Хочу поделиться кейсом!
Ваша компания использует генеративный AI в продуктах, проектах и бизнес-процессах? Смело рассказывайте о своем опыте на страницах проекта Generation AI!
Правила отбора
Правила отбора
Нажимая кнопку «Отправить», я даю свое согласие на обработку файлов cookie в соответствии с Политикой обработки персональных данных.
У вас есть вопросы и предложения? Напишите нам!
Нажимая кнопку «Отправить», я даю свое согласие на обработку файлов cookie в соответствии с Политикой обработки персональных данных.
Хотите такой же кейс, но не знаете, с чего начать?
Запишитесь на консультацию, и наш эксперт ответит на ваши вопросы о генеративном AI!
Нажимая кнопку «Отправить», я даю свое согласие на обработку файлов cookie в соответствии с Политикой обработки персональных данных.
Хотите внедрить GenAI в свои бизнес-процессы, но не знаете, с чего начать?
Запишитесь на консультацию, и наш эксперт ответит на ваши вопросы о генеративном AI!
Нажимая кнопку «Отправить», я даю свое согласие на обработку файлов cookie в соответствии с Политикой обработки персональных данных.
Декабрь 2025
Вячеслав Тарасов
Технический директор Brio Capital
Технический директор Brio Capital
Shallow AI Product: 5 признаков того, что ваш AI-проект рискует провалиться еще до запуска
В 2025 году компании внедряют AI не потому, что он решает конкретную проблему, а потому что «так надо» и «все это делают». Но часто вместо бизнес-эффекта получается поверхностное решение, которое закрывает один из десяти заявленных сценариев.
В материале Вячеслав Тарасов, технический директор инвестиционного фонда Brio Capital, рассказывает о том, как распознать бессмысленный AI