Почти каждая крупная компания уже провела хотя бы один пилот с языковой моделью: бот для внутренней базы знаний, разбор входящих писем, черновики ответов клиентам. Пилоты почти всегда выглядят убедительно на демонстрации. Но до продакшна, где ИИ-функция каждый день работает у сотрудников или клиентов и окупает себя, доходит меньшинство. Разрыв между удачной демонстрацией и рабочим продуктом в 2026 году стал главной темой разговоров о корпоративном ИИ.
Технология здесь редко главная проблема. Пилоты застревают, потому что их запускают как эксперимент без владельца процесса, без замера «до» и без критерия, по которому можно сказать «получилось» или «нет». Команды, у которых разработка MVP — обычный формат работы, подходят к ИИ-функции так же, как к любому новому продукту: сначала гипотеза и метрика, потом минимальная версия у живых пользователей, потом решение. Редакция считает этот подход самым трезвым и для тех, кто внедряет готовое решение от вендора.
Ниже разбираем, почему пилоты не масштабируются, чем пилот отличается от MVP, как выбрать задачу, какие метрики считать и когда проект пора остановить. Какие сценарии с ИИ уже окупаются на производстве, мы разбирали в колонке «ИИ на заводе: что окупается», а здесь речь о методике, которая подходит для любой отрасли.
Почему ИИ-пилоты не доходят до продакшна?
ИИ-пилоты не доходят до продакшна в основном из-за организационных причин: размытой задачи, плохих данных, отсутствия метрики и владельца. Эту картину подтверждают несколько независимых исследований.
- MIT NANDA, 2025. В отчёте The GenAI Divide: State of AI in Business 2025 (150 интервью с руководителями, опрос 350 сотрудников, разбор 300 публичных внедрений) только около 5% пилотов дали быстрый рост выручки, остальные застряли. Пересказ отчёта опубликовал Fortune.
- Gartner, июль 2024. Аналитики прогнозировали, что минимум 30% проектов генеративного ИИ будут брошены после proof of concept к концу 2025 года. Причины: плохое качество данных, слабый контроль рисков, растущие расходы и неясная ценность для бизнеса (пресс-релиз Gartner).
- Gartner, июнь 2025. Для агентных систем прогноз жёстче: больше 40% проектов закроют к концу 2027 года из-за расходов, неясной ценности и рисков (пресс-релиз Gartner).
- Россия. В опросе 173 специалистов, который провели Cloud.ru и Хабр, 41% ответили, что их проекты не доходят даже до пилота. Самой частой проблемой внедрения назвали плохо сформулированную задачу (28%), главным инфраструктурным барьером стал доступ к GPU (48%) (итоги опроса).
Цифры у исследований разные, методики тоже, и сравнивать их напрямую нельзя. Но все они называют одни и те же причины. Модель «не справилась» встречается в этих списках реже, чем «непонятно, что считать успехом».
Пять типовых причин провала
- Задача сформулирована как технология. «Попробовать ChatGPT в поддержке» — это не задача. Задача звучит так: «сократить время первого ответа клиенту с 4 часов до 30 минут без роста жалоб».
- Нет замера «до». Если никто не знает, сколько времени процесс занимает сейчас, улучшение невозможно доказать, и пилот закрывают за отсутствием результата.
- Пилот живёт на чистых данных. Команда отбирает удобные документы и лучших сотрудников. В продакшне модель встречает сканы, дубли, устаревшие регламенты и пользователей, которые формулируют вопросы как угодно.
- ИИ-функция стоит отдельно от работы. Отдельный чат, в который надо копировать данные из CRM, сотрудники бросают через неделю.
- Стоимость считают в конце. На демонстрации токены почти бесплатны, при тысячах запросов в день счёт меняет экономику проекта. Почему так происходит, мы разбирали в колонке об экономике инференса.
Чем пилот отличается от MVP и продакшна?
Пилот отвечает на вопрос «может ли технология решить задачу», MVP отвечает на вопрос «станет ли процесс лучше у реальных пользователей». Продакшн отвечает на третий вопрос: выдержит ли решение нагрузку, ошибки и стоимость каждый день. Путаница между этими стадиями — частая причина, по которой удачный пилот так и не превращается в продукт.
| Стадия | Что проверяет | Данные и пользователи | Критерий успеха | Ориентир по сроку |
|---|---|---|---|---|
| Proof of concept | техническую возможность | выборка, команда проекта | модель решает типовые примеры | 1–3 недели |
| Пилот | качество на реальных примерах | эталонный набор, 5–20 экспертов | качество не ниже заданного порога | 3–6 недель |
| MVP | эффект для процесса | живые данные, ограниченная группа пользователей | метрика процесса лучше замера «до» | 6–12 недель |
| Продакшн | устойчивость и экономику | весь поток, все пользователи | эффект держится, стоимость операции в плане | постоянно |
Сроки в таблице — ориентир редакции по описаниям внедрений, а не норматив. Важнее другое: у каждой стадии свой критерий, и переход на следующую оформляется отдельным решением. Эксперимент, который просто продолжается по инерции, и есть тот самый застрявший пилот.
