Внедрение ИИ подходит не для всех сфер: разбираем особенности вместе
Несколько месяцев назад выступал на форуме в составе панельной дискуссии о цифровизации строительства. Меня спросили: почему компании тратят деньги на ИИ, а результата все еще нет? Так и родилась идея раскрыть эту тему подробнее, поделиться знаниями, разобрать термины, рассмотреть сферы, в которых как я вижу самую большую потребность и пользу от внедрения ИИ, и рассмотреть причину, почему ИИ подходит не для всех сфер
Для начала немного цифр
Прежде, чем разговаривать про ИИ, внедрение и рынок, посмотрим реальные цифры: каждый четвертый бизнес готов вложить в ИИ до 5 млн рублей в год, опрос 1,5 тыс. предпринимателей (сервис «Аихаб»): 26% готовы тратить на ИИ 1–5 млн рублей в год, еще 47% — до 1 млн.
Где внедряют: продажи и клиентский сервис (28%), маркетинг (27%). При этом ручной анализ звонков и переписок всё ещё в 42% компаний. ИИ‑инструменты (речевая аналитика, CRM‑аналитика) — только у 20–22%.
То есть мы можем сделать вывод, что компании готовы платить, но ждут измеримого эффекта и тут простым внедрением ИИ не обойтись. Но существуют разные понятия — внедрение / трансформация, которые мы рассмотрим ниже
Разница в «внедрение ИИ» и «ИИ‑трансформации»
Хочу начать с понимания терминов. Есть внедрение ИИ, а есть ИИ‑трансформация. Это две разные вещи и их постоянно путают и это дорого обходится. Давайте остановимся на этом этапе и каждый спросит себя «в чем, собственно, разница?»
В моем понимании — внедрение ИИ — это когда берёшь готовый инструмент и подключаешь к процессу. Купили подписку на сервис распознавания лиц, поставили камеру на проходную — «ИИ на стройке». Менеджер доволен, в отчёт пишем «внедрили».
Что изменилось в процессе управления объектом? Будем честны — ничего.
Перейдем к другому определению — ИИ‑трансформация. Это когда сначала описываешь, как работает бизнес, потом разбираешь, где ИИ создаёт реальный эффект, считаешь ROI до того, как потратил первый рубль — и только потом выбираешь инструмент. Согласны?
Подытожив сказанное — разница кроется не в терминологии. Она определяет, получит ли компания результат или получит просто красивый слайд или в лучшем случае отчёт.
Сферы, где ИИ‑трансформация будет полезна.
Да, именно в такой формулировке. Моя позиция, что ИИ не заменит, ИИ дополнит и разовьет, если грамотно пользоваться. Рассмотрим сферы, в которых ИИ трансформация будет максимально полезна. Я назову топ 5, вы дополняйте в комментариях свои варианты.
Медицина и здравоохранение. ИИ трансформация идеально вписывается в анализ МРТ, рентгенов и КТ на ранних стадиях заболеваний, мониторинг состояния пациентов с помощью носимых устройств, ускоренная разработка новых лекарств.
Финансы и банковское дело. Казалось бы, у нас уже есть банковские карты, приложения и тд. Но автоматизация обработки платежей, предотвращение мошенничества, кредитный скоринг — с внедрением ИИ может автоматизировать и помочь
Логистика и транспорт. Очень широкая и сложная сфера. Но если рассмотреть в следующем ключе — автоматизации цепей поставок, динамическое планирование маршрутов и управление беспилотным транспортом.
IT и кибербезопасность. Конечно же не мог не рассмотреть ИТ сферу. Автоматизация генерации и тестирования кода, мониторинг сетевых аномалий для предотвращения утечек данных и всего прочего и ускоряет все процессы и усиливает.
Строительство. На эту тему я могу говорить вечно и это «особый случай», но если вкратце, то автоматизирует проектирование, повышая безопасность на площадках и оптимизируя расходы. Внедрение ИИ в строительной сфере позволяет сократить сроки реализации проектов, убрать простои и тд.
Почему строительство — особый случай
Не потому что отрасль «консервативная» или «отстаёт». А потому что у неё объективная специфика, которая делает внедрение ИИ сложнее, чем в банке или ритейле.
Строительный объект — это живая, постоянно меняющаяся среда. Данные собирают люди, у которых есть свои интересы в том, что именно попадает в отчёт. Также, это сфера, которая требует контроля, качества и внедрения действительно рабочих инструментов. Если держать бизнес‑процессы в головах, а не в регламентах, то все может пойти уж точно не по плану. (Я уж не говорю про смену подрядчика, которая, может обнулить всю стройку). В такой среде поставить ИИ поверх существующих процессов — значит получить умный инструмент, который анализирует данные, на которые никто не реагирует, или выдаёт алерты в систему, которую никто не читает.
