Андрей Скорочкин: Что мешает крупному бизнесу превратить ИИ в производственный актив

Ключевые причины скромных результатов применения генеративного искусственного интеллекта в корпоративном секторе кроются в самом подходе к пилотированию: для первых экспериментов заказчики традиционно выбирают узкофункциональные и изолированные области. В них легко продемонстрировать локальный результат, но он по определению не может быть масштабным. Серьезная экономическая отдача возникает только на сквозных, кросс-функциональных процессах – таких как интегрированное планирование, цепь «от потребности до поставки» или управление техническим обслуживанием и ремонтами. Запуск таких проектов организационно сложен, так как требует пересмотра сложившейся иерархии и разграничения ответственности, на что компании пока идут неохотно.

Важно переосмыслить само назначение пилотного проекта: это инструмент тестирования технологии и подсвечивания «развилок», а не способ мгновенного извлечения прибыли. Масштабный эффект возникает только тогда, когда процесс проектируется заново на базе агентских технологий, а не встраивается в текущий формат AS-IS. Для традиционных организаций сломать привычную иерархию тяжело, поэтому прагматичным выходом становится Greenfield-трансформация – создание нового агентского контурa «рядом» с действующим бизнесом. В него шаг за шагом передаются функции от снабжения до производственной аналитики, формируя новую систему управления с кардинально иной эффективностью.

Успех агентской модели в реальном бизнесе напрямую зависит от качества данных и построения единого семантического слоя. Однако обосновать акционерам инвестиции в подготовку данных как самостоятельный проект через классический ROI практически невозможно. Поэтому наиболее рациональным подходом становится серия последовательных кросс-функциональных внедрений. Каждый такой проект должен решать конкретную прикладную задачу – оптимизировать запасы, снизить себестоимость или повысить скорость планирования, – одновременно связывая и улучшая слой данных и бизнес-логику в своей области. Так ситуация с данными улучшается органически, от проекта к проекту.

На этом этапе для ИИ-трансформации новую актуальность обретает забытый уже термин «стратегия». Рациональная последовательность проектов, выбор функциональных зон и проектирование целевой IT-архитектуры критически важны для того, чтобы не потерять инвестиции в хаосе разрозненных инициатив. Главный стратегический риск сегодня – пойти по пути наименьшего сопротивления: закупить графические ускорители, раздать сотрудникам корпоративные чат-боты и ждать экономического чуда. Простая покупка инструментов без трансформации процессов, ролевой модели и слоя данных приводит лишь к локальным результатам и финансовым потерям. Более того, дискредитация технологии на фоне завышенных ожиданий способна существенно затормозить последующее реальное внедрение.

Пока полноценные AI-Native решения строятся преимущественно с нуля – ярким примером служит Китай, где концепция one man – one company и создание полностью роботизированных производств уже получают системную государственную поддержку. Для традиционных предприятий с историей главный путь к такой модели лежит через трансформацию управленческого контура. Финансы, закупки, юридическая поддержка и логистика одинаковы для металлургического комбината, IT-компании или пищевого холдинга. Перевод этих процессов на агентскую логику позволяет создавать новые стандарты операционной эффективности, не нарушая работу основного производства.