Как выбрать задачу для первого ИИ-MVP?
Хорошая задача для первого MVP с языковой моделью — частая, измеримая, с умеренной ценой ошибки и с владельцем, которому результат действительно нужен. Если хотя бы одного из этих свойств нет, проект рискует стать ещё одним пилотом без продолжения.
- Частота. Операция повторяется сотни или тысячи раз в месяц: классификация обращений, черновики ответов, извлечение полей из документов, поиск по регламентам. Редкая задача не окупит даже дешёвую модель.
- Измеримость. Результат можно посчитать: время обработки, доля обращений без эскалации, число ошибок при вводе данных.
- Цена ошибки. Для первого проекта лучше задачи, где человек проверяет результат до того, как он уйдёт клиенту или в бухгалтерию. Автономные решения с деньгами и юридическими последствиями — не для старта.
- Данные. Документы, переписка или история обращений уже есть в цифровом виде, и к ним можно получить доступ без полугода согласований.
- Владелец процесса. Руководитель подразделения, который будет пользоваться результатом и отвечать за метрику, а не только ИТ-отдел.
Как собрать MVP с языковой моделью по шагам?
Рабочий порядок сборки ИИ-MVP состоит из шести шагов, и первые два не требуют ни одной строки кода. Пропуск этих шагов и делает пилоты бесконечными.
Шаг 1. Замерьте процесс без ИИ
Две-три недели фиксируйте, как процесс работает сейчас: сколько операций в день, сколько минут уходит на одну, какая доля возвращается на доработку. Это базовая линия. Без неё через три месяца спор «помогает ли ИИ» превратится в обмен впечатлениями.
Шаг 2. Соберите эталонный набор
Эталонный набор — это реальные примеры с правильными ответами, которые подготовили эксперты процесса. Для первого MVP ориентир — 100–300 примеров. Трудные и пограничные случаи в него включают обязательно: на типовых почти любая модель выглядит прилично. На этом наборе вы сравниваете модели, промпты и версии системы. Каждое изменение проверяется на нём до того, как попадёт к пользователям.
Шаг 3. Начните с самой простой архитектуры
Порядок усложнения обычно такой: хороший промпт к готовой модели, затем поиск по документам компании (RAG), и только потом дообучение. Многие задачи закрываются на первых двух ступенях. Когда что выбирать, мы подробно разбирали в колонке «RAG или дообучение». Агентная архитектура, где модель сама вызывает инструменты, оправдана, только когда простая схема упёрлась в потолок.
Шаг 4. Встройте функцию в рабочий инструмент
ИИ-функция должна жить там, где сотрудник уже работает: в карточке CRM, в почтовом клиенте, в интерфейсе службы поддержки, в мобильном приложении для клиентов. Это самая трудоёмкая часть MVP, и именно её чаще всего экономят на пилоте. Интеграция с системами компании, права доступа и логирование занимают больше времени, чем подбор промпта.
Шаг 5. Запустите на ограниченной группе
MVP получают 10–30 пользователей или определённая доля потока, например 10% обращений. Включите журнал: какой запрос пришёл, что ответила модель, что сделал человек с ответом (принял, исправил, отклонил). Этот журнал — главный источник данных для решения о масштабировании и для поиска ошибок вроде галлюцинаций.
Шаг 6. Примите решение по заранее записанным порогам
До старта MVP запишите, при каких значениях метрик проект масштабируют, дорабатывают или останавливают. Например:
- масштабируем, если время обработки снизилось минимум на 30% при той же доле ошибок;
- дорабатываем, если снижение 10–30%;
- останавливаем, если меньше 10%.
Конкретные пороги каждая компания задаёт сама. Записать их нужно до запуска: пороги, подобранные под готовый результат, ничего не доказывают.
Какие метрики считать в ИИ-MVP?
В ИИ-MVP нужно считать четыре группы метрик: качество ответов, эффект для процесса, стоимость одной операции и безопасность. Команды часто ограничиваются первой группой, хотя решение о масштабировании принимают по второй и третьей.
| Группа | Что измерять | Откуда брать |
|---|---|---|
| Качество | точность на эталонном наборе, доля ответов без правок, доля «не знаю» там, где ответа нет | эталонный набор, журнал MVP |
| Эффект для процесса | время на операцию, доля обращений без эскалации, число возвратов на доработку | сравнение с замером «до» |
| Стоимость | затраты на инференс и инфраструктуру в расчёте на одну операцию, время сотрудников на проверку | счета провайдера, журнал |
| Безопасность | утечки персональных данных, срабатывания на внедрённые инструкции, ошибочные действия | тесты, журнал, разбор инцидентов |
Метрика «доля сотрудников, которые пользуются ИИ» в эту таблицу намеренно не попала. Она показывает активность, но не эффект: сотрудники могут пользоваться инструментом и тратить столько же времени, просто перепроверяя его ответы.
