«Ваш ИИ не работает!»: что мешает крупным предприятиям эффективно внедрять AI?

В статье рассказываем, почему AI‑проекты «зависают» на стадии пилота и анализируем root‑причины неудачных внедрений.

Почему AI‑проекты терпят неудачи: антипримеры

Однако, несмотря на стремительное развитие искусственного интеллекта, крупные предприятия сталкиваются с рядом вызовов при его внедрении, которые могут затруднять его потенциальную эффективность. Условно сложности можно разделить на технические, финансовые и административные.

Недостаток качественных данных — первый технический барьер. Решения на базе искусственного интеллекта требует больших объемов структурированной и качественной информации для обучения и работы, однако на практике данные часто фрагментированы, низкого качества или вовсе отсутствуют.

Рассмотрим систему оптимизации, которая прогнозирует мощность оборудования на несколько минут вперед. Качество модели во многом зависит от данных, поступающих с датчика шума (электронного уха). Предположим, модель была обучена с использованием показателей датчика. В процессе аудита технологического процесса выясняется, что датчик часто выходит из строя. При очередном отказе устройства модель потеряет работоспособность, поскольку не способна додумывать и самостоятельно восполнять пробелы. Этот случай подчеркивает важность тщательного отбора стабильных и релевантных данных для качественной работы любой прогностической системы.

Или разберем другую ситуацию — производитель пищевой продукции планирует внедрить искусственный интеллект для прогнозирования спроса. Эффективность модели во многом зависит от объема исторических данных, используемых для обучения. Ограниченная глубина информации (например, полгода) приводит к значительному снижению точности прогнозов. Таким образом, ключевым фактором успеха является наличие полной репрезентативной выборки данных за максимально длительный период.

Еще один показательный пример: промышленное предприятие с помощью AI планирует построить систему оптимизации для отдельного технологического передела. При аудите данных и процессов выясняется, что по всем ключевым показателям либо не архивируется информация с датчиков, либо измерительные приборы и вовсе отсутствуют. Поэтому перед внедрением искусственного интеллекта необходимо провести базовую цифровизацию производства: установить датчики, организовать сбор и долгосрочное хранение данных. Только затем можно переходить к построению эффективной системы оптимизации.

Сложность интеграции с существующими системами — еще один немаловажный барьер. Многие предприятия используют устаревшие ИТ‑системы, которые несовместимы с современными AI‑решениями. Внедрение искусственного интеллекта требует значительных доработок и нетривиальных решений.

Проанализируем не самую удачную стратегию: для предприятия было разработано AI‑решение с функцией предиктивной аналитики. При этом заказчику требовалось встроить его в их устаревшую АСУТП с помощью технологии ActiveX, которая перестала поддерживаться более 10 лет назад. Разработчики нашли необходимое техническое решение, однако работа искусственного интеллекта оставалась нестабильной, что подтверждает риски внедрения AI в системы без их предварительной модернизации.

Еще один антипример — для фабрики, использующей устаревшую АСУТП, разработали AI‑оптимизатор одного из переделов производства. Интеграция оказалась осложнена из‑за нестандартного программного интерфейса системы, работающего исключительно под ОС Windows. Потребовалась дополнительная разработка отдельного промежуточного модуля на устаревшем языке программирования с размещением на выделенном Windows‑сервере, а это незапланированные затраты человеческих и финансовых ресурсов.

Работа с предприятиями, обладающими современной ИТ‑инфраструктурой, существенно облегчает внедрение AI‑решений. Они поддерживают современные протоколы обмена данными, что значительно упрощает и ускоряет процессы интеграции, делает их более стабильными и безопасными.

Фундамент инноваций — проработанная стратегия

В первую очередь, для снижения финансовых рисков необходимо просчитать, окупятся ли эти затраты в будущем. Самый действенный метод — точечный анализ и пилотное внедрение AI. Например, можно самостоятельно или с привлечением профильного специалиста выбрать одно перспективное направление или один участок производства, где применение искусственного интеллекта потенциально принесет экономическую выгоду. Далее — разработать прототип, пройти стадию опытно‑промышленных испытаний, а после — оценить эффект. Если результат устраивает, можно переходить к этапу промышленного внедрения и масштабирования AI.

