ИИ-готовность: что компании путают с реальной подготовкой
Почему разрыв между интересом к ИИ и операционной готовностью к его внедрению гораздо больше, чем кажется после конференции или демо.
Разговоры про ИИ в бизнесе сейчас происходят на двух параллельных уровнях. Первый - это конференции, демонстрации возможностей, кейсы крупных компаний и общий тон "кто не успел, тот опоздал". Второй - это реальные попытки внедрить что-то конкретное и столкновение с тем, что инфраструктура, процессы и данные не готовы.
Я вижу оба этих уровня. И разрыв между ними в большинстве компаний значительно больше, чем кажется в начале разговора.
Что считается готовностью и что ею не является
Компании, которые считают себя "готовыми к ИИ", часто имеют в виду следующее: есть интерес у руководства, есть несколько людей с нужными словами в резюме, и есть желание запустить пилот. Это не готовность. Это стартовая точка.
Операционная готовность выглядит иначе. Она предполагает:
- понятный источник данных для конкретной задачи, которую планируется автоматизировать;
- процесс разметки или накопления обучающих примеров;
- договорённость о том, кто будет оценивать качество модели и по каким критериям;
- инфраструктуру для деплоя и мониторинга модели в продакшне;
- понимание того, что происходит, когда модель ошибается.
Большинство компаний, приступающих к первому ИИ-проекту, не имеют ни одного из этих пяти пунктов в готовом виде. Это нормально - но это означает, что перед "внедрением ИИ" стоит несколько месяцев подготовительной работы, о которой редко говорят на конференциях.
Почему демо и пилот - разные вещи
Демонстрации работают на хороших, специально подобранных данных в контролируемых условиях. Именно поэтому они выглядят убедительно.
Пилот в реальной среде сталкивается с другим: данными в том виде, в котором они реально есть, с пропусками, дубликатами и несогласованностью форматов; с пользователями, которые не доверяют автоматическому решению и делают "на всякий случай" вручную; с интеграциями в существующие системы, которые никто не трогал годами.
Хороший пилот - это не "показать, что технология работает". Это "проверить, работает ли она именно в наших условиях с нашими данными и нашими людьми". Это разные вопросы.
Что имеет смысл сделать до первого проекта
Несколько шагов, которые снижают риск разочарования:
Первый - выбрать задачу с измеримым результатом. Не "улучшить клиентский опыт", а "сократить время обработки входящих обращений с 4 часов до 1 часа". Без конкретного критерия успеха невозможно честно оценить результат.
Второй - сделать инвентаризацию данных по этой задаче до начала технических работ. Откуда данные, насколько они полны, кто за них отвечает, можно ли их использовать.
Третий - назначить владельца результата на стороне бизнеса. Не ИТ-команду, а человека из бизнеса, которому важен результат и который будет участвовать в оценке качества.
Четвёртый - договориться о критериях остановки. Если через три месяца результаты не достигнуты - что происходит? Это не пессимизм, это управление рисками.
Практический ориентир
Простой тест готовности к первому ИИ-проекту: можете ли вы за один час собрать на одном совещании человека из бизнеса, который владеет задачей, человека, который владеет данными, и человека, который будет реализовывать решение - и все трое говорят об одном и том же?
Если нет - подготовка ещё не закончена.