ИИ не окупается: 5 управленческих ошибок при внедрении технологии
ИИ обещает рост выручки и снижение затрат, но на практике пилоты часто не приносят денег. Ольга Чернышова (DSSL) приводит пять типичных управленческих ошибок при внедрении и рабочий план на 90 дней для повышения рентабельности ИИ
Фото: РБК
Этот материал входит в новый раздел РБК Образование, где мы рассказываем о том, как развивать навыки, принимать взвешенные решения и двигаться по карьере осознанно.
Школа управления РБК — новый образовательный проект медиахолдинга, ориентированный на развитие руководителей. Встречаемся каждый четверг в 19.00 на онлайн-событиях, где вместе решаем сложные управленческие задачи.
Расписание и темы можно посмотреть здесь.
Во многих компаниях ИИ уже протестировали в пилотных проектах, но до реального операционного эффекта доходят немногие. Инициативы часто застревают между демо и продакшеном, ожидаемый ROI не появляется, а первоначальный энтузиазм быстро сходит на нет.
Как правило, причины кроются не в технологиях, а в управлении. От ИИ ждут «магии», не назначают бизнес-владельца результата, экономят на обучении команды работе с ИИ и выстраивают фрагментированные процессы взаимодействия человека и модели.
Далее — разбор пяти типовых ошибок и практический план внедрения ИИ в компании за 90 дней.
Где ломается ИИ: пять управленческих ошибок
1. Когда нет общей стратегии, а есть только разрозненные эксперименты
В чем проблема. Компании запускают много отдельных пилотных проектов — небольших экспериментов, чтобы «попробовать ИИ в деле». Такие тесты часто называют Proof of Concept (PoC) — это проверка идеи на практике, без масштабирования. При этом нет общей картины, как все эти эксперименты влияют на деньги компании.
Что именно упускают. Не смотрят на P&L; — отчет о прибыли и убытках, который показывает, сколько компания зарабатывает и сколько тратит. В итоге каждый отдел тестирует ИИ сам по себе, не понимая, как это связано с общим финансовым результатом.
К чему это приводит. Нет единых показателей успеха, непонятно, какие проекты важнее, а пилоты так и остаются экспериментами, не переходя в полноценную работу.
Пример
Ретейл проверяет прогноз спроса в одном регионе, логистика ищет аномалии в перевозках на двух терминалах, служба безопасности тестирует камеры с распознаванием изображений. Каждый делает что-то свое, но совместного эффекта для бизнеса не возникает.
Что делать. Назначить одного ответственного за результат — именно со стороны бизнеса, а не из IT. Это должен быть руководитель, на чьи финансовые показатели напрямую влияет использование ИИ. Он отвечает за выручку, потери и операционные расходы (OPEX, то есть текущие затраты на работу бизнеса).
IT-подразделение при этом помогает с реализацией, но не владеет бизнес-целью.
2. Ожидание «волшебства» вместо понятного и управляемого результата
В чем проблема. От ИИ требуют стопроцентной точности с первого дня и не готовы к поэтапной настройке и улучшениям.
К чему это приводит. Если первые результаты далеки от идеала, проект быстро признают неудачным и закрывают, даже не пытаясь адаптировать его под реальные условия.
Что делать. С самого начала договориться, какой уровень точности считается приемлемым для каждого сценария, и перевести эти показатели в деньги: сколько компания теряет из-за ошибок и сколько зарабатывает благодаря автоматизации.
3. Деньги тратят на технологии, но не на людей
В чем проблема. Основной бюджет уходит на программное обеспечение и оборудование, а обучение сотрудников и изменение рабочих процессов финансируются по остаточному принципу.
К чему это приводит. Система используется лишь на малую часть своих возможностей. Сотрудники отключают функции ИИ, если те работают не идеально и мешают повседневной работе.
Что делать. Закладывать на обучение людей и перестройку процессов около 30–40% бюджета. Успех внедрения ИИ — это сочетание технологии, понятных процессов и навыков сотрудников, а не просто «умная модель».
4. ИИ как «черный ящик», с которым нельзя поговорить
В чем проблема. Пользователи не могут быстро и просто указать системе, где она ошиблась: например, когда ИИ сработал зря или, наоборот, пропустил действительно важное событие. Ошибки фиксируются не в моменте, а постфактум — через обращения в IT или подрядчику.
Пример. В системе видеоаналитики для службы безопасности ИИ регулярно помечает обычные рабочие операции как инциденты. Оператор понимает, что тревога ложная, но не может отметить это прямо в интерфейсе — максимум закрывает событие вручную. В результате система «не узнает», что именно было ошибкой, и продолжает повторять те же срабатывания изо дня в день.
К чему это приводит. Сотрудники перестают доверять ИИ и воспринимают его как источник шума, а не помощи. Улучшения в работе модели затягиваются: обратная связь собирается вручную, до разработчиков доходит с задержкой, а обновления выходят раз в несколько месяцев.
Что делать. Выстроить понятный цикл обратной связи: пользователь отмечает ошибку в один клик, данные автоматически попадают в контур дообучения, после чего выходит обновление. Параллельно важно заранее зафиксировать ожидаемые сроки и результаты улучшений — SLA (договоренный уровень сервиса), например снижение доли ложных срабатываний на 15% за месяц.