Второй важный момент — внедрение искусственного интеллекта требует наличие мощной ИТ‑инфраструктуры. Это подразумевает инвестиции не только в программное обеспечение, но и в оборудование, его поддержку и регулярное техническое обслуживание. А для эффективной работы с AI‑решениями необходим квалифицированный персонал, способный заниматься их разработкой, внедрением и сопровождением. В частности, требуются специалисты в области Data Science, машинного обучения и AI‑разработки. Таким образом, компания должна быть готова к дополнительным затратам: либо на расширение штата (открытие новых позиций), либо на постоянное повышение квалификации сотрудников.

Кроме того, завышенные ожидания от искусственного интеллекта могут привести к разочарованию, если результаты внедрения не соответствуют прогнозам. AI — не волшебная палочка. Он не решит все проблемы. У искусственного интеллекта, как у любой другой технологии, есть свои ограничения и требования, с которыми желательно предварительно ознакомиться или проконсультироваться с экспертом в этой области. Например, не стоит внедрять AI на предприятиях, где отсутствует цифровизация, на производствах, где не отлажены все процессы, например, на молодых, недавно запущенных заводах. Также современные AI‑технологии не всегда способны решать сложные или уникальные задачи, особенно в узкоспециализированных отраслях.

Искусственный интеллект не вместо, а для людей

Внедрение AI часто требует изменения бизнес‑процессов и корпоративной культуры. Сопротивление сотрудников и руководства может стать серьезным барьером. Часто это выражается в позиции: «я здесь работаю 20‑30 лет и знаю лучше, как мне выполнять свою работу. Чем мне может помочь AI?». В таких случаях важно, чтобы внедряемые модели были интерпретируемыми — то есть система не только давала рекомендации, но и объясняла их логику. Иногда ради лучшей интерпретируемости (если это важно для руководства) приходится идти на компромисс и разрабатывать более простые интерпретируемые модели, что может немного снижать точность прогнозов.

Еще одна проблема связана с необходимостью постоянного сопровождения AI‑решений. Нельзя просто внедрить искусственный интеллект и «отправить его в свободное плавание». Системы требуют мониторинга, регулярной донастройки и дообучения. Без этого даже изначально эффективная модель со временем начнет деградировать, выдавая некорректные прогнозы и рекомендации. В результате сотрудники, например, технологи сталкиваются с ошибками и делают вывод: «Ваш ИИ не работает!», что подрывает доверие к технологии в целом.

В целом персонал на местах тоже может воспринимать искусственный интеллект как угрозу своей работе. Это естественная реакция, и ее нельзя игнорировать. Как решить этот вопрос? С помощью простой коммуникации. Например, проводить регулярные встречи с командами, во время которых руководители на конкретных примерах показывают, как все оптимизаторы, рекомендательные сервисы разрабатываются и внедряются не для того, чтобы заменить сотрудников на рабочем месте, а для того, чтобы помочь им вести процесс более качественно.

Главное — сместить фокус с «искусственный интеллект вместо людей» на «для людей». Когда персонал видит, что технологии упрощают его работу (а не лишают должности), сопротивление превращается в вовлеченность.

Вывод

Крупные предприятия сталкиваются с рядом технических, административных и финансовых барьеров при внедрении AI. Частые ошибки — отсутствие цифровой базы, завышенные ожидания и игнорирование человеческого фактора, что приводит к провалу проектов.

Для успешной интеграции искусственного интеллекта необходим комплексный подход: разработка долгосрочной стратегии, предварительная цифровизация, инвестиции в ИТ‑инфраструктуру и обучение сотрудников, а также регулярная работа с командой. Важно фокусироваться на решениях, которые помогают сотрудникам, а не заменяют их, и обеспечивать постоянное сопровождение AI‑систем. Только так можно добиться устойчивого результата и реальной оптимизации бизнеса.