Почему 80% ИИ-пилотов не доходят до продакшена и как это исправить

К 2026 году почти любая продвинутая компания успела провести два-три эксперимента с нейросетями. Но не всегда пилоты доходят до полноценного внедрения. И «не всегда» — это еще мягко сказано. Согласно данным Information Week и RAND Corporation, от 80% до 88% пилотов не доходят до продакшена.

В этой статье анализируем причины, разбираем, как надо (и как не надо) действовать, чтобы искусственный интеллект принес компании реальную пользу. А еще показываем, как мы в Secret Agents помогаем клиентам прийти путь пилота до продакшена.

Причина 1: у пилота нет настоящего владельца

Инициатива исходит от IT‑энтузиастов или отдела развития. Разработчики делают красивую демку, показывают графики. Бизнес‑подразделения вроде бы не против, но в глазах сомнение. «Хорошо, а как мне вписать это в мой план продаж? Кто будет перерабатывать регламенты? Кто будет ответственным, если бот наговорит клиенту глупости?»

Проект повисает в воздухе, у него нет хозяина. В результате код написан, модель обучена, но процесс не выстроен.

Как этого избежать

У пилота должен быть Product Owner со стороны бизнеса. У него горит KPI, и только ИИ поможет его выполнить. Это человек, которому жизненно необходимо получить этот инструмент и встроить в работу. Если такого человека в компании нет, не начинайте пилот.

Еще одна важная деталь. С первых же дней в команду должны входить бизнес-пользователи, ради которых все и затевается. Внедряете ИИ в колл-центр — включите руководителя отдела контроля качества. Заказываете разработку LLM для анализа договоров — возьмите в команду ведущего юриста и пусть высказывает свои идеи и сомнения. Разработчики должны знать, как их продукт будет работать в реальном мире.

Рецепт от Secret Agents

Мы работаем «мостиком» между IT-системами и бизнесом. На старте проводим воркшоп с участием будущих пользователей и лиц, принимающих решения. Наша задача — не просто написать код, а создать систему, которая поможет бизнесу стать успешнее. Мы помогаем заказчику сформулировать задачи и следим, чтобы у проекта появился реальный «хозяин», который заинтересован в результате.

Причина 2: мусор на входе — мусор на выходе

Данные для пилота идеально размечены, отфильтрованы, очищены от мусора. Модель показывает 98% точности. В продакшене все не так. Данные «шумные», приходят с задержками, половина полей пустая, форматы перепутаны. Модель, обученная в стерильных условиях, ошибается и глючит.

Реальны пример. Компания HP разработала чат‑бота для поддержки. Он отлично показал себя в тестах, которые проводились на идеально грамотных вопросах не существующих в реальности пользователей. В продакшене он столкнулся с настоящими обращениями — сленгом, опечатками, грамматическими ошибками — и точность рухнула.

Как этого избежать

«Закаляйте модель», тренируйте ее на реальных данных.

Существует критический порог качества данных, ниже которого нельзя опускаться. Под качеством подразумевается не только разметка, но и полнота, свежесть, непротиворечивость. Сначала лечим данные, потом пишем код.

Рецепт от Secret Agents

Никогда не начинаем разработку, не изучив «сырые» данные заказчика. У нас есть отработанный механизм AI-аудита данных: изучаем историю, анализируем пропуски, шумы и аномалии. Если данные «грязные», помогаем настроить сбор и очистку. Дообучаем модель, чтобы она не сломалась при первом столкновении с опечаткой.

Причина 3: завышенные ожидания

Хайп вокруг нейросетей создал иллюзию, что ИИ — это всемогущий джинн. Но бизнес напрасно ждет магии.

HR-отдел мечтает: «Нейросеть сама просеет 1000 резюме, проанализирует диалоги на собеседованиях, поймет про соискателей абсолютно все и найдет идеального кандидата».

На самом деле ИИ сможет подсчитать ключевые навыки (знание Python, стаж), но он не оценит мимику, энергетику или культурную совместимость кандидата — все то, что опытный HR увидит на собеседовании за 5 минут.

Аналитики называют это «несоответствием ожиданий топ‑менеджмента».

Как этого избежать

Пропишите в паспорте проекта метрики модели. Осознайте, что ИИ — это не истина в последней инстанции и не волшебная палочка, а инструмент. Он нуждается в тонкой настройке, он может ошибаться и не может делать все и сразу.

Не пытайтесь создать «ИИ-систему управления всем». Сфокусируйтесь на одной узкой, конкретной и важной задаче. Решите ее идеально — а потом масштабируйте опыт на другие сферы.

Рецепт от Secret Agents

Лечим «синдром волшебной таблетки» еще на этапе пресейла. Не обещаем звезды с неба, а показываем заказчику, как технология будет применяться на его же данных. Объясняем, что модель сможет делать самостоятельно, где ей нужен человек-контролер, а что пока остается за рамками проекта.

Причина 4: отсутствие KPI

Пилот считается успешным, если «модель обучается и рисует красивые графики». Но как эти графики связаны с прибылью? Проект живет своей жизнью, пока не кончатся деньги или терпение топ-менеджеров. Плохо, если никто не может сказать, сколько именно компания заработала или сэкономила благодаря ИИ.

Как этого избежать

AI-пилот должен быть ориентирован на результат: рост продаж (на сколько?), повышение точности прогнозов (как это измерить?), снижение убытков (на какой процент?).

Еще до старта разработки определите, какая цифра в отчете должна измениться. Не «улучшим качество сервиса», а «сократим среднее время обработки вызова с 5 до 3 минут» или «увеличим конверсию в продажи на 1,5%».

Внедряйте пилот не вместо существующего процесса, а параллельно. Сравнивайте работу отдела с ИИ и без ИИ. Только так можно получить честные цифры эффективности.

Рецепт от Secret Agents

Не отдаем проект, пока не привяжем его к финансовым или операционным метрикам компании. Наши пилоты всегда проходят через этап A/B-тестирования: мы сравниваем работу пилота с текущим процессом «как есть» и фиксируем разницу в цифрах (например, экономия часов или рост конверсии). Если пилот нельзя измерить в деньгах или времени — мы не берем его в разработку, потому что знаем: такой проект не доберется до продакшена.

Как попасть в 20%

В провале 80% пилотов виноваты не технологии, а управленцы. Чтобы проект взлетел, используйте простую формулу успеха. Ее вывели аналитики, изучая опыт высокопроизводительных компаний: правило 10–20–70.

10% усилий — на алгоритмы и модели.

20% — на технологии и инфраструктуру.

70% — на людей, процессы и управление изменениями.

Пока большинство компаний делают наоборот (фокусируются на алгоритмах и забывают про бизнес), вы сможете войти в те самые 20% успешных проектов.

Не относитесь к ИИ как к магии. Начните относиться к нему как к продукту. Назначьте владельца, проверьте данные, охладите ожидания и привяжите все к бизнес-результатам. Тогда пилот доедет до продакшена.