Рынок искусственного интеллекта отмечает три года с момента появления ChatGPT, и многие эксперты теперь используют термин «пузырь», чтобы объяснить отсутствие значимой отдачи от генеративного ИИ за пределами нескольких поставщиков технологий. В сентябре отчет MIT NANDA вызвал широкий резонанс, поскольку ключевой тезис, который подхватили все авторы и инфлюенсеры, заключался в том, что 95% пилотных проектов по ИИ не удалось масштабировать или обеспечить четкую измеримую отдачу от инвестиций. Ранее McKinsey опубликовала аналогичные выводы, указав, что агентный ИИ станет ключом к получению существенных операционных преимуществ для компаний. На саммите Технологического совета The Wall Street Journal лидеры в области ИИ посоветовали руководителям по информационным технологиям прекратить беспокоиться об отдаче от инвестиций в ИИ, поскольку измерение выгод сопряжено с трудностями, а попытки это сделать приведут к неверным результатам.
Это ставит руководителей в сфере технологий в сложное положение: надежные технологические стеки уже обеспечивают бесперебойную работу бизнеса, так зачем внедрять новые решения?
На протяжении десятилетий стратегии развертывания технологий следовали устоявшемуся ритму, при котором операторы избегают нарушения критически важных бизнес-процессов, заменяя лишь отдельные компоненты в стеках. Например, более совершенная или дешевая технология не имеет ценности, если она угрожает системе восстановления после сбоев.
Хотя цена может вырасти при смене владельца зрелого промежуточного ПО, потеря части корпоративных данных в середине перехода на новую технологию обойдется гораздо дороже, чем оплата повышенной стоимости за стабильное решение, на котором бизнес работал 20 лет.
Таким образом, как компаниям добиться отдачи от вложений в новейшие трансформации технологий?
Первый принцип ИИ: Данные компании — ее ценность
Большинство публикаций об ИИ и данных касаются инженерных задач по подготовке моделей для анализа бизнес-данных в хранилищах, отражающих прошлые и текущие реалии компании.
Однако один из наиболее распространенных сценариев применения ИИ в корпоративной среде начинается с загрузки файлов в модель через подсказки. Такой подход ограничивает фокус модели содержимым этих файлов, что ускоряет получение точных ответов и уменьшает количество необходимых запросов для оптимального результата.
Этот метод предполагает передачу проприетарных бизнес-данных в модель ИИ, поэтому параллельно с подготовкой данных важно учитывать два аспекта: во-первых, обеспечение конфиденциальности в системе; во-вторых, разработку целенаправленной стратегии переговоров с поставщиками моделей, поскольку они не могут развивать свои передовые решения без доступа к непубличным данным, таким как информация бизнеса пользователя.
В последнее время Anthropic и OpenAI заключили крупные соглашения с платформами и владельцами корпоративных данных, поскольку в интернете недостаточно высококачественных первичных данных.
Большинство компаний инстинктивно ставят конфиденциальность данных на первое место и строят бизнес-процессы для сохранения коммерческой тайны. С экономической точки зрения, учитывая реальную стоимость каждого вызова API модели, обмен выборочным доступом к данным на услуги или скидки может оказаться верной стратегией. Вместо того чтобы рассматривать покупку и интеграцию модели как стандартную процедуру закупок у поставщика, стоит продумать возможности взаимной выгоды: совместное развитие модели поставщика и внедрение ее в бизнес.
Второй принцип ИИ: Скучный по замыслу
По данным Information is Beautiful, только в 2024 году на рынок вышло 182 новые модели генеративного ИИ. Когда в 2025 году появился GPT5, многие модели возрастом от 12 до 24 месяцев стали недоступны, пока подписчики не пригрозили расторгнуть контракты. Стабильные рабочие процессы ИИ, построенные на этих моделях, оказались под угрозой. Поставщики технологий ожидали энтузиазма по поводу новинок и не учли, насколько бизнес-процессы ценят надежность.
Геймеры с радостью обновляют свои сборки на протяжении всего срока службы компонентов и меняют всю систему ради новой игры.
Однако такой подход не подходит для операционной деятельности бизнеса. Хотя многие сотрудники могут применять свежие модели для обработки документов или создания контента, тыловые операции не выдержат замены технологического стека три раза в неделю, чтобы следить за новыми релизами. Тыловые задачи по своей природе скучны и рутинны.
Наиболее удачные внедрения ИИ сосредоточены на решении проблем, специфичных для бизнеса, часто работающих в фоновом режиме для ускорения или дополнения рутинных, но обязательных задач. Освобождение юридических или финансовых аудиторов от ручной сверки отчетов с сохранением окончательного решения за человеком сочетает сильные стороны обоих подходов.
Ключевой момент в том, что эти задачи не требуют постоянных обновлений до последней модели для сохранения ценности. Кроме того, абстрагирование бизнес-процессов от прямых API моделей обеспечивает дополнительную долгосрочную стабильность, сохраняя возможность обновления базовых движков в темпе бизнеса.
Третий принцип ИИ: Экономика минивэна
Чтобы избежать экономических ловушек, системы следует проектировать под пользователей, а не под спецификации и бенчмарки поставщиков.
Слишком многие компании продолжают попадать в капкан, приобретая новое оборудование или облачные сервисы на основе свежих тестов от поставщиков, вместо того чтобы начинать путь в ИИ с анализа того, что бизнес может усвоить, в каком темпе и на базе имеющихся возможностей.
Хотя маркетинг Ferrari эффективен и эти автомобили великолепны, они едут с той же скоростью в школьных зонах и не имеют достаточного багажника для покупок. Помните, что каждый удаленный сервер и модель, задействованные пользователем, увеличивают затраты, поэтому планируйте экономию, перестраивая процессы для минимизации расходов на внешние сервисы.
Многие фирмы обнаружили, что их ИИ-системы для поддержки клиентов добавляют миллионы долларов к операционным расходам, требуя дополнительного времени и средств на доработки для предсказуемости затрат. В то же время компании, выбравшие системы, работающие в темпе чтения человеком — менее 50 токенов в секунду, — смогли развернуть масштабируемые ИИ-приложения с минимальными дополнительными нагрузками.
В этой новой автоматизированной технологии столько граней для анализа: лучший совет — начинать с практических шагов, проектировать независимость от базовых компонентов, чтобы не нарушать стабильные приложения в долгосрочной перспективе, и использовать тот факт, что данные бизнеса ценны для прогресса целей технологических поставщиков.