Технологии работают. Проваливается управление

Николай Тржаскал, Директор по развитию технологий ИИ FabricaONE.AI (акционер – ГК Softline)

Как автор и руководитель программы «Директор по ИИ», запущенной Академией АйТи FabricaONE.AI (акционер – ГК Softline) недавно я проводил семинар для руководителей из совершенно разных отраслей. На нем присутствовали представители промышленности и финтеха, медицины, строительства и госсектора.

И вот что меня в очередной раз поразило: проблемы у всех почти одинаковые. Не «у нас не та модель» и не «нам не хватает GPU». Проблема в другом, и я хочу про нее поговорить прямо, без прикрас.

Если коротко, мой главный тезис звучит так: ИИ-проекты сегодня проваливаются не потому, что технологии не работают. Технологии как раз работают. Проваливается управление. По моему опыту и опыту ГК Softline, могу с уверенностью сказать, что проблема именно в этом.

Давайте разберемся, почему я в этом так уверен.

Сначала — отрезвляющие цифры

Я люблю начинать с цифр, потому что они быстро снимают розовые очки. Смотрите: мы в ГК Softline обратили внимание, что примерно 95% пилотов генеративного ИИ не доходят до промышленной эксплуатации. До масштаба добирается дай бог пятая часть инициатив — остальные 80% так и остаются точечными заплатками. А 42% компаний вообще сворачивают свои ИИ-проекты после стадии proof-of-concept.

Когда я показываю эти числа, в зале обычно повисает тишина. И первый вывод, который напрашивается, — «ну вот, значит, ИИ не работает, это всё хайп». Так вот, это неправильный вывод. Потому что у тех, кто все-таки довел внедрение до масштаба, возврат инвестиций составляет от 171% до 540% на трехлетнем горизонте. Технология одна и та же. Разница — в том, как ей управляют.

То есть провал — это не приговор технологии. Это диагноз управлению, культуре и процессам. И вот это, на мой взгляд, самое важное, что нужно понять про ИИ в 2026 году.

ИИ — это уже не игрушка, а операционный слой

Ещё пару лет назад ИИ был для большинства компаний «песочницей»: попробовали, поигрались, показали красивое демо на заседании совета директоров. Сегодня все иначе. Теперь мы считаем деньги. Практика ГК Softline подтверждает, что заказчики ждут от ИИ-проекта понятного результата: либо мы тратим меньше, либо зарабатываем больше. Все остальное — красивая картинка.

Я для себя сформулировал это так: ИИ перестал быть «еще одной технологией» и стал отдельным операционным слоем бизнеса. У него своя экономика, свои метрики — качество моделей, задержки, стоимость инференса. И свои риски: дрейф модели, утечки данных, вопросы комплаенса. А управлять целым операционным слоем точечными пилотами невозможно — это всё равно что управлять заводом через череду разовых экспериментов.

И ещё одна важная вещь про природу ИИ. У меня есть любимая формулировка: ИИ — это универсальный ускоритель и умножитель. Он усиливает то, что у вас и так работает хорошо. И ровно так же он умножает то, что работает плохо. Если вы направите ИИ на хаотичный, непрозрачный процесс, вы получите не порядок, а бардак в квадрате. Запомните это, пожалуйста: бардак в квадрате.

Почему «возьмем одну большую модель» не работает

Самая частая ошибка, которую я вижу, — вера в волшебную таблетку. Мол, сейчас подключимся к какой-нибудь супермодели, натравим ее на все наши данные — и заживем.

Так вот: история про одну модель — это фикция. В ГК Softline мы уже применяем иной, системный подход, и я объясню почему.

Во-первых, garbage in, garbage out. Если у вас не выстроена работа с данными, никакая модель не спасёт. Помните про болотца? В крупных компаниях вроде бы есть одно большое озеро данных, но по краям у него — маленькие болотца, где каждый департамент держит что-то свое и ни с кем делиться не хочет. А данные для ИИ — это топливо. У модели нет, в отличие от нас с вами, социальных связей; она не может ничего домыслить. Что ей дали — с тем она и работает. Скрыли данные — модель просто не учла этот контекст.

Во-вторых, ИИ неоднороден. Это не один инструмент, а слои зрелости, и каждый решает свою задачу. Классическое машинное обучение превращает сырые данные в прогнозы, скоринг, антифрод — кстати, именно поэтому банки так далеко продвинулись: они занимаются ML уже лет пятнадцать, начали раньше всех. Генеративный ИИ хорошо создаёт текст и код. Агенты выполняют многошаговые задачи. И над всем этим — слой governance, без которого, повторю, масштабировать нельзя.

