17.03.2026 15:18
Почему ИИ-проекты проваливаются?
Почему ИИ-проекты проваливаются? 💡
Спикеры Альфа-Саммита сошлись в одном: проблема чаще не в технологиях, а в том, как компании подходят к внедрению.
ИИ буксует там, где нет качественных данных, инфраструктуры для быстрых экспериментов и готовности идти в проект системно.
Сергей Голицын, руководитель направления «Искусственный интеллект», ИТ-холдинг Т1:
• Большая проблема — слабая культура работы с процессами и аналитикой внутри компании: когда нет ясного образа результата и требования меняются по ходу проекта.
• Если выстроен ML Ops — от данных и библиотек до мониторинга и внедрения модели в процесс, — риск провала значительно снижается.
• Пилот, который закончился неуспехом, — это не всегда плохо. Хуже, когда гипотезу подтвердили, пошли в проект, а потом увидели, что он не окупится.
Алексей Тестин, директор департамента технологических инноваций, Норникель:
• Если у вас маржинальный бизнес, не внедряйте ИИ-кейсы по экономии затрат. Это не работает.
• В Норникеле мы пробовали предиктивные решения на основе данных для экономии на топливе и шинах. Но операторы и водители просто игнорировали рекомендации системы и делали как им удобно.
• Также не стоит идти туда, где невозможно собрать данные. В металлургии на сбор датасетов можно потратить месяцы и огромный бюджет — и всё равно не получить рабочую модель.
Михаил Неверов, директор по развитию искусственного интеллекта, X5:
• Проблема начинается там, где в неудачную идею слишком долго и много инвестируют.
• Если есть инфраструктура для быстрых прототипов, гипотезу можно проверить за день и так же быстро закрыть, если она не работает.
• По сути задача не в том, чтобы «выстреливали» все гипотезы, а в том, чтобы как можно быстрее понимать, что работает, а что нет.
Александр Горинов, руководитель департамента разработки и поддержки продаж транзакционных продуктов, Альфа‑Банк:
• Если нет системного подхода, вложения могут уйти в пустоту.
• Одна из типичных ошибок — ожидание «волшебной кнопки». Бизнес хочет быстрый эффект, но не всегда готов инвестировать дальше, чтобы довести решение до рабочего результата.
• ИИ-проект не взлетает и там, где компания не готова пересматривать собственные процессы и менять привычный способ работы.
@alfa_tops
Спикеры Альфа-Саммита сошлись в одном: проблема чаще не в технологиях, а в том, как компании подходят к внедрению.
ИИ буксует там, где нет качественных данных, инфраструктуры для быстрых экспериментов и готовности идти в проект системно.
Сергей Голицын, руководитель направления «Искусственный интеллект», ИТ-холдинг Т1:
• Большая проблема — слабая культура работы с процессами и аналитикой внутри компании: когда нет ясного образа результата и требования меняются по ходу проекта.
• Если выстроен ML Ops — от данных и библиотек до мониторинга и внедрения модели в процесс, — риск провала значительно снижается.
• Пилот, который закончился неуспехом, — это не всегда плохо. Хуже, когда гипотезу подтвердили, пошли в проект, а потом увидели, что он не окупится.
Алексей Тестин, директор департамента технологических инноваций, Норникель:
• Если у вас маржинальный бизнес, не внедряйте ИИ-кейсы по экономии затрат. Это не работает.
• В Норникеле мы пробовали предиктивные решения на основе данных для экономии на топливе и шинах. Но операторы и водители просто игнорировали рекомендации системы и делали как им удобно.
• Также не стоит идти туда, где невозможно собрать данные. В металлургии на сбор датасетов можно потратить месяцы и огромный бюджет — и всё равно не получить рабочую модель.
Михаил Неверов, директор по развитию искусственного интеллекта, X5:
• Проблема начинается там, где в неудачную идею слишком долго и много инвестируют.
• Если есть инфраструктура для быстрых прототипов, гипотезу можно проверить за день и так же быстро закрыть, если она не работает.
• По сути задача не в том, чтобы «выстреливали» все гипотезы, а в том, чтобы как можно быстрее понимать, что работает, а что нет.
Александр Горинов, руководитель департамента разработки и поддержки продаж транзакционных продуктов, Альфа‑Банк:
• Если нет системного подхода, вложения могут уйти в пустоту.
• Одна из типичных ошибок — ожидание «волшебной кнопки». Бизнес хочет быстрый эффект, но не всегда готов инвестировать дальше, чтобы довести решение до рабочего результата.
• ИИ-проект не взлетает и там, где компания не готова пересматривать собственные процессы и менять привычный способ работы.
@alfa_tops