Прошло три года после ChatGPT, и рынок генеративного ИИ столкнулся с суровой реальностью: большинство пилотных проектов не приносят измеримой отдачи. Согласно отчету MIT NANDA, 95% всех AI-пилотов не масштабируются и не демонстрируют четкого ROI. McKinsey отмечает аналогичную тенденцию, указывая на агентный ИИ как путь к операционным преимуществам.
Технологические лидеры оказались в сложной ситуации — существующие технологические стеки уже поддерживают бизнес-операции, и добавление новых технологий несет риски без очевидных выгод. Как отмечалось на саммите Technology Council Summit, некоторые эксперты советуют перестать беспокоиться о ROI ИИ, поскольку измерения часто оказываются неточными.
Первый принцип ИИ: ваши данные — ваша ценность
Один из наиболее распространенных сценариев использования ИИ в бизнесе начинается с загрузки файлов в модель. Это сужает диапазон возможностей ИИ до конкретного контента, ускоряя получение точных ответов и сокращая количество необходимых промптов.
Однако этот подход предполагает передачу проприетарных данных в модель, что требует параллельного решения двух задач:
- Обеспечение конфиденциальности данных
- Разработка стратегии переговоров с поставщиками моделей
Компании Anthropic и OpenAI недавно заключили крупные сделки с платформами корпоративных данных именно потому, что в открытом доступе недостаточно высококачественных данных для обучения моделей.
Ирония ситуации в том, что бизнес сам создал золотую жилу для поставщиков ИИ — собственные данные. Вместо традиционных закупок стоит рассматривать обмен доступом к данным на сервисы или скидки. Это тот редкий случай, когда поставщик нуждается в вас не меньше, чем вы в нем.
Второй принцип ИИ: скучность по дизайну
Согласно Information is Beautiful, в 2024 году на рынок вышло 182 новых генеративных модели ИИ. Когда появился GPT5, многие модели 12-24-месячной давности стали недоступны, пока клиенты не пригрозили отказом от подписок.
Поставщики технологий не осознавали, насколько бизнес-процессы ценят стабильность. Геймеры могут обновлять свои системы ради новых игр, но бизнес-операции не могут менять технологические стеки три раза в неделю.
Наиболее успешные внедрения ИИ сосредоточены на:
- Решение уникальных бизнес-задач
- Автоматизации рутинных, но обязательных процессов
- Сохранении человеческого контроля над финальными решениями
Эти задачи не требуют постоянных обновлений до последних моделей для создания ценности.
Третий принцип ИИ: экономика минивэна
Лучший способ избежать перевернутой экономики — проектировать системы под пользователей, а не под спецификации и бенчмарки поставщиков.
Многие компании продолжают покупать новое оборудование или облачные сервисы, ориентируясь на бенчмарки поставщиков, вместо того чтобы начинать с реальных потребностей бизнеса и текущих возможностей.
Феррари впечатляет, но в школьных зонах они едут с той же скоростью, что и минивэны, и у них недостаточно багажника для продуктов. Каждый удаленный сервер и модель, к которым обращается пользователь, добавляют затраты.
Некоторые компании обнаружили, что их AI-процессы поддержки клиентов добавляют миллионы долларов операционных расходов. Между тем компании, которые выбрали системы со скоростью чтения человека — менее 50 токенов в секунду — смогли успешно развернуть масштабируемые AI-приложения с минимальными дополнительными затратами.
Парадокс современного ИИ в том, что самые эффективные решения часто оказываются самыми простыми. В погоне за Ferrari бизнес забывает, что ему нужен надежный минивэн — система, которая просто работает и не требует постоянных дорогостоящих обновлений.
Ключевые рекомендации для успешного внедрения ИИ:
- Начинать с практических задач
- Проектировать независимость технологических компонентов
- Использовать тот факт, что ваши бизнес-данные ценны для поставщиков технологий
По сообщению MIT Technology Review, именно этот подход позволяет получить реальную отдачу от инвестиций в ИИ.