Як перестати втрачати гроші на AI‑пілотах: три помилки та що робити замість цього

За останні кілька років фінансовий сектор мчить впроваджувати штучний інтелект. Компанії все частіше купують моделі та підписують контракти з постачальниками, але це дає мало або навіть страшний результат. За даними дослідження MIT, опублікованого минулого року, 95% корпоративних AI‑пілотів не мають вимірюваного впливу на прибуток компаній.

Водночас витрати стрімко зростають: за оцінками, минулого року світ витратив 1,76 трильйона доларів на AI, а у 2026 році цей показник, за прогнозами, зросте до 2,59 трильйона. Тож вкладені гроші та повернені кошти суттєво різняться, а витрати зростають практично даремно.

Однак проблема не в тому, що технологія слабка. AI‑моделі стають розумнішими щороку, настільки, що OpenAI вирішив призупинити свої розробки, щоб не зайти занадто далеко. Тому в цьому випадку реальна вада — відсутність операційної моделі, яка могла б ефективно використовувати ці технології.

Ілюзія наявності пілота

Масштаб інтеграції AI настільки великий, що майже кожна fintech‑компанія або традиційна фінансова установа нещодавно запустила принаймні один AI‑пілот, наприклад, чат‑бота для клієнтів. Але незалежно від того, що вони запускають, у цих історій завжди закінчується досить неприємно.

Все починається з певної команди, яка створює прототип, що добре працює в контрольованих тестових умовах. Після демонстрації керівництво вражене і дозволяє розгорнути його, але згодом проєкт руйнується або виявляється неефективним. Чому ж так?

Звісно, не кожен внутрішній AI‑проєкт зазнає невдачі, інакше не залишилося б інженерів ML, а технологія виявилася б марною. Але я спостерігав цей цикл провалів стільки разів, що вже добре розумію його причину. Якщо сказати просто, проблема — у самому пілоті, який, хоч і може бути добре виконаним, не був спроектований так, щоб відповідати реальним процесам та функціонуванню бізнесу щодня.

У результаті модель, яка чудово працює в ізоляції, стикається з реальними умовами та застарілою інфраструктурою або співробітниками, які навіть не знають, як працювати з технологією. Жоден із цих бар’єрів не вирішиться за допомогою розумнішого алгоритму. Усі вони можуть бути усунуті лише рішеннями керівництва, а це не зона відповідальності дата‑вчених.

Деякі помилки, яких краще уникати

Перш ніж розглянути, як ефективніше інтегрувати AI у компанії, розглянемо інші помилки, які можуть трапитися на цьому шляху.

Перша і найважливіша помилка, про яку ми вже згадували опосередковано, — розглядати AI як додаток без перебудови процесів. Насправді багато компаній беруть існуючий робочий процес і просто вбудовують інструмент AI в один крок, не розглядаючи, чи має сенс AI у цьому процесі.

Тож, як менеджер, я спочатку запитав би себе: чи був цей процес взагалі необхідний у вашій компанії? Якщо робочий процес був неефективним до автоматизації, він залишиться таким же неефективним і після неї. Він може навіть погіршитися, бо AI може пам’ятати негативні патерни і повторювати їх.

Наступна помилка трапляється, коли менеджери недооцінюють навантаження з питань відповідності та управління. Фінансові послуги стикаються з одними з найжорсткіших регуляторних вимог у будь‑якій галузі, і, наприклад, неможливо автоматизувати весь відділ комплаєнсу за допомогою AI. Те ж саме стосується безпосереднього надання послуг та управління портфелем. Це здається універсальною істиною, але ви будете здивовані, скільки засновників допускають цю помилку.

І, нарешті, багато компаній забувають навчати своїх співробітників впровадженню AI. Коли технологія бере на себе рутинні завдання працівників, першим інстинктом часто є скорочення персоналу, оскільки багато завдань можна виконати швидше за участю меншої кількості людей. Хоча це скоротить ваші витрати в короткостроковій перспективі, це дуже короткозоріше рішення.

Якщо ви шукаєте реальну цінність, поставте собі інше питання. Яку роботу вищого рівня можуть виконувати наші співробітники, коли їх звільнено від рутини? Чи готові вони до цього з їхніми поточними навичками та мотивацією?

Що варто розпочати в понеділок для підвищення ефективності

Першим кроком проведіть аудит ваших призупинених AI‑пілотів. Тобто не впроваджуйте нові ідеї, доки не розв’язані старі. У 90% випадків проблема полягає у відсутності відповідальності, коли ніхто чітко не несе відповідальність за їх масштабування. Тому призначте власника.

Якщо хтось вже відповідає за контроль AI, наступний крок — переглянути процес і повністю його перебудувати. Не варто просто додавати AI до існуючого робочого процесу. Моя порада — запитати, яким би виглядав цей процес, якби ми проектували його сьогодні з нуля, знаючи, що AI може виконувати первинний аналіз. Часто відповідь значно простіша, ніж здається.

Також не забудьте розрахувати реальні цифри, які приносить модель AI. Якщо через шість місяців після запуску ви не можете вказати показники ефективності вашої моделі (наприклад, зекономлені години або збільшений прибуток), то вона не працює так, як слід, і варто переглянути її вартість.

І, можливо, найголовніше, не звільняйте людей, особливо тих, хто відповідає і хто завжди чесно виконував свою роботу. Якщо люди приносять компанії більше грошей, ніж заробляють за рік, звільнення швидко стане для вас проблемою. А компанії, які цього не розуміють, втрачають інституційну пам’ять і довіру команди, що потім коштує набагато більше.

У сукупності 95 % пілотних проєктів не досягають результату не тому, що технологія зазнала провалу. Вони не вдаються, бо організація навколо них залишилася такою ж і застарілою. Це єдина змінна, яку слід змінити першою.