92,4% корпоративных ML-пилотов ложатся в гроб, так и не доехав до продакшена. Эту цифру я вытащил из нашей собственной статистики пресейлов за последние три года, и на её фоне оптимистичные отчеты консалтинговых агентств выглядят как глянцевые брошюры. Бизнес выделяет бюджет, нанимает интегратора, ждет полгода и получает Jupyter-ноутбук, который идеально предсказывает прошлое, но намертво падает при подключении к реальному конвейеру.
Когда собственник спрашивает, готова ли компания к внедрению ИИ, рынок отвечает предсказуемо: покупайте AI-readiness аудит. Отдайте 500 тысяч рублей, подождите месяц, и мы принесем вам красивую презентацию о цифровой трансформации. Это налог на менеджерскую неуверенность. Искусственный интеллект в энтерпрайзе ломается не о выбор архитектуры трансформера. Он ломается о кривые логи, мертвые базы данных и саботаж на местах.
Вам не нужен платный консалтинг, чтобы понять, с чего начать внедрение ИИ. Нужен ИТ-директор и пять минут на два вопроса, которые отсекают 80% провалов.
Вопрос первый: где лежат чистые данные и кто их трогал?
Бизнес свято верит, что у него накоплена «десятилетняя история наблюдений». Инженер видит выгруженный дамп 1С с ручными правками, отсканированные PDF-накладные и три Excel-файла с названием final_v4_real.xlsx. Нейросеть не умеет читать между строк. Если данные не размечены, не консистентны и не лежат в едином хранилище, ваш пилот закончится на этапе парсинга мусора.
-- Типичный срез "чистых исторических данных" на реальном производстве
SELECT
order_id,
COALESCE(sensor_temp, manual_temp_override, 20) AS temp, -- Датчик сгорел в 2021, писали руками
status,
comment_field -- "Отгрузили Васе, спросить Игоря про брак"
FROM production_logs_v3_final
WHERE date >= '2022-01-01'
AND status != 'ОШИБКА_1С_НЕ_ТРОГАТЬ';Вопрос второй: кто владелец процесса, который примет результат?
Если заказчиком выступает сам ИТ-отдел — проект мертв. ИТ не владеет бизнес-процессом. Если начальник смены на заводе не хочет смотреть в планшет с предиктивной аналитикой, модель с точностью 99% отправляется в стол. Вам нужен конкретный человек в операционке, чей KPI напрямую зависит от внедрения, и у которого есть полномочия заставить линейный персонал работать по-новому.
Готова ли компания к внедрению ИИ: матрица решений
Комбинация ответов на эти два вопроса моментально показывает ваш статус.
| Данные | Владелец | Вердикт |
|---|---|---|
| Есть | Есть | Запуск пилота. Ищите интегратора, готовьте железо под инференс. |
| Есть | Нет | Рано. Модель станет дорогой игрушкой для ИТ-отдела, которая никогда не окупится. |
| Нет | Есть | Сначала Data Governance. Собирайте логи, ставьте датчики, структурируйте 1С. |
| Нет | Нет | Забудьте про нейросети. Наводите порядок в базовых процессах. |
Частый вопрос на этом этапе — нужна ли своя ml команда в штате? Короткий ответ: нет. На старте вам нужен владелец процесса и крепкий подрядчик. Инхаус-команда дата-саентистов без готового пайплайна будет полгода перекладывать JSON'ы и выгорит. Нанимать своих MLOps-инженеров имеет смысл только тогда, когда пилот уже стоит на edge-устройствах, приносит реальные деньги и требует поддержки.
Для пограничных случаев, когда данные вроде бы есть, а владелец вроде бы готов, прогоните проект через технический чек-лист:
- Целевая метрика привязана к деньгам, а не к абстрактной Accuracy.
- Точка интеграции (API, edge-контроллер, конкретный интерфейс) жестко зафиксирована.
- Бюджет на закупку GPU или NPU-вычислителей выделен отдельно от разработки.
- Стоимость простоя системы оценена в рублях за минуту.
- SLA на инференс (например, p99 latency < 50ms) согласован с производством.
- Замерян бейзлайн: как процесс работает прямо сейчас без всякого машинного обучения.
- Данные версионируются автоматически, а не пересылаются архивами в Telegram.
У нас в Morana Labs квалификация лида проходит именно так. Мы задаем эти вопросы на первом созвоне. Если у вас нет разметки или человека, готового внедрять систему в цеху, — мы честно скажем, что вам рано, и не возьмем ни рубля за аудит ради аудита. Если оба ответа «да» — берем контур клиента, разворачиваем edge-инфраструктуру и катим хардкорный индустриальный ИИ в бой, где данные никогда не покидают периметр.