Страхи и сомнения внедрения
Внедрение ИИ всегда вызывало и вызывает вопросы. Разберём топ рисков, страхов, сомнений — и как с ними работать.
1. Первое это риски в стройке, поделюсь своим видением сначала в этой сфере, потому что сейчас именно она превалирует в моей жизни.
«Камеры старые, связь нестабильная — это вообще заработает?»
Да. Система разворачивается на имеющемся оборудовании: специалисты перенастраивают параметры под ваши условия. Точность детекции — 95%+ даже при низком разрешении и нестабильном освещении. Менять инфраструктуру не нужно.
2. «Сотрудники будут против — это слежка»
Система не оценивает людей — она фиксирует нарушения на объекте. При правильной организации процессов через 1–2 месяца показатели меняются заметно.
3. «Персональные данные — это риск для компании»
Система не обрабатывает персональные данные. Никаких ФИО, биометрии, профилей. Регуляторных рисков нет. Но также — кто несет все‑таки ответственность — человек или ИИ? Помните, когда в 2018 году автопилот Убер сбил пешехода, так вот, вопрос о виновности водителя, компании и ПО остается юридически спорным...
А если говорить про IT сферу и детали, то не могу не отметить, что генеративные модели, прежде всего LLM, структурно склонны к галлюцинации модели: декодер максимизирует условную вероятность следующего токена, а не истинность утверждения — в результате модель конечно же уверенно генерирует фактически ложный, но лингвистически правдоподобный вывод. Согласно отраслевым данным, с подобным поведением моделей сталкивались более 80% онлайн‑пользователей, что делает галлюцинации одним из наиболее распространённых операционных рисков при внедрении LLM в продакшн.
4. Все привыкли, что ИИ это дорого. И это один из главных барьеров. Поэтому я решил у нас внедрить пилоты. Кстати, уверен, что у вас возник вопрос — платные или бесплатные, сразу скажу, что стоимость — как зарплата линейного сотрудника за два месяца. За это время компания примеряет на себя полный функционал: понимает, как система интегрируется, как с ней работают люди, что она реально даёт на объекте. Дальше внутренний аудит, адаптация под конкретные задачи и масштабирование. Без лишних рисков и без кота в мешке. Делитесь вашим мнением насчет пилотов
Ну и отрисовал некоторое дерево с рисками внедрения:
В каких сферах внедрение ИИ ненадёжно:
Первое — цена ошибки — жизнь. В реанимации или онкологии галлюцинация модели неотличима от правильного ответа на уровне текста. Врач под давлением может принять уверенно сформулированную ошибку за рекомендацию. ИИ здесь уместен как инструмент поддержки — второе мнение, поиск по литературе — но не как единственный источник решения.
Safety‑critical системы. В авиации стандарты надёжности DO-178C, IEC 61 508 требуют формальной верификации и детерминированного поведения. ML‑модели по природе вероятностны и не поддаются формальному доказательству корректности и поэтому их роль там ограничена вспомогательными задачами с обязательным ручным управлением.
