ГК Softline объясняет, почему успешный пилотный ИИ-проект еще не гарантирует внедрения

Удачный пилот еще не значит, что ИИ-решение заработает полноценно. ГК Softline рассказывает, какие сценарии первыми доходят до эксплуатации и как на раннем этапе распознать команду, способную довести проект до конца.

Получить хороший результат в рамках ИИ-пилота сегодня несложно. Гораздо сложнее превратить эксперимент в решение, которое стабильно работает в масштабах организации, встроено в ИТ-ландшафт и окупается. По данным опроса консалтинговой компании «Интеллектуальная аналитика» среди представителей около 50 крупнейших российских компаний, до промышленной эксплуатации дошли лишь 7–10% GenAI-пилотов 2025 года, а 30–40% свернули, потому что они не дали ожидаемого финансового эффекта.

Пилот отвечает только на один вопрос: способна ли модель решить конкретную задачу и с каким качеством. Дальше вопросов становится намного больше. Во что обойдутся эксплуатация и масштабирование? Как решение встроится в существующую ИТ-инфраструктуру? Какие данные ему нужны? Кто будет отвечать за поддержку после запуска? На этих вопросах часто вскрываются ограничения, которые на пилоте не были критичны: стоимость выше ожидаемой, не хватает компетенций, процессы недостаточно формализованы, данные фрагментированы и требуют подготовки.

По наблюдениям экспертов ГК Softline, рынок заметно повзрослел в последнее время. Компании все реже запускают пилоты ради знакомства с технологией и все чаще направляют деньги на тиражирование подтвержденных сценариев по филиалам, бизнес-линиям и функциям. Первыми до эксплуатации доходят сценарии с измеримым эффектом. Среди них корпоративные ассистенты и поиск по внутренним знаниям, клиентский сервис, работа с документами, поддержка ИТ- и бизнес-процессов. Основной потенциал эффективного применения ИИ формируют финансовый сектор, ритейл и электронная коммерция, промышленность и ТЭК, а также госсектор. В ближайшие годы ИИ активнее придет в закупки, HR, юридические подразделения, документооборот и ИТ-поддержку, причем приживутся здесь не самые сложные решения, а те, польза от которых заметна сразу.

Опыт ГК Softline показывает, что данные влияют на результат сильнее, чем выбор модели. Заказчик может прийти за корпоративным ассистентом и уже в ходе проекта обнаружить, что документы дублируются, противоречат друг другу или давно не обновлялись. Модель этого не исправит, зато быстро проявит проблемы, с которыми компания годами мирилась. Если корпоративная база плохо структурирована или устарела, стабильно надежных ответов не будет, какую бы LLM ни выбрали. Кроме качества данных важны права доступа, интеграция с корпоративными системами и объяснимость: пользователю нужно понимать, на каком документе основан ответ.

Экономику и стабильность решения определяет инженерия. Не для каждой задачи нужна тяжелая LLM: часть сценариев закрывает малая специализированная модель, часть — обычные правила, а мощную модель стоит подключать там, где действительно требуются сложное рассуждение или генерация. Такая гибридная архитектура позволяет управлять стоимостью инференса. Среди ключевых тенденций эксперты ГК Softline выделяют локальные LLM и частные GenAI-контуры, малые и специализированные модели, а также мультимодальные решения, которые объединяют текст, изображения, видео и речь в одном контуре. Но ни удачная архитектура, ни современные модели не спасут без инженерной дисциплины после запуска: нужно отслеживать качество ответов, бизнес-метрики, дрейф данных и поведения модели, версионировать промпты.

Отдельный вопрос связан с ИИ-агентами. Агент не просто находит информацию или формирует ответ, а сам выполняет цепочку шагов: обращается к корпоративной системе, заполняет данные, запускает согласование или передает задачу следующему участнику процесса. Чем выше его автономность, тем важнее заранее задать границы полномочий, фиксировать каждый шаг и предусмотреть возможность в любой момент остановить агента и отменить сделанное. Главными рисками заказчики считают утечку или неконтролируемое использование чувствительных данных, а также недостоверные ответы и галлюцинации в критичных процессах. Базовые меры защиты понятны: защищенная среда, разграничение доступа, прозрачность и регулярная оценка качества ответов. Комплаенс и ИБ в крупном бизнесе обычно не останавливают ИИ-проект как идею, но заметно усложняют реализацию.

Измеримый эффект, качественные данные, понятная экономика и контроль рисков не обеспечиваются сами. Нужна команда, которая сможет не только разработать решение, но и интегрировать его, обеспечить безопасность и поддерживать в эксплуатации. По оценке ГК Softline, дефицит таких компетенций сегодня действительно мешает части пилотов перейти к масштабированию. Сильные команды сразу уточняют, какие данные доступны, как решение встроится в текущие системы и кто будет отвечать за него после запуска. Слабые обсуждают в основном выбор модели.

Понять, на что способна команда, до старта проекта проще всего на реальной задаче. По такому принципу устроен хакатон «ИИкузница», который ГК Softline проводит в ноябре: несколько команд за 48 часов решат один и тот же кейс заказчика, а результаты оценят сами владельцы процессов. Для рынка это сигнал: конкуренция в ИИ смещается от эффектных прототипов к инженерии, интеграции и способности довести решение до стабильной работы.