"Никакого эффекта от ИИ нет почти ни у кого, только 5% успешны!" - Константин Воронцов, ProBack

Константин Воронцов, Head of AI, ProBack. "Искусственный интеллект и большие данные: от экспериментов к эффекту", конференция TAdviser. Современный бизнес сталкивается с жестким парадоксом: огромные инвестиции в ИИ редко конвертируются в реальную прибыль. Статистика показывает, что до 90% корпоративных пилотов не влияют на финансовый результат компании. Это происходит потому, что многие воспринимают ИИ как стандартный ИТ-проект с предсказуемым результатом. Однако успех лидеров рынка, таких как Сбер или JP Morgan, строится на совершенно ином принципе — стратегии массовых и быстрых экспериментов. Экономический эффект здесь является функцией от количества попыток, а не от точности одного расчета. Именно этот прагматичный подход к внедрению технологий реализует компания ProBack. Преодоление «паралича ROI» и технологических ловушек Главным барьером на пути к прибыли становится «паралич ROI». Команды боятся обещать эффект, а руководство — выделять бюджет без гарантий. Часто единственным критерием успеха пытаются сделать сокращение штата, что в реальности редко работает. Еще одна ошибка — чрезмерный фокус на выборе идеальной модели. В корпоративной практике выбор конкретной LLM вторичен по сравнению с тем, как она интегрирована в бизнес-процесс. Проблема усугубляется неправильным распределением ресурсов. Внутренние команды часто пытаются реализовать десятки задач одновременно, не доводя до конца ни одну из них. Попытки заменить команду покупкой «коробочного» решения также проваливаются, так как в сфере ИИ полноценных коробок не существует — любой продукт требует глубокой адаптации под специфику конкретного бизнеса. Стратегия быстрого запуска и прагматизма Чтобы получить реальный эффект, необходимо заменить длительное планирование быстрыми прототипами. Опыт ProBack доказывает: первый работающий инструмент должен попасть к пользователю уже через месяц, даже если он не интегрирован со всеми системами. Это позволяет собирать данные о реальной эффективности и использовать ROI не как обещание, а как инструмент приоритизации задач. В технологическом плане следует отдавать предпочтение прагматизму. Open Source модели в большинстве корпоративных задач не уступают коммерческим аналогам. Вместо создания одного сложного «супер-агента» эффективнее развернуть сеть из нескольких легких специализированных агентов (например, на базе моделей Qwen), которые будут решать конкретные узкие задачи. Это позволяет автоматизировать самые трудозатратные участки процесса максимально быстро. Инфраструктура и масштабирование через платформу Вопрос инфраструктуры часто становится поводом для затягивания проектов. Однако «теневой ИИ» уже существует: сотрудники тайно используют публичные нейросети с данными компании. Любая контролируемая система — облака, анонимизаторы или собственные GPU — лучше этой анархии. Для масштабирования эффекта необходима корпоративная платформа. Это не визуальный конструктор для пользователей, а среда для управления безопасностью и переиспользования компонентов. Без платформы компания начинает плодить «велосипеды», создавая однотипные решения разными способами. Возможность использовать наработки одного агента при создании другого радикально снижает стоимость каждого последующего внедрения. Заключение: фокус на продакшен Путь к реальному экономическому эффекту лежит через отказ от перфекционизма в пользу скорости. Чтобы попасть в число 5% успешных проектов, компания должна максимально быстро и дешево проверять гипотезы непосредственно в продакшене. Только реальные данные из живых процессов позволяют найти те решения, которые действительно повлияют на прибыль и эффективность бизнеса.