Для более удобного восприятия структурировал сферы и составил таблицу
Сфера | Причина ненадёжности | Конкретный риск | Уровень опасности |
Хирургия, реанимация, онкология | Цена ошибки — жизнь, верификация постфактум | Галлюцинация = летальный исход, нет контроля в реальном времени | Критический |
Судопроизводство, следствие | Корреляция ≠ причинность, ложные закономерности | Ложные выводы из паттернов данных вместо доказательств | Критический |
Авиадиспетчеризация, АЭС | Нет undo в физическом мире, нулевая терпимость к ошибкам | Недетерминизм несовместим с стандартами критической безопасности | Критический |
Психотерапия, кризисная помощь | Имитация эмпатии без реального понимания состояния | Формально верный ответ может навредить в конкретном контексте | Критический |
Юридические услуги, нотариат | Пробел в ответственности — нет субъекта ответственности | Ошибка влечёт профессиональную и уголовную ответственность | Высокий |
HFT, алготрейдинг в реальном времени | Дата среза данных, данные устаревают за миллисекунды | Устаревшие данные + задержка = мгновенный обвал риск | Высокий |
Кризисный менеджмент, ЧС | Черный лебедь: нет прецедентов в обучающей выборке | Модель экстраполирует из нерелевантных паттернов | Высокий |
Кредитный скоринг, найм | Алгоритмическая предвзятость, обратная связь в данных | Дискриминация по защищённым признакам, Категория высокого риска по закону ЕС об ИИ | Высокий |
Научные открытия, новые домены | Нет обучающих данных по принципиально новым явлениям | Модель интерполирует, а не открывает — уверенно неверные ответы | Средний |
Долгосрочное стратегическое планирование | Нет каузального reasoning, только статистика прошлого | Проецирует исторические паттерны на принципиально новые условия | Средний |
Аудит и финансовая отчётность | Галлюцинации в числах, нет верификации источников | Ошибка в цифрах при уверенном тоне подрывает доверие | Средний |
Управление репутацией, PR | Нет понимания культурного и политического контекста | Публично верный текст может быть токсичен в конкретном контексте | Умеренный |
Дипломатия, межкультурные переговоры | Нюансы, подтекст, невербальное — за пределами токенов | Потеря смысла при переводе культурных норм в текст | Умеренный |
Нишевые узкоспециализированные домены | Малый объём обучающих данных | Высокая вероятность галлюцинаций при уверенном стиле | Зависит от контекста |
Как выглядит трансформация, которая работает?
Из всей практики, которую я видел, устойчивый результат дают два подхода.
Первый: с нуля, через карту процессов
1. Сначала рисуется карта бизнес‑процессов: кто что делает, на каком этапе, с какими данными. Для строительной компании это выглядит примерно так: сдача объекта в срок зависит от контроля графика, контроль графика зависит от данных с площадки, данные с площадки зависят от того, насколько честно их собирает линейный персонал.
2. Когда карта есть — видно, где узкие места. Где человеческий фактор искажает картину. Где задержка информации реально стоит денег. Это точки входа для ИИ.
3. Дальше — аналитика под счёт ROI. До начала внедрения. Не «давайте попробуем» — а «мы считаем, что автоматизация вот этого процесса даст экономию X рублей в месяц при стоимости внедрения Y». Если цифры не сходятся — значит, это не та точка входа. И только после этого выбирается инструмент.
Это долго — от полугода до года до первых измеримых результатов. И дорого на старте. Но это единственный путь, который даёт предсказуемый эффект для компаний, которые хотят трансформироваться системно.
Второй: масштабирование доказанных сценариев
Есть другой путь — не изобретать велосипед, а брать сценарии, которые уже прошли проверку на реальных объектах.
Несколько лет работы с застройщиками дают набор сценариев с понятной экономикой — контроль присутствия персонала, соблюдение СИЗ, мониторинг техники, фиксация прогресса строительства. И по итогу, новый клиент не ставит эксперимент, а внедряет то, что уже показало результат.
Что меняется на рынке?
Рынок проходит болезненную, но необходимую стадию. Компании, которые несколько лет покупали «ИИ» как маркетинговый атрибут, начинают задавать неудобные вопросы: а где деньги?
Для строительной отрасли это хорошая новость. Когда компании начнут спрашивать «какой ROI» вместо «есть ли у вас ИИ» — рынок станет здоровее.
Выживут вендоры с реальными кейсами и прозрачной экономикой. Исчезнут те, кто продавал хайп.
И это, пожалуй, лучшее, что могло случиться с отраслью.
Давайте все‑таки вернемся к вопросу и рассмотрим — почему компании тратят деньги на ИИ, но оно все равно не работает, не приносит им денег.
1. Это зачастую внедрение ради внедрения. Когда компания хочет быть в тренде, но даже не учитывает те базовые особенности, которые мы с вами сегодня разобрали
2. ИИ решает не ту задачу, которая приносила бы профит бизнесу. Вот так кратно, но реальный факт
3. Многое, кстати, зависит от самого персонала и когда происходит организационное сопротивление, то процесс кратно замедляется и систему просто игнорируют.
4. Финальным возьму факт неправильной автоматизированности процесса. ИИ ускоряет неэффективный процесс. Быстрее делать ненужное — не экономия, а масштабирование потерь и сначала нужно оптимизировать процесс, потом автоматизировать — а не наоборот)
Итог — прежде чем подписывать следующий контракт на «внедрение ИИ», задайте три вопроса: — Какой конкретный процесс мы автоматизируем и как измерим результат?
— Что произойдёт, если модель ошибётся? Кто несёт ответственность?
— Считали ли мы ROI до начала, а не после?
Если на все три есть ответы, рассматривайте трансформацию ИИ.