Почему пилоты ИИ не дают эффекта и как этого избежать?

Пилоты ИИ чаще буксуют на процессах и данных: ИИ ускоряет процесс в том виде, в каком он есть, и если процесс не описан, вместе с ним ускоряется путаница. Риск снимается до запуска: выбрать один массовый процесс, описать его и подготовить данные.

Почему пилот не доходит до эффекта

По отчету NANDA при MIT за 2025 год, около 95% пилотов генеративного ИИ в компаниях не дали измеримого эффекта для финансовых результатов. Авторы объясняют это разрывом в обучении инструментов и организаций. Gartner в июне 2025 года прогнозировал, что более 40% проектов агентного ИИ могут быть отменены до конца 2027 года из-за роста затрат, неясной бизнес-ценности и недостаточного контроля рисков. На практике это выглядит так:

• Процесс не описан. Правила знают отдельные сотрудники, агенту их взять негде.
• Данные разрознены. Обращения приходят в почту и мессенджеры, категорий нет, история не годится для обучения и поиска.
• Нет метрик до запуска. После пилота нечем сравнить: сколько времени занимала операция, сколько обращений было.
• Слишком широкая задача. Пилот «для всей компании» не доходит до проверяемого результата.

Как снять эти риски

Выберите один массовый процесс с понятными правилами: типовые запросы в бухгалтерию, ИТ-поддержку, HR или АХО. Опишите услугу: форма, исполнитель, срок, когда агент решает сам, когда передает человеку. Обращения собирайте в одном месте, чтобы история копилась в единых категориях.

До запуска зафиксируйте метрики: время на операцию, число обращений, долю обращений, которые решаются без исполнителя. Эффект в рублях считают как разницу времени до и после запуска, умноженную на стоимость часа сотрудника.

С чего начать

Начинать удобно с процессов, где много однотипных запросов. О том, как организовать прием заявок в бухгалтерию через портал, мы разбирали в отдельном ответе: типовые запросы оформляются как услуги в каталоге, а руководитель получает аналитику по объему и срокам.

Как проверить, что ИИ работает

Сравнивайте результат с метриками до запуска, а не с впечатлением. Пример из практики SimpleOne: модель категоризации заявок обучили на исторических данных ГК Softline, она работает в закрытом контуре, и в промышленную эксплуатацию ее перевели после достижения точности более 90%.

Как это сделано в SimpleOne ESM

SimpleOne ESM собирает каталог услуг, портал самообслуживания, базу знаний и обращения подразделений в одной среде, а ИИ-инструменты Ainergy встроены в платформу. Это позволяет начать с одного процесса и расширять охват, не собирая данные заново.

Подробнее об ИИ-инструментах платформы — на странице Ainergy.