Искусственный интеллект становится ключевым инструментом цифровой трансформации компаний. Он обещает рост эффективности, сокращение издержек и новые источники прибыли. Но на практике многие проекты с AI/ML и генеративным ИИ не дают ожидаемого эффекта.

SoftMediaLab (SML) поговорили с ведущими экспертами отрасли из К2Тех, Рубиус, Arenadata, Umbrella IT и MWS Ai и узнали, с какими барьерами сталкиваются компании и что мешает внедрению ИИ в бизнес-процессы.

Главная сложность при старте проектов — высокая стоимость и ресурсоёмкость внедрения. Для запуска корпоративного ИИ нужны подготовка данных, обучение сотрудников новым процессам и перестройка IT-инфраструктуры.

Особенно это касается on-premise решений, где стоимость поддержки крупных моделей на собственной инфраструктуре может быть слишком высокой для небольших проектов. Генеративный ИИ требует мощных серверов, видеокарт и регулярного обновления моделей, что создаёт дополнительные операционные издержки.

Качественные и структурированные данные — критически важный ресурс для внедрения ИИ. Основная трудность заключается не в их отсутствии, а в разрозненности и закрытости информации.

Многие компании хранят данные в устаревших системах, локальных базах и неструктурированных архивах. Это требует длительной подготовки — очистки, интеграции и перестройки IT-инфраструктуры, прежде чем данные станут пригодными для AI/ML.

Развитие ИИ-агентов и цифровых ассистентов открывает новые возможности для автоматизации, но корпоративные платформы часто не готовы к их использованию.

Сложность связана с безопасностью, управлением данными и интеграцией агентских фреймворков в существующую корпоративную архитектуру. Многие системы разработки агентов создаются исследователями и недостаточно адаптированы под требования enterprise.

Спрос на AI/ML-специалистов остаётся высоким, особенно на тех, кто умеет связывать бизнес-задачи с возможностями технологий. Компании нуждаются в «гибридных» специалистах — аналитиках и архитекторах, способных определять, какие модели подходят под конкретные задачи и как оценить ожидаемый эффект.

Отдельно растёт потребность в промпт-инженерах и тренерах моделей, которые помогают адаптировать нейросети под корпоративные процессы. Использование аутстаффинга позволяет гибко масштабировать команду, подключать нужных экспертов и ускорять запуск проектов.

Сегодня AI/ML-проекты больше похожи на научно-исследовательскую деятельность, чем на стандартные IT-проекты с чёткими сроками, бюджетом и ожидаемым результатом. Большинство инициатив находятся на стадии экспериментов и пилотов.

Компании создают ИИ-лаборатории и инкубаторы для быстрого тестирования гипотез и формирования портфолио успешных кейсов. Но основной вызов — это поиск реальных бизнес-задач, где ИИ может приносить измеримый экономический эффект.

Генеративный ИИ обладает высоким потенциалом, но склонен к выдаче недостоверной информации («галлюцинациям»), что снижает доверие бизнес-пользователей.

Кроме того, вопросы безопасности, конфиденциальности и контроля данных остаются актуальными. Внедрение ИИ требует соблюдения тех же принципов безопасности и архитектуры, что и традиционные корпоративные системы, чтобы минимизировать риски и обеспечить устойчивую работу решений.

Эффективное внедрение ИИ в бизнес требует системного подхода:

Компании, которые строят стратегию внедрения ИИ с учётом этих факторов, получают конкурентное преимущество и способны превращать экспериментальные проекты в реальные источники прибыли.