Короткий ответ: ИИ-проекты проваливаются не из-за технологий, а из-за управленческих ошибок: нет измеримой задачи, нет замера «до», нет владельца процесса, нет базы знаний и нет сопровождения после запуска. Все десять ошибок ниже предотвращаются на старте, и дешевле всего это делает короткий аудит перед проектом.
За годы работы с автоматизацией и ИИ я вижу один и тот же сценарий: компания покупает инструмент, сотрудники пробуют его неделю, эффект никто не замеряет, через квартал о проекте забывают. Деньги потрачены, вывод «ИИ не работает». Ниже десять причин, из-за которых так происходит, и что делать вместо этого.
10 ошибок и как их избежать
1. Купить подписки «на всю команду» вместо запуска процесса
Как выглядит: руководитель оплачивает десять аккаунтов и просит «пользоваться». Чем кончается: два человека используют, восемь забыли пароль, пользы нет. Что делать: выбрать одну задачу, закрепить за ней человека и измерить результат. Инструмент подбирается под процесс, а не наоборот.
2. Не замерить ситуацию «до»
Как выглядит: «станет быстрее» без цифр. Чем кончается: через месяц невозможно доказать эффект и обосновать продолжение. Что делать: за неделю до старта замерить минуты на задачу, количество ошибок, время ответа клиенту. Эти цифры станут основой для расчёта окупаемости (как считать окупаемость ИИ).
3. Начать с модного, а не с дорогого
Как выглядит: первым делом генерируют картинки для презентации. Чем кончается: эффектно, но денег не приносит. Что делать: отсортировать процессы по стоимости часа ручной работы и взять те, где рутина дороже всего: обработка заявок, документы, ответы на типовые вопросы. И честно спросить про каждый процесс, решается ли он обычным скриптом: если да, ИИ там лишний.
4. Принять секретность данных «на веру»
Как выглядит: «провайдер сказал, что безопасно». Чем кончается: клиентские данные в чужом облаке, претензии и штрафы. Что делать: до старта нарисовать схему данных и выбрать режим обработки. Подробности о законности в статье ИИ и 152-ФЗ.
5. Не предусмотреть передачу человеку
Как выглядит: бот упёрся в сложный вопрос и бесконечно извиняется. Чем кончается: клиент уходит раздражённым. Что делать: прописать сценарий эскалации: когда бот зовёт человека, как передаёт контекст, в какое время получает ответ. И вести журнал таких случаев.
6. Выпустить сырую модель к живым клиентам
Как выглядит: запуск «в бой» без обкатки. Чем кончается: бот придумывает цены, обещает то, чего нет. Что делать: тестовый режим на внутренних запросах, потом ограниченный запуск на части трафика, потом полный.
7. Отложить базу знаний «на потом»
Как выглядит: агент запускают без регламентов и прайсов. Чем кончается: он «фантазирует». Что делать: до пилота собрать 20–50 страниц структурированных документов: цены, условия, ответы на частые вопросы. Как это готовить, смотрите в статье как подготовить документы к RAG.
8. Отдать проект «всему отделу»
Как выглядит: ответственные все, значит никто. Чем кончается: решения не принимаются, обратная связь не собирается. Что делать: один владелец процесса со стороны заказчика, который уделяет проекту 1–2 часа в неделю.
9. Ожидать, что ИИ заменит людей
Как выглядит: цель проекта «сократить отдел». Чем кончается: сопротивление команды, падение качества, срыв внедрения. Что делать: ставить цель «освободить время на сложное»: ИИ забирает рутину, люди занимаются нестандартными задачами.
10. Запустить и забыть
Как выглядит: после сдачи никто не следит. Чем кончается: через квартал база знаний устарела, цены изменились, а бот отвечает по-старому. Что делать: закрепить сопровождение: обновление базы, мониторинг качества, разбор ошибок. У меня это формат «Присмотр» от 5 000 ₽ в месяц.
Чек-лист: готовы ли вы к ИИ-проекту
| Вопрос | Готовы, если |
|---|---|
| Есть ли конкретный процесс? | можете описать задачу одной фразой с цифрами |
| Замерено ли «до»? | есть минуты, суммы или проценты ошибок |
| Кто владелец? | назван один человек с временем на проект |
| Что с данными? | понятно, какие данные нужны и где они лежат |
| Есть ли база знаний? | собраны документы, регламенты, прайсы |
| Что при ошибке? | описан сценарий передачи человеку |
| Как будете поддерживать? | определено, кто обновляет данные после запуска |
Если на три и более вопросов ответ «пока нет», проект лучше начинать не с разработки, а с короткого аудита. Порядок первых шагов описан в статье с чего начать внедрение ИИ.
Часто задают вопросы
Какая ошибка самая дорогая?
Отсутствие замера «до» и владельца процесса. Без них даже удачный проект невозможно защитить перед руководством, и его закрывают.
Можно ли исправить уже запущенный проект?
Да, чаще всего. Нужно замерить текущие показатели, определить владельца, собрать базу знаний и настроить передачу человеку. Это быстрее, чем начинать с нуля.
Стоит ли начинать с пилота?
Да. Пилот на одном процессе от 2 до 4 недель показывает реальный эффект на ваших данных. Цены и состав пилота описаны на странице ИИ-автоматизация.
Как понять, что подрядчик не повторит этих ошибок?
По вопросам: он спрашивает про метрики, данные и владельца процесса до того, как называет цену. Список проверочных вопросов в статье как выбрать подрядчика по ИИ.
Хотите проверить свой проект до старта? ИИ-аудит от 30 000 ₽ за 5–7 дней покажет, какие процессы стоит автоматизировать и какие риски нужно закрыть. Либо напишите задачу в чат, отвечу за 24 часа.