5. Крайности в ролях: либо ИИ решает все, либо мешает работать
В чем проблема. ИИ либо полностью заменяет человека и ему доверяют без проверки, либо каждое его действие перепроверяют вручную.
К чему это приводит. В первом случае растут риски ошибок, во втором пропадает экономия и смысл автоматизации.
Что делать. Использовать гибридную модель. ИИ обрабатывает весь поток данных и отбирает подозрительные или важные случаи, а человек проверяет только небольшую часть — обычно 1–5% — и принимает финальное решение. Это снижает нагрузку на сотрудников и позволяет сохранить контроль.
Интересна тема статьи? Вступай в сообщество Школы управления РБК, чтобы осознанно строить карьеру руководителя.
Как посчитать экономический эффект от внедрения ИИ: простой гайд
Чтобы понять, выгодно ли внедрение ИИ, обычно считают ROI.
Базовая формула: ROI = (Экономический эффект − TCO) / TCO
Иными словами, мы берем чистый финансовый эффект от проекта и делим его на полную стоимость владения системой.
TCO (Total Cost of Ownership) — это полная стоимость владения решением за выбранный период времени, например за год.
Сюда входят все расходы, а не только покупка технологии:
- лицензии на программное обеспечение;
- серверы, облака и другая инфраструктура;
- интеграция ИИ с существующими системами;
- обучение сотрудников;
- поддержка и сопровождение решения после запуска.
Что считается экономическим эффектом
Экономический эффект — это деньги, которые компания получает или экономит благодаря ИИ за тот же период. Его всегда считают через сравнение с ситуацией до внедрения.
Обычно он складывается из трех частей:
- рост выручки;
- сокращение затрат;
- снижение потерь.
Типовые эффекты от внедрения ИИ:
- снижение потерь, брака и краж. Если ИИ помогает реже допускать ошибки или вовремя выявлять нарушения, это можно посчитать как прямую экономию — например, минус X рублей в месяц;
- экономия времени сотрудников. ИИ берет на себя часть рутинных задач, и люди тратят меньше рабочего времени. Здесь часто используют показатель FTE (Full-Time Equivalent) — «эквивалент полной занятости». 1 FTE обычно равен полной месячной загрузке одного сотрудника, например 160 часов. Проще говоря, FTE помогает перевести сэкономленные часы работы в деньги: сэкономленные часы × средняя стоимость часа сотрудника;
- рост выручки. Он может возникать, например, так: снижение OOS (out of stock) — ситуаций, когда товара нет на полке. Меньше пустых полок означает меньше упущенных продаж; более точное планирование смен — когда сотрудников выводят ровно под реальный спрос (в ретейле, call-центрах, доставке). Это повышает пропускную способность и конверсию, а значит, доход.
Как правильно считать эффект на практике:
- зафиксируйте исходные показатели за 4–8 недель до внедрения ИИ. Это будет точка отсчета;
- определите показатели качества работы модели, например precision и recall (насколько часто ИИ оказывается прав и насколько редко он что-то упускает), а также бизнес-показатели — например, сокращение времени обработки инцидентов на 20%;
- свяжите технические улучшения с деньгами. Например, снижение количества ложных срабатываний означает меньше ручной работы операторов, что напрямую снижает расходы на оплату труда на конкретную сумму в месяц.
90-дневный план перехода от пилота к продакшену
Дни 1–30: ответственность и приоритеты. Назначьте бизнес-владельца результата и руководителя внедрения ИИ. Сформируйте и согласуйте с топ-менеджментом портфель сценариев применения ИИ с четким расчетом влияния каждого кейса на P&L;: выручку, COGS, OPEX или потери. Определите 1–2 ключевые метрики — качество модели и бизнес-эффект — и зафиксируйте их исходные значения до запуска.
Дни 31–60: процессы и обучение. Внедрите простой механизм обратной связи в интерфейсе, чтобы пользователи могли отмечать ошибки ИИ в один клик. Проведите обучение для операторов, аналитиков и владельцев процессов. Формально опишите работу гибридного контура «машина — человек»: правила передачи событий, сроки реакции, эскалацию и ответственность.
Дни 61–90: масштабирование и контроль. Достигните первой целевой метрики по качеству (например, снижение ложных срабатываний на 15%) и покажите денежный эффект. Переведите решение в промышленную эксплуатацию с понятными SLA, интеграциями, дашбордами и постоянным контролем качества данных и модели. Утвердите план масштабирования и бюджет сопровождения.
Чек-лист для CEO/CIO: что сделать на этой неделе
- Назначьте ответственного за бизнес-результат (P&L;) от ИИ. Владелец должен быть со стороны бизнеса; IT — в роли партнера-исполнителя.
- Выберите одну метрику качества ИИ и один бизнес-KPI на ближайшие 30 дней.
- Проверьте долю бюджета на обучение и перестройку процессов — целевой уровень не ниже 30–40%.
- Убедитесь, что пользователи понимают ценность своей обратной связи и видят, что система улучшается благодаря ей.
- Зафиксируйте в регламентах границу ответственности: что система делает автоматически, какие исключения передаются человеку, кто и в какие сроки принимает решения.
- Определите метод расчета ROI и дату или квартал, когда будет показан первый подтвержденный денежный эффект.
- Настройте постоянный контроль качества работы системы и механизм отслеживания падения точности после запуска.