Большинство ИИ-инициатив проваливаются не потому, что технология не работает, а потому, что организации не понимают, какую проблему они на самом деле пытаются решить.
Согласно исследованию MIT State of AI in Business 20251 большинство организаций внедрили как минимум несколько пилотных проектов ИИ, однако многие по-прежнему отмечают низкое влияние и отсутствие измеримой отдачи от ИИ-инициатив.
При всех обещаниях ИИ-революции нам по-прежнему нужен проверенный временем подход, основанный на ценности, чтобы убедиться, что наши действия обеспечивают результаты для заинтересованных сторон.
Взгляд стратегов на ИИ-инициативы
Как обычно бывает, когда появляется новая блестящая технология, «эксперты» рождаются просто за счёт изменения слогана в профиле LinkedIn. ИИ — не исключение. При таком количестве экспертов и таком объёме общего контента, сгенерированного ИИ, почему вам стоит учитывать мою точку зрения?
Я начал экспериментировать с ИИ ещё в 2000 году, в старших классах, когда пытался решить задачу распознавания рукописного текста с помощью нейронных сетей. Победа в одном юниорском конкурсе была очень приятной, но развитие нейронных сетей в то время ограничивалось вычислительными ресурсами. Позже моя область интересов сместилась в сторону ИТ-науки, прикладной математики, физики, а затем — к более бизнес-ориентированным дисциплинам, таким как измерение эффективности и стратегическое планирование. ИИ никогда не был моей основной экспертизой (тем не менее мне нравится проводить параллели между цепными функциями, градиентами, обратным распространением ошибки в ИИ и способностью организаций учиться).
Сегодня я смотрю на ИИ с точки зрения стратега, имея определённый бэкграунд в прикладной математике. LLM — это впечатляющая технология, но с точки зрения стратегического планирования я воспринимаю её скорее как сложный проект цифровой трансформации, чем как инициативу, творящую чудеса.
Я действительно помогаю организациям с их ИИ-инициативами, но делаю это, исходя из подхода «сначала стратегия», а не «сначала технология». Обычно мы много говорим о заинтересованных сторонах, их потребностях, их стратегических намерениях, о том, как видение организации переводится в долгосрочные цели, как эти цели декомпозируются на конкретные задачи и как мы делаем их ещё более конкретными и однозначными с помощью KPI.
ИИ — это лишь часть пазла, которая может как подойти, так и не подойти к тому, как будет реализовываться эта стратегия.
Каким-то образом то, что я делаю, созвучно общему запросу на внесение ясности в область ИИ, поэтому я также делюсь своей точкой зрения через выступления на конференциях. В 2026 году это будет «Стратегия внедрения ИИ» в Мюнхене, а позже, в мае, — «Измерение доверия к ИИ» в Вене.
Перед внедрением ИИ — сначала выполните стратегическую домашнюю работу
Упомянутый выше отчет MIT подтверждает простую истину:
Внедрять ИИ легко — создавать ценность с помощью ИИ сложно.
Взгляд стратегов на это прямолинеен: прежде чем рассматривать любую инициативу по изменениям, убедитесь, что ваша стратегия должным образом каскадирована и отслеживается. Без этих основ, на мой взгляд, нецелесообразно приступать к какой-либо инициативе трансформации.
Внедрение ИИ — хороший повод вернуться к основам (потребностям заинтересованных сторон) и поразмышлять о возможностях, которые мог бы предложить ИИ.
Думайте в терминах предельных условий: как бы выглядела ваша организация, если бы все возможные барьеры для внедрения ИИ (технологии, архитектура, комплаенс, юридические аспекты, люди и т. д.) были решены?!
Одно из определений реализации стратегии — проверка гипотез на практике. В рамках домашней работы по ИИ полезно сформулировать эти гипотезы. Немного поэкспериментируйте с технологией, сделайте несколько прототипов, чтобы понять, где могут быть подводные камни с точки зрения внедрения, разрывов в возможностях и ожиданий пользователей.
Давайте обсудим некоторые принципы, которые помогут сделать внедрение ИИ более успешным с точки зрения создания ощутимой ценности для заинтересованных сторон.
Принцип 1. Решайте реальную задачу — знайте потребности ваших заинтересованных сторон
В чем разница между внедрением по принципу «сначала технология» и внедрением по принципу «сначала стратегия»? При внедрении по принципу «сначала стратегия» вы всегда начинаете с бизнес-контекста. Вы знаете ваших заинтересованных сторон, их потребности, ваши высокоуровневые задачи и конкретные цели и пытаетесь понять, как новая технология поможет вам более эффективно достигать этих целей — в частности, как она повлияет на метрики, которые вы отслеживаете.
Это создает фокус на том, что действительно важно, а не на простом «игре» с технологиями.