Купить готовое решение или разрабатывать своё?
Готовое решение быстрее даёт результат на типовых задачах, своя разработка оправдана, когда задача завязана на внутренние данные и процессы компании. В исследовании MIT NANDA покупка специализированных инструментов у вендоров приводила к успеху примерно в двух третях случаев, а собственные разработки — примерно втрое реже. Это не приговор своей разработке, а напоминание: внутренняя команда без опыта продуктовых запусков повторяет ошибки, которые вендор уже прошёл.
На практике выбор редко бинарный. Частая схема: готовая модель через API или открытая модель на своих серверах плюс заказная интеграция с CRM, ERP и мобильным приложением компании. Когда открытые модели выгоднее облачных, мы считали в колонке об открытых моделях. Для российских компаний на выбор дополнительно влияют требования к хранению персональных данных и доступность зарубежных API.
Когда ИИ-пилот пора остановить?
ИИ-пилот пора остановить, когда после двух-трёх итераций качество на эталонном наборе не растёт или эффект для процесса не перекрывает стоимость. Остановка по данным — нормальный результат: компания потратила ограниченный бюджет и получила ответ.
- Качество на эталонном наборе стоит на месте после нескольких итераций промптов, поиска и данных.
- Стоимость одной операции с учётом проверки человеком выше, чем стоимость операции без ИИ.
- Пользователи MVP исправляют большую часть ответов, и доля правок не снижается.
- У проекта нет владельца процесса: результат нужен ИТ-отделу, но не подразделению, где он должен работать.
- Для продакшна нужны данные или доступы, которые компания не готова предоставить по требованиям безопасности.
Опасен не закрытый пилот, а пилот-зомби, который живёт месяцами без решения, потребляет время экспертов и формирует у сотрудников устойчивое мнение «ИИ у нас не работает».
Что проверить перед переходом в продакшн?
Перед переходом в продакшн нужно проверить не только качество модели, но и всё, что вокруг неё: нагрузку, стоимость, безопасность, поддержку и откат. Редакция собрала короткий чек-лист по разборам внедрений.
- Эффект подтверждён на живых данных и сравнен с замером «до». Сравнение с ожиданиями не считается.
- Стоимость операции посчитана на полном потоке с запасом на рост запросов и смену тарифов провайдера.
- Есть мониторинг качества: выборочная проверка ответов, регулярный прогон эталонного набора после каждого обновления модели или промпта.
- Проверена безопасность: доступы модели к данным ограничены, система протестирована на prompt injection, персональные данные обрабатываются по закону.
- Есть запасной путь: если модель или провайдер недоступны, процесс продолжает работать вручную.
- Назначены владельцы: кто отвечает за метрику процесса, а кто за техническую поддержку функции.
Что изменилось к концу 2026 года?
Вопрос в корпоративном ИИ сменился: раньше спрашивали, что умеют модели, теперь спрашивают, почему эффект не доходит до P&L. Прогнозы Gartner и данные MIT NANDA, приведённые выше, сходятся в одном: ИИ-функцию слишком часто запускают как исследовательский эксперимент, а не как продукт с гипотезой, метрикой и пользователями.
Главный вывод редакции: путь от пилота к продакшну короче там, где компания с первого дня ведёт ИИ-проект как MVP. Замер «до», эталонный набор, встройка в рабочий инструмент и заранее записанные пороги не требуют ни больших бюджетов, ни передовых моделей. Они требуют дисциплины, которой не хватает большинству пилотов. Другие разборы внедрений собраны в рубрике «ИИ в бизнесе».
Вопросы и ответы об ИИ-пилотах и MVP
Сколько длится MVP с языковой моделью?
По описаниям внедрений обычно 6–12 недель после пилота: замер процесса, эталонный набор, интеграция в рабочий инструмент и запуск на ограниченной группе. Дольше всего занимает интеграция с системами компании, а не подбор модели.
Сколько примеров нужно в эталонном наборе?
Для первого MVP обычно хватает 100–300 реальных примеров с правильными ответами от экспертов процесса. Важно включить трудные и пограничные случаи: на типовых примерах почти любая модель выглядит хорошо.
Чем пилот отличается от MVP?
Пилот проверяет, может ли технология решить задачу на подготовленных примерах. MVP проверяет, становится ли процесс лучше у реальных пользователей на живых данных, и сравнивает результат с замером до внедрения.
Нужно ли дообучать модель для первого MVP?
Чаще всего нет. Сначала стоит попробовать хороший промпт к готовой модели и поиск по документам компании (RAG). Дообучение оправдано, когда эти варианты упёрлись в потолок качества на эталонном наборе.
Когда ИИ-пилот лучше закрыть?
Когда после нескольких итераций качество на эталонном наборе не растёт, стоимость операции с учётом проверки человеком выше, чем без ИИ, или у проекта нет владельца процесса. Закрытие по данным — нормальный результат.



