Главная причина провалов корпоративных ИИ-проектов — не слабость моделей, а сложность старой инфраструктуры, на которую эти модели пытаются надстроить. Так считает генеральный директор американской SaaS-компании Freshworks Деннис Вудсайд
Главная причина провалов корпоративных ИИ-проектов — не слабость моделей, а сложность старой инфраструктуры, на которую эти модели пытаются надстроить. Так считает генеральный директор американской SaaS-компании Freshworks Деннис Вудсайд
В качестве примера Вудсайд приводит Seagate. Когда ИТ-команда компании решила заменить платформу для управления ИТ-сервисами, у нее было всего три месяца до окончания старого контракта. Вместо того чтобы перенести прежние настройки в новую систему и разбираться с последствиями позже, Seagate перестроила процессы с нуля: обновила каталог сервисов, унифицировала SLA по регионам и переписала категории заявок так, чтобы тикеты могли маршрутизироваться автоматически.
По словам Вудсайда, именно это позволило компании эффективно использовать ИИ. Через год после перехода ИИ-агент Seagate уже отклоняет около трети входящих заявок, а показатель решения проблемы при первом обращении оказался на 27% выше отраслевого стандарта.
Вудсайд пишет, что такая разница отделяет компании, которые действительно получают пользу от ИИ, от тех, кто застревает на пилотах. По его словам, вопрос не столько в выборе модели, сколько в готовности операционной среды: данные должны быть собраны, процессы — описаны, системы — связаны между собой, а результат — измерим.
Freshworks называет это «налогом на сложность». По данным MIT, 95% пилотных проектов с генеративным ИИ не доходят до промышленного внедрения. Исследование Boston Consulting Group за сентябрь 2025 года показало, что 60% компаний не получают существенной ценности от ИИ, хотя инструменты стали лучше, а опыта на рынке стало больше. По оценке Freshworks, четверть ИИ-бюджетов уходит не на саму технологию, а на интеграцию, очистку данных и попытки заставить старые системы работать вместе.
Особенно болезненно это для компаний среднего размера — тех, кого Вудсайд называет agile enterprises. Это компании среднего размера — от 500 до 20 000 сотрудников. У них обычно нет огромных ИТ-бюджетов и лишних команд, поэтому они не могут годами перестраивать системы за сотни миллионов долларов. Если ИИ-проект не дает быстрой пользы, его просто закрывают.
Вудсайд приводит и другие примеры. New Balance, где работают около 9000 человек, смогла ускориться не за счет масштабов, а за счет консолидации разрозненного ИТ-стека на одной платформе и создания единого источника данных. По его словам, такая подготовительная работа дает эффект еще до внедрения ИИ, но именно она позволяет ИИ работать, когда компания до него доходит.
Для компаний, которые пока находятся в более хаотичном состоянии, Вудсайд советует не начинать с самых сложных проблем. Он приводит подход технического директора рекламной компании Katz Media Group Роберта Лайонса: все потенциальные ИИ-проекты нужно раскладывать по матрице «ценность/сложность внедрения» и начинать с задач, где высокая бизнес-ценность сочетается с низкими затратами на запуск.
«Не начинайте с самой тяжелой проблемы первой, — считает Лайонс. — Вы не сможете быстро показать ценность. Сфокусируйтесь на простоте внедрения и немедленной отдаче».
Перед запуском ИИ-инструментов команда Katz сделала две вещи: очистила и разметила данные, а затем провела для всех сотрудников вводный вебинар по ИИ. При этом обучение проводила не ИТ-команда, а нейтральная исследовательская организация. «Это не ИТ, который лает на вас», — объяснил Лайонс. По его словам, когда тему объясняет внешняя нейтральная сторона, сотрудники воспринимают ее иначе.
Вудсайд выделяет три признака компаний, которым удается внедрять ИИ успешно:
Релоцировались? Теперь вы можете комментировать без верификации аккаунта.