‑учёных.

Некоторые ошибки, которых лучше избегать

Прежде чем мы посмотрим, как более эффективно интегрировать ИИ в компании, рассмотрим другие ошибки, которые могут возникнуть на этом пути.

Первая и самая важная оплошность, как мы уже косвенно упомянули, — рассматривать ИИ как надстройку без пересмотра процессов. На самом деле многие компании берут существующий рабочий процесс и просто внедряют инструмент ИИ в один из шагов, не задумываясь, имеет ли ИИ смысл в данном процессе.

Итак, как менеджер, я бы сначала спросил себя: был ли этот процесс вообще необходим в вашей компании? Если рабочий процесс был неэффективен до автоматизации, он останется столь же неэффективным и после неё. Он может даже ухудшиться, потому что ИИ может запоминать негативные шаблоны и повторять их.

Следующая ошибка возникает, когда менеджеры недооценивают нагрузку, связанную с соблюдением требований и управлением. Финансовые услуги сталкиваются с одними из самых жёстких регуляторных требований в любой отрасли, и, например, невозможно полностью автоматизировать отдел комплаенса с помощью ИИ. То же самое относится к прямому предоставлению услуг и управлению портфелем. Это кажется универсальной истиной, но вы будете удивлены, насколько часто основатели совершают такие промахи.

И, наконец, многие компании забывают обучать своих сотрудников внедрению ИИ. Когда технология захватывает рутину работников, первым инстинктом часто становится сокращение персонала, поскольку многие задачи можно выполнять быстрее с меньшим числом людей. Хотя это сократит ваши расходы в краткосрочной перспективе, такой подход крайне однобок.

Если вы хотите реальную ценность, задайте себе другой вопрос. Какую работу более высокого уровня могут выполнять наши сотрудники, будучи освобождёнными от рутины? Готовы ли они к этому с их текущими навыками и мотивацией?

Что начать в понедельник для повышения эффективности

В качестве первого шага проведите аудит приостановленных пилотных проектов ИИ. То есть не вводите новые идеи, пока не решите старые. В 90% случаев проблема заключается в отсутствии ответственности, в том, что никто явно не отвечает за их масштабирование. Поэтому назначьте владельца.

Если кто‑то уже отвечает за контроль ИИ, следующий шаг — пересмотреть процесс и полностью его перестроить. Не просто добавляйте ИИ к существующему рабочему процессу. Мой совет: спросите, как бы выглядел этот процесс, если бы мы проектировали его сегодня с нуля, учитывая, что ИИ может выполнять первичный анализ. Часто ответ оказывается гораздо проще, чем кажется.

Также не забывайте подсчитывать реальные цифры, которые приносит модель ИИ. Если через шесть месяцев после запуска вы не можете указать показатели эффективности модели (например, сэкономленные часы или рост прибыли), значит, она работает не так, как должна, и её ценность стоит переоценить.

И, возможно, самое главное, не увольняйте людей, особенно тех, кто отвечает за процесс и тех, кто всегда честно выполнял свою работу. Если сотрудники приносят компании больше денег, чем зарабатывают за год, увольнение скоро станет проблемой для вас. А компании, которые этого не понимают, теряют свои институциональные знания и доверие команды, что в итоге стоит гораздо дороже.

В совокупности 95 % пилотных проектов не достигают результата, но не из‑за того, что технология провалилась. Они не достигают успеха, потому что окружающая их организация осталась прежней и устаревшей. Это единственная переменная, которую следует изменить в первую очередь.