Поделиться
ИИ-проекты не приносят экономический эффект — что делать
ИИ — главный технологический тренд сегодняшнего дня. Множество людей уже используют генеративные модели для собственных нужд. Компании запускают проекты с использованием ИИ. Однако недавно опубликованное исследование MIT показало, что 95% из них не приносят ожидаемого экономического эффекта. Это вызвало широкую дискуссию в сообществе. Тему эффективности внедрения ИИ и его влияния на жизнь людей обсудили участники секции «Искусственный интеллект и большие данные» CNews Forum 2025.
Артем Сусеков: Статистика «95% проектов не приносят эффекта» — это не приговор ИИ-технологиям
Результаты исследования MIT показали, что 95% ИИ-проектов не приносят ожидаемого эффекта. А значит, надо менять подход к управлению такими проектами. О том, как это сделать, рассказал Артем Сусеков, эксперт по управлению ИИ-проектами, автор Landev AI Framework, ЛАНИТ.
CNews: Результаты исследования, которые говорят о том, что 95% ИИ-проектов не приносят ожидаемого эффекта, потрясли рынок и заставили задуматься, не является ли технология очередным хайпом. Что вы об этом думаете?
Артем Сусеков: Такая статистика — это естественный этап развития любой прорывной технологии. К примеру, в 1995 году около 90% компаний не получали отдачи от своих первых веб-сайтов, но это не означало, что интернет — это пузырь. Это свидетельствовало, что индустрия еще не выработала правильных подходов к использованию искусственного интеллекта. Проблема сегодня не в том, что технология ИИ не приносит конкретных ожидаемых результатов, а в том, что многие компании до сих пор пытаются управлять ИИ-проектами старыми методами. ИИ-проект — это не строительство моста по четким чертежам, это, скорее, исследование неизвестной территории, где каждый эксперимент может провалиться. И это нормально.
Статистика «95% проектов не приносят эффекта» — это не приговор ИИ-технологиям. Это сигнал индустрии: нужно менять подход к управлению. ИИ — не хайп, а реальность, которая требует новых методов. И эти методы уже существуют. Как я отмечал в своем выступлении на форуме, нужно просто перестать строить «Титаники» и начать строить флот быстрых «спасательных шлюпок».
CNews: В чем, на ваш взгляд, причины неудач ИИ-проектов?
Артем Сусеков: На наш взгляд, есть три системные причины. Первая — это подход к реализации проекта по схеме «от решения к проблеме». Часто компании начинают с идеи «нам нужен ИИ», четко не сформулировав, какую бизнес-проблему он должен решить и с какой экономией бюджета.
Вторая причина в том, что команды часто опираются на интуицию вместо измеримых метрик. Проекты живут дольше, чем должны, потому что решения об их продолжении принимаются на основе ощущений, а не точных объективных данных о внедрении.
И третья ключевая причина — это применение неподходящих методов управления, к примеру, таких как каскадный подход Waterfall, с годовыми циклами планирования для задач, связанных с ИИ. Они не позволяют быстро проверять гипотезы и останавливать неудачные направления, что приводит к огромным потерям на поздних стадиях. В своей практике, чтобы решить эту проблему, мы переключились на двухнедельные спринты с обязательными Go/No-Go решениями. Остановить проект на второй неделе, потеряв сотни тысяч, — не провал, а успех, потому что альтернатива этому — потерять миллионы через год. Landev AI как продукт, который призван предотвратить все перечисленные причины неудач, родился, когда для нас стало очевидно: нужна не просто платформа для запуска моделей, а комплексная система управления жизненным циклом ИИ-проектов.
CNews: Какие инструменты платформы Landev AI помогают избежать ошибок и реализовать по-настоящему эффективный ИИ-проект?
Артем Сусеков: Во-первых, это фреймворк для управления рисками, который включает шаблон для валидации идеи всего за несколько часов и четкие критерии для принятия решений, продолжить или остановить реализацию проекта.
Во-вторых, это технологическая платформа, которая позволяет буквально за минуты подключать различные модели для быстрых экспериментов, дает единый контроль над затратами и предоставляет аналитику в реальном времени для объективных выводов.
В-третьих, мы предлагаем готовые сценарии действий для каждой роли в проекте — от руководителя до data scientist. Это позволяет перейти от годовых циклов разработки к запуску рабочих решений за несколько недель, как это было в нашем кейсе с HR-платформой, где годовая работа по старым методам не дала результата, а с Landev AI мы получили готовое решение с точностью 95-98% за две недели. После такого успеха мы запустили еще несколько проектов за два месяца: Vision AI для контроля качества (одна неделя), аналитика соцсетей (один день настройки) и еще ряд других в короткие сроки.
Короткая ссылка
