Кладбище AI-проектов: почему многие внедрения не дают результата

За последние пару лет AI стал одной из самых обсуждаемых тем в бизнесе. Почти каждую неделю появляются новые AI-сервисы, AI-агенты, автоматизация продаж, AI-аналитика и десятки обещаний “заменить половину процессов”.

Но если смотреть не на хайп, а на реальные внедрения, становится заметна интересная вещь: огромное количество AI-проектов либо не взлетает, либо через несколько месяцев начинает работать странно.

И самое интересное — проблема обычно не в технологиях.

За последнее время мы в SoftSale тоже участвовали в проектах, связанных с автоматизацией, AI и внутренними системами. И почти всегда проблемы были не в том, что “нейросеть плохая”. Причины обычно намного глубже.

Ниже — три паттерна, которые повторяются снова и снова.

Автоматизировали не ту проблему

Это, наверное, самая частая история.

Компания приходит с запросом: “хотим внедрить AI”, “хотим автоматизировать обработку”, “хотим AI-отдел продаж”.

Технически всё можно сделать. И часто система действительно начинает работать быстрее.

Но через время оказывается, что скорость вообще не была главной проблемой бизнеса.

Например менеджеры быстрее получают заявки, но всё равно плохо их квалифицируют.

Или AI быстрее отвечает клиентам, но сам процесс продаж внутри компании остаётся хаотичным.

То есть AI просто ускоряет существующий бардак 😄

И это одна из причин, почему многие AI-внедрения не дают ожидаемого эффекта.

Кстати, мы в SoftSale часто замечаем, что бизнес пытается автоматизировать то, что “видно сверху”, а не реальное узкое место внутри процессов.

Поэтому нормальное внедрение AI почти всегда начинается не с нейросети, а с разбора бизнес-логики.

У системы нет владельца

Это вторая огромная проблема.

Систему внедрили. Всё работает. Первые месяцы все довольны.

А потом данные устаревают, контекст меняется, ответы становятся хуже, логика начинает “плыть”.

И в какой-то момент никто не понимает: а кто вообще отвечает за качество работы системы?

Очень многие компании воспринимают AI как “один раз внедрили — дальше само работает”.

Но AI-система без человека, который отвечает за результат — это почти всегда временная история.

Причём владелец системы — это не просто “айтишник”.

Это человек, который видит метрики, понимает процессы, замечает деградацию и реально заинтересован в результате.

Без этого AI начинает постепенно терять качество, даже если технически всё продолжает “работать”.

Все думают про результат, но не думают про архитектуру

На старте почти все хотят одно: “нам нужен быстрый результат”. И это нормально. Но проблема появляется позже.

Потому что никто не думает: что будет при росте нагрузки, что будет если данных станет в 10 раз больше, что будет если упадёт один из компонентов, как масштабировать систему дальше.

В итоге первый результат действительно получают быстро.

А потом начинается переделка архитектуры, постоянные костыли, медленная работа, хаос в логике или вообще полный рефакторинг системы.

И иногда исправлять это оказывается дороже, чем изначально сделать нормально.

Почему большинство AI-проектов ломаются именно здесь

Если посмотреть глубже, почти все эти проблемы появляются из-за одной идеи: попытки заранее идеально спроектировать систему.

Но AI-проекты так почти не работают.

Невозможно заранее идеально понять, где настоящее узкое место, как пользователи будут взаимодействовать с системой, какие данные окажутся полезными и как изменится логика бизнеса через несколько месяцев.

Поэтому сегодня всё больше команд начинают строить AI-системы итерационно.

Не пытаться сразу сделать “идеальный AI”.

А запускать первую рабочую версию, смотреть результат, фиксировать проблемы, быстро вносить изменения и постепенно улучшать систему.

Кстати, именно поэтому в SoftSale мы обычно стараемся делать первые версии максимально быстро. Когда бизнес начинает видеть реальную работу системы, становится намного понятнее, куда продукт должен развиваться дальше.

Почему итерационный подход сейчас выигрывает

На практике AI развивается намного лучше, когда между идеей, запуском и обратной связью минимум времени.

Если любое изменение требует две недели согласований, новое ТЗ и несколько этапов утверждения — система начинает тормозить сама себя.

А если логику можно быстро поменять, правило обновить за день, агента дообучить без сложной бюрократии — AI начинает реально эволюционировать вместе с бизнесом.

И, честно говоря, сейчас именно это чаще всего отделяет живые AI-продукты от “кладбища AI-проектов”.