Почему половина ИИ-внедрений не доходит до продакшена

ИИ-внедрения чаще всего останавливаются после пилота не из-за слабой модели, а из-за организационных причин. У проекта нет измеримой цели и исходных цифр, нет владельца со стороны бизнеса, а после удачной демонстрации нет плана, кто и как переводит решение в работу. Если заложить эти три вещи до старта, шансы дойти до продакшена заметно выше.

Ниже разберём, что говорят исследования, какие ошибки встречаются чаще всего и как спланировать проект так, чтобы пилот закончился рабочим инструментом, а не презентацией.

Цифра «половина» опирается на данные аналитиков. В июле 2024 года Gartner прогнозировал, что к концу 2025 года минимум 30% проектов генеративного ИИ будут свёрнуты после пилота. В январе 2026 года аналитики подвели итог: по их оценке, после пилота было остановлено не меньше половины таких проектов.

Причины в обоих материалах одни и те же: низкое качество данных, слабый контроль рисков, растущие расходы и неясная польза для бизнеса. Ещё один прогноз Gartner касается данных: до конца 2026 года компании откажутся от 60% ИИ-проектов, под которые не подготовлены данные.

Хорошая новость в том, что почти все эти причины решаются на этапе планирования. Качество модели среди них почти никогда не оказывается главным.

Самая частая история: команда запускает ассистента, сотрудникам нравится, все говорят, что «стало удобнее». Через три месяца финансовый директор спрашивает, сколько это сэкономило, и ответить нечем. Проект без цифр первым попадает под сокращение бюджета.

Как избежать:

• Замерьте исходную точку до запуска. Сколько часов в неделю уходит на участок, сколько времени занимает одна операция, какая доля ошибок и переделок.
• Выберите 4–6 показателей из трёх групп: время (часы, скорость обработки), качество (доля результатов без правок, доля ошибок) и деньги (стоимость часа сотрудника, регулярные расходы на ИИ).
• Договоритесь о пороге успеха заранее. Например: время первого ответа клиенту сокращается минимум вдвое при той же доле ошибок. Тогда решение о продолжении принимается по цифрам, а не по впечатлениям.

Подробно о том, как устроить замеры и сравнение, мы рассказали в статье «Пилот ИИ-проекта: как проверить эффект за месяц».

ИИ-проект часто рождается в ИТ-отделе или у энтузиаста, который «попробовал ChatGPT». Пока идёт эксперимент, этого хватает. Но в продакшене нужны решения, которые может принять только руководитель процесса: менять ли регламент, кто проверяет результаты ИИ, что делать с высвободившимся временем сотрудников.

Если владельца нет, проект зависает между отделами. ИТ считает, что задача решена, потому что система работает. Бизнес-подразделение считает, что это эксперимент ИТ, и продолжает работать по-старому.

Как избежать:

• Назначьте владельца процесса, а не только технического ответственного. Это руководитель участка, на котором работает ИИ, и он отвечает за результат в цифрах.
• Заложите его время. На пилоте владельцу обычно хватает 2–3 часов в неделю: согласовать правила, посмотреть спорные случаи, принять решение по итогам.
• Закрепите роли: кто проверяет результаты ИИ, кто собирает обратную связь от сотрудников, кто решает, расширять ли полномочия ассистента.

Пилот прошёл успешно, цифры хорошие, но дальше ничего не происходит. Причина обычно в том, что пилот планировали как отдельный эксперимент, а не как первый этап внедрения. Например, работали на выгрузке писем вместо живого потока, ИИ не был подключён к CRM или учётной системе, а бюджет и сроки следующего этапа никто не обсуждал.

Как избежать:

• Сразу описывайте путь в продакшен. Ещё до старта пилота ответьте на вопросы: какие системы нужно будет подключить, как изменится регламент, сколько будет стоить эксплуатация в месяц.
• Работайте на части реального потока. Пилот на живых данных и в рабочих системах показывает реальные проблемы: интеграции, права доступа, нестандартные случаи.
• Назначьте дату решения. В конце пилота владелец процесса принимает одно из трёх решений: расширяем, дорабатываем 2–4 недели или закрываем и выбираем другой участок.

ИИ-ассистент хорош ровно настолько, насколько хороши данные, с которыми он работает. Если регламенты устарели, база знаний противоречит сама себе, а нужная информация хранится в головах сотрудников и личной переписке, качество ответов будет нестабильным. Сотрудники быстро перестанут доверять инструменту.

Как избежать:

• Проведите ревизию источников до старта: какие документы, справочники и системы нужны ассистенту и насколько они актуальны.
• Соберите примеры. 30–50 реальных писем, документов или обращений с правильными ответами — это основа для настройки и проверки качества.
• Назначьте ответственного за актуальность базы знаний. Без этого качество будет падать с каждым изменением в регламентах.

На пилоте стоимость запросов к модели почти незаметна. Когда инструментом начинает пользоваться весь отдел, а сценариев становится больше, ежемесячный счёт может вырасти в разы. Если такой рост не был заложен в расчёт, проект закрывают как слишком дорогой.

Как избежать:

• Считайте полную стоимость владения, а не только разработку: запросы к модели, хостинг, поддержку, обновление базы знаний, время сотрудников на проверку.
• Подбирайте модель под задачу. Для простой классификации обращений не нужна самая мощная модель. Сравнение вариантов — в статье YandexGPT, GigaChat, GPT или Claude: что выбрать бизнесу.
• Сопоставляйте расходы с экономией ежемесячно: высвобожденные часы, умноженные на стоимость часа, минус расходы на ИИ.