Хорошими целевыми кандидатами для внедрения ИИ являются:
- Метрики затрат
- Метрики времени
- Метрики сложности как производная от затрат, времени и цикломатической сложности
- Метрики качества (частота ошибок, процент повторяющихся проблем)
- Метрики персонала (области с высокой текучестью)
Чтобы еще раз подчеркнуть важность первоначальной декомпозиции стратегии: это не должно быть «мы трансформируемся в организацию, ориентированную прежде всего на ИИ». Должны быть конкретные задачи, которые вы хотите решить, с соответствующими заинтересованными сторонами за ними и четко определенной ответственностью с точки зрения исполнения. Такой подход хорошо согласуется с принципами agile, которые мы используем в разработке программ.
Если вы настаиваете на переосмыслении вашей организации и ориентации прежде всего на ИИ, обязательно начните со стратегии, заинтересованных сторон и их потребностей!
Принцип 2. Подготовьтесь к долгосрочной перспективе — заранее подумайте об архитектуре
Я упоминал, что рассматриваю ИИ как очередную цифровую трансформацию, инициативу изменений. Но эта инициатива изменений, очевидно, более сложна, чем, скажем, внедрение CRM.
В этом смысле планирование архитектуры для ИИ имеет решающее значение. Учитывайте:
- Как будут поддерживаться контекст и промпты;
- Как вы подключите ИИ к существующей бизнес-среде;
- Подготовьтесь к оркестрации нескольких инструментов ИИ;
- Подготовьтесь к переработке некоторых рабочих процессов с нуля.
Представьте, например, что вы используете ИИ для ответа на вопросы пользователей через чат-бота. Выбранная вами архитектура будет определяться такими вопросами, как:
- Каким будет цикл обучения?
- Будет ли человеческий контроль? Как он будет реализован?
- Как будут внедряться корректирующие действия?
- Будет ли у ИИ доступ к предыдущим диалогам с тем же пользователем?
- Сможет ли ИИ получать данные напрямую из CRM?
- Какие механизмы безопасности будут реализованы?
Способность ИИ обучаться, помнить контекст и совершенствоваться будет ведущим фактором темпа внедрения со временем. Убедитесь, что архитектура, которую вы выбираете для внедрения ИИ, поддерживает эти потребности в обучении.
Принцип 3. Сделайте качество и комплаенс значимыми для заинтересованных сторон
ИИ затрагивает слишком много чувствительных аспектов организации — доступ к данным клиентов, работа со сторонними инструментами, поддержка принятия решений, коммуникация с пользователями и хранение данных для возможных аудитов.
При определенном масштабе внедрения ИИ контроль качества и комплаенса обязателен.
Мы переходим в область GRC, но, опять же, речь не об ИИ. Речь о вашей стратегии, о том, какие риски ИИ на нее накладывает, и о том, как мы можем их предотвратить и снизить.
Мы часто слышим, что для внедрения ИИ должны быть:
- Человек в контуре,
- Аудит изменений,
- Объяснимость,
- …
Чего на практике не хватает — так это связи между этими идеями и тем, что действительно важно для заинтересованных сторон.
Я считаю метод bowtie-анализа рисков хорошо подходящим для этой роли. Примените его к центральному риск-событию, определив угрозы с соответствующими превентивными контролями, а также последствия риск-события с соответствующими контролями по снижению.
Мы обсуждали пример такого анализа в кейсе «Внедрение ИИ в медицинский контроль качества»2 представленном на OOP. В этом случае центральное риск-событие было сформулировано как «Результаты, проверенные ИИ, утверждаются без надлежащей проверки человеком».
Используя контроли предотвращения рисков и контроли по снижению рисков, мы обеспечили связь внедрения ИИ с вопросами качества и комплаенса, важными для заинтересованных сторон. Если масштабировать эту идею, те же контроли помогут построить комплексную систему управления ИИ. При масштабировании этого подхода по всей организации те же контроли можно использовать для создания комплексной системы управления ИИ.
Краткое резюме: смещение ИИ от технологии к стратегии
Следуйте этим принципам для реализации ИИ по принципу «сначала стратегия»:
- Сфокусируйте реализацию на конкретных потребностях заинтересованных сторон; в идеале следует определить количественную оценку фактических результатов по сравнению с ожидаемыми.
- Реализация ИИ — это сложная обучающаяся система, а не одноразовое подключение к API LLM — соответствующим образом спланируйте архитектуру.
- Установите контроль качества и комплаенс и доведите их до сведения заинтересованных сторон; это определит дальнейшее принятие реализации ИИ. Метод «бабочка» зарекомендовал себя как отличный инструмент для этой цели.
- The GenAI Divide State of AI in Business 2025, MIT NANDA, июль 2025 ↩
- «Стратегия и надзор за внедрением ИИ в медицинском контроле качества,» BSC Designer, Alexis Savkín, 2025. ↩
Alexis Savkin — архитектор внедрения стратегии и основатель BSC Designer, программы для реализации стратегии и платформы «Сбалансированная система показателей». Он помогает организациям автоматизировать управление эффективностью и превращать стратегию в измеримые результаты. Alexis является создателем «Strategy Execution Canvas», автором более 100 статей о стратегии и измерении эффективности, а также регулярным спикером на отраслевых мероприятиях.