Многие пилотные проекты ИИ не переходят дальше стадии тестирования, потому что сложность внедрения недооценивается. Более ясный путь вперед начинается с определения заинтересованных сторон, понимания того, куда перемещается сложность, и определения метрик для создаваемой ценности.
Когда ИИ становится встроенным в операционные модели, процессы и принятие решений, более широкую трансформацию иногда называют трансформацией ИИ или AX.

Почему так много пилотных проектов ИИ не удаётся масштабировать?
Организации экспериментируют с ИИ, тестируют несколько вариантов использования и видят многообещающие результаты. Затем Инициатива остаётся на стадии пилота:
- Она не становится частью операционной модели.
- Она не создаёт измеримого бизнес-эффекта в масштабе.
Deloitte сообщил, что только 25 процентов респондентов переместен 40% или более своих экспериментов с ИИ в промышленную эксплуатацию.1
McKinsey описал схожую ситуацию: почти две трети организаций ещё не масштабировали ИИ за пределы нескольких пилотных проектов.2
На мой взгляд, одна из основных причин заключается в том, что ключевые заинтересованные стороны на уровне высшего руководства часто недооценивают сложность проблемы:
Инициатива ИИ представляется как решение, которое устранит сложность. На практике она переносит сложность в другое место.
Простой пример: чат-бот на базе ИИ
Рассмотрим чат-бота на веб-сайте. Чат-бот будет автоматически отвечать на вопросы клиентов и снижать нагрузку на команду поддержки. Большой процент запросов будет обрабатываться без участия человека.
С точки зрения клиента это работает хорошо. Пользователь получает ответ немедленно и ему не нужно обращаться в поддержку.
Сложность устраняется из пути клиента.

В то же время часть этой сложности переносится на команду поддержки и на команду ИИ, которая поддерживает систему.
Что изменится для конечных пользователей?
Для конечных пользователей главный вопрос: решил ли чат-бот проблему?
Отправной метрикой является показатель решения при первом обращении. Он показывает, сколько запросов решается без эскалации к специалисту поддержки.
Что меняется для команды поддержки?
Команда поддержки получает запросы, которые чат-бот не может решить. Иногда чат-бот передает обращение слишком поздно. Клиент уже потратил время, пытаясь решить проблему, и к моменту, когда специалист подключается к разговору, испытывает раздражение.
Иногда чат-бот передает обращение слишком рано. Он передает кейс до того, как соберет достаточно информации. Специалист поддержки получает неполный запрос и вынужден снова задавать те же вопросы.
Это можно количественно оценить с помощью:
- Доля эскалаций. Измеряйте процент запросов, переданных в команду поддержки.
- Доля поздних эскалаций. Отслеживайте случаи, когда клиент испытывал устранимые затруднения до эскалации.
- Недостающий контекст. Измеряйте, как часто специалистам требуется запрашивать информацию, которую можно было собрать раньше.
- Нагрузка на поддержку. Отслеживайте изменения в объеме и сложности запросов в поддержку.
Долгосрочный эффект для команды поддержки
Также есть более долгосрочный вопрос:
- Как следует проводить тренинг для специалистов поддержки?
До внедрения чат-бота младшие специалисты обучались, отвечая на простые вопросы. Со временем они приобретали опыт, необходимый для более сложных случаев.
После автоматизации рутинных запросов команда поддержки получает более высокую концентрацию сложных случаев. Старая модель тренинга больше не работает.
Организации нужен новый способ наращивания экспертизы.

Что меняется для команды ИИ?
В производственной среде чат-бот становится системой, которая требует непрерывного обслуживания.
Появляются новые вопросы клиентов. База знаний нуждается в обновлениях. Существующие ответы должны оставаться точными после каждого изменения. Протоколы безопасности необходимо пересматривать.
Мы можем количественно оценить это по:
- Время на добавление нового сценария использования. Измеряйте, сколько времени требуется, чтобы поддержать новый клиентский сценарий.
- Регрессионное тестирование. Проверяйте, влияют ли новые изменения на ранее поддерживаемые сценарии использования.
- Обслуживание базы знаний. Отслеживайте усилия, необходимые для поддержания актуальности информации.
- Покрытие протоколов безопасности. Подтверждайте, что для чувствительных тем определены четкие правила и пути эскалации.
Вопросы о возвратах, финансах, доступе к аккаунту или изменениях заказа усложняют ситуацию еще больше… Должен ли чат-бот отвечать на вопрос напрямую? Должен ли он давать общие рекомендации? Должен ли он передавать запрос специалисту?
Кто-то должен определить эти правила, протестировать их и обновлять, когда меняется бизнес-контекст.
Действительно ли нам нужны метрики для инициатив ИИ?
Разумный вопрос — действительно ли необходимы все эти усилия по измерению. Мой ответ — «Да!» Сама дискуссия создаёт ценность. Она заставляет команду быть более конкретной:
- Что именно мы подразумеваем под успешным чат-ботом?
- Какая эскалация является допустимой?
- Какой объём работ по сопровождению команда ИИ может взять на себя?
- Как мы будем проводить тренинг специалистов поддержки?
Даже когда точные значения для KPI недоступны, эти вопросы повышают качество внедрения.
McKinsey проанализировала 12 практик внедрения и масштабирования генеративного ИИ. Каждая практика имела положительную корреляцию с влиянием на EBIT. Среди практик, включённых в исследование, отслеживание чётко определённых KPI для решений генеративного ИИ оказало сильное влияние на итоговый финансовый результат.3
Непрерывное отслеживание метрик, связанных с каждым пилотным проектом ИИ, требует дисциплины. Платформа BSC Designer может существенно облегчить этот процесс, обеспечивая согласованность измерения эффективности и связь KPI с необходимым бизнес-контекстом.
Начните с метрик сложности
Каждый проект ИИ требует собственного набора индикаторов. Тем не менее, есть несколько общих областей, которые стоит проверить почти в каждом внедрении. Первая — сложность.
Сложность трудно количественно оценить — обратите внимание на области, где организация тратит время, усилия и бюджет. Ищите повторяющиеся коммуникации, ручные проверки, отложенные решения и исключения.
Хорошими кандидатами являются:
- Время обработки исключений. Измеряйте усилия, необходимые для разрешения случаев, с которыми система ИИ не может справиться.
- Повторяющиеся коммуникации. Отслеживайте дополнительные взаимодействия, вызванные отсутствием контекста или неясными ответами.
- Ручные проверки. Измеряйте объем случаев, требующих проверки человеком.
- Усилия на сопровождение. Отслеживайте ресурсы, необходимые для обновления и тестирования системы.
- Затраты на контроль. Контролируйте усилия, необходимые для управления рисками безопасности и комплаенс.
Эти метрики показывают, куда переместилась сложность после автоматизации.
Измеряйте доверие эмпирически
Вторая область — доверие. Заинтересованные стороны будут спрашивать, является ли результат ИИ надежным. Этот вопрос становится сложным, когда конечный результат зависит от входных данных, модели, базы знаний, контролей и процесса эскалации.
Доверие можно измерить эмпирически. Команда может протестировать систему на известных данных, выявить типичные режимы отказа и проверить, что произойдет, если мы объединим различные системы, которые выходят из строя по-разному.
Переходите от пилотного проекта к внедрению
Чтобы перейти от ИИ-пилотов к полномасштабному внедрению, проанализируйте существующие ИИ-инициативы через призму заинтересованных сторон, сложности и доверия.
Структурированный воркшоп может помочь команде ответить на несколько практических вопросов:
- Заинтересованные стороны. На кого влияет ИИ-инициатива?
- Ожидаемая ценность. Какое улучшение должно ощутить каждое заинтересованное лицо?
- Переданная сложность. Где появляется новая нагрузка?
- Возможности. Какие системы, ресурсы и навыки требуются?
- Риски. Что может пойти не так в процессе внедрения?
- Метрики. Как команда будет отслеживать прогресс и результаты?
Strategy Execution Canvas можно использовать в качестве отправной точки для этого обсуждения. Он помогает связать потребности заинтересованных сторон с целями, возможностями, рисками, допущениями и метриками.
- The State of AI in the Enterprise, Deloitte, 2026 ↩
- Are Your People Ready for AI at Scale?, Alex Camp, Drew Goldstein, Laura Pineault, Holly Price, and Nicolette Rainone, McKinsey & Company, 2026 ↩
- The State of AI: How Organizations Are Rewiring to Capture Value, Alex Singla, Alexander Sukharevsky, Lareina Yee, and Michael Chui, with Bryce Hall, McKinsey & Company, 2025 ↩
Alexis Savkín — основатель BSC Designer, программы для реализации стратегии и управления эффективностью, которая связывает цели, KPI, инициативы, риски и данные об эффективности. Имея более 20 лет опыта, он сосредоточен на Архитектуре реализации стратегии — как организации объединяют стратегию, измерения, ответственность, риски и процессы пересмотра в целостную систему реализации. Он создал Strategy Execution Canvas и 10-Step KPI System, а также является автором двух книг и более 100 статей по реализации стратегии и управлению эффективностью. Свяжитесь с Alexis в LinkedIn.