Из чего складывается бюджет внедрения, мы подробно разобрали в статье о стоимости внедрения ИИ-ассистента.

Ещё один сценарий остановки: пилот работал, но перед запуском служба безопасности или юристы задали вопросы, на которые нет ответов. Куда уходят персональные данные клиентов? Кто отвечает, если ИИ ошибся в документе? Где журнал действий? Переделывать архитектуру на этом этапе дорого и долго.

Как избежать:

• Решите вопрос с данными в первую неделю. Если в процессе есть персональные данные, выбирайте архитектуру с учётом 152-ФЗ: модель в российском контуре или на своём сервере либо обезличивание перед отправкой во внешнюю модель. Подробности — в статье «152-ФЗ и ИИ: как внедрить ассистента и не нарушить закон».
• Выдавайте полномочия по степени риска. Черновики и подготовку ИИ может делать сам, юридически значимые действия идут через подтверждение сотрудником.
• Ведите журнал действий. Должно быть видно, что сделал ИИ, на основании каких данных и кто подтвердил результат.

Технически решение работает, но сотрудники продолжают делать всё вручную. Обычно причин две: инструмент не встроен в привычную работу (нужно открывать отдельное окно и копировать данные) или люди опасаются, что ИИ их заменит.

Как избежать:

• Встраивайте ИИ туда, где люди уже работают: в CRM, почту, мессенджер, учётную систему. Чем меньше лишних действий, тем выше использование.
• Объясните, что меняется. ИИ забирает рутину вроде переноса данных и черновиков, а решения и общение с клиентами остаются за людьми.
• Привлекайте сотрудников участка к пилоту. Они лучше всех знают нестандартные случаи, а их правки улучшают качество быстрее любых настроек.

Перед стартом проверьте, что у проекта есть:

1. Один конкретный участок с повторяющейся работой и понятными правилами.
2. Исходные цифры и согласованный порог успеха.
3. Владелец процесса со стороны бизнеса и закреплённые роли.
4. Подготовленные источники данных и 30–50 реальных примеров.
5. Решение по персональным данным и полномочиям ИИ.
6. Расчёт стоимости эксплуатации в месяц.
7. План перехода в продакшен и дата, когда принимается решение по итогам пилота.

Если по какому-то пункту нет ответа, это не повод откладывать проект. Это список того, что нужно закрыть в первые недели. Если пока непонятно, с какого участка начать, поможет чек-лист в статье какую рутину отдать ИИ уже сейчас.

Мы строим внедрение так, чтобы пилот сразу был первым этапом продакшена. До старта фиксируем метрики и исходную точку, определяем владельца процесса и полномочия ИИ, решаем вопрос с данными. Затем запускаем решение на части реального потока, подключаем нужные системы и по итогам даём цифры для решения о расширении. Работаем с GPT, Claude, GigaChat и другими моделями и подбираем их под задачу и требования к данным.

Особенно хорошо мы знаем юридическую и консалтинговую сферу, где требования к данным и документам самые строгие: mrktng.bz занимает 1 место в Рейтинге Рунета 2026 в категориях «Разработчики сайтов: Право» и «Право / Юридические, бухгалтерские услуги, консалтинг».

Все направления собраны на странице Автоматизация и вайбкод, что мы автоматизируем в процессах компании — на странице автоматизация бизнес-процессов. Примеры наших работ — в разделе проекты. Если ИИ должен не просто помогать, а вести задачу от начала до конца, почитайте об ИИ-сотруднике. А если вместе с внедрением нужен внутренний сервис или новый сайт, вайбкод — разработка с ИИ-инструментами — даёт до 50% экономии.

Расскажите, какой процесс хотите автоматизировать, — поможем выбрать участок, метрики и формат пилота с понятным путём в продакшен.

Почему ИИ-проекты не доходят до продакшена?

Чаще всего из-за организационных причин: у проекта нет измеримой цели, нет владельца со стороны бизнеса и нет плана перехода после пилота. Среди других частых причин — неготовые данные, недооценённые расходы и вопросы безопасности, которые всплывают перед самым запуском.

Правда ли, что половина ИИ-проектов проваливается?

По оценке Gartner, к концу 2025 года после пилота было остановлено не меньше половины проектов генеративного ИИ. При этом почти все названные причины связаны с планированием, данными и расходами, а не с качеством моделей.

Какие метрики нужны ИИ-проекту?

Четыре–шесть показателей из трёх групп: время, качество и деньги. Например, часы на участок, доля результатов без правок и стоимость часа сотрудника против расходов на ИИ. Исходные цифры фиксируют до запуска, а порог успеха согласуют заранее.

Кто должен отвечать за ИИ-внедрение в компании?

Руководитель процесса, на котором работает ИИ, а не только ИТ-специалист. Он принимает решения о регламентах и проверке результатов и отвечает за эффект в цифрах. На пилоте ему обычно хватает 2–3 часов в неделю.

Что делать после успешного пилота?

Принять решение по итогам в заранее назначенную дату: расширить решение, доработать его за 2–4 недели или выбрать другой участок. Чтобы расширение не затянулось, путь в продакшен — интеграции, регламент и стоимость эксплуатации — описывают ещё до старта пилота.

Можно ли спасти остановленный ИИ-проект?

Часто да, если разобраться в причине. Когда не хватило данных, интеграции или владельца, проект перезапускают с доработанным планом и новыми замерами. Если участок в целом не подходит для ИИ, честнее выбрать другой.