Поэтому реальный корпоративный ИИ — это не одна мегамодель, а гибридный стек: классический ML, генеративные модели, малые и доменные модели, RPA, BPMS, OCR/IDP, векторный поиск и RAG, оркестрация. И, кстати, малые модели я считаю настоящим геймченджером — они бегут на обычном MacBook Pro или на бытовой RTX-карте, а это сразу бьет по капитальным затратам.

Приведу один пример, который многих удивляет. Обработка товарных накладных в ритейле: казалось бы, дай задачу большой языковой модели — и готово. Но на потоке это и дорого, и нестабильно. По опыту ГК Softline, связка «классический OCR → IDP → классификатор, и только сложные поля отдаем LLM» позволяет 90% операций крутить на обычных CPU, автоматизировать 85% процесса и снизить стоимость обработки документа на 60%. LLM здесь — не главный герой, а финальный штрих. Вот это и есть инженерное мышление вместо веры в чудо.

Сначала выпрямите процесс, потом автоматизируйте

Тут мы возвращаемся к главному тезису. Почему технологии готовы, а результата нет? Потому что технологии внедряются быстро, а культура и процессы меняются медленно — года за два-три. И этот разрыв убивает большинство инициатив.

Мы в ГК Softline часто называем это «натягиванием ужа на ежа»: компания пытается автоматизировать процесс, который сам по себе кривой и непрозрачный. Не делайте так. Сначала выпрямите процесс — стандартизируйте, упростите, сделайте наблюдаемым. И только потом подключайте ИИ. Роль центра управляемости здесь играет BPMS. Скажу жестко: автоматизация процесса без BPMS — это задача, обречённая на провал.

То же самое с агентами. Сегодня даже неплохой многошаговый агент выполняет успешно процентов сорок задач, еще процентов тридцать — с ошибками, и процентов тридцать просто не вытягивает. Что с этим делать? Ставить человека в контур — пусть проверяет промежуточные результаты. Да, это медленнее. Но именно так агенты и люди обучаются, и постепенно проверочную логику можно оцифровать и переложить на оркестратор. Это нормальный, зрелый путь, а не «включили автономного агента и ушли пить кофе».

Зачем нужна отдельная роль — директор по ИИ

И вот мы подошли к выводу, ради которого всё это затевалось. Если проблема не в технологиях, а в управлении, — значит, должен быть тот, кто этим управляет.

Мне часто говорят: «У нас уже есть CDO и CTO, зачем ещё кто-то?» Как показывает практика ГК Softline и наших клиентов — это три разные роли. CDO отвечает на вопрос «что» — это данные: качество, доступность, безопасность. CTO отвечает на вопрос «как» — платформа, инфраструктура, связность, надежность. А директор по ИИ отвечает на вопросы «зачем» и «где риски»: где именно ИИ создает ценность, как собрать портфель инициатив и приоритизировать его по отдаче и рискам — что особенно важно сейчас, когда экономика, скажем так, не в фазе бурного роста.

Нельзя просто сказать техническому директору: «Ну все, ты теперь и за ИИ отвечаешь». Это другая роль и другой стек ответственности. ИИ — горизонтальная история, он пронизывает все функции сразу, поэтому ему нужен выделенный владелец со своим мандатом от генерального. А если такого человека нет, то ИИ так и остаётся хаосом экспериментов: каждый тянет в свою сторону, каждому кажется, что именно его направление главное, — и в итоге компания не двигается никуда.

Эта роль, к слову, на глазах меняется: из технолога, который «держал свет включенным», она превращается в стратега, отвечающего за бизнес-ценность, ROI и риски.

Что я советую сделать уже сейчас

Если выделить самое первое, с чего стоит начать, и что мы применяем в ГК Softline и дочерних компаниях: назначьте человека, отвечающего за ИИ, и одновременно утвердите базовый пакет governance — правила работы с данными и моделями. Без этого вы не масштабируете ничего.

А дальше — несколько вещей, которые работают независимо от отрасли. Считайте экономику каждого проекта: нет бизнес-кейса и дорожной карты до продакшена — пилот, скорее всего, умрёт. Чистите процессы до автоматизации. Собирайте гибридный стек вместо веры в одну модель. Внедряйте агентов с человеком в контуре. И закладывайте требования продакшена — SLA, безопасность, стоимость инференса, интеграции — еще на стадии пилота, а не после.

Звучит не так романтично, как «внедрим ИИ и взлетим». Зато работает. Технологии у нас уже есть. Осталось научиться ими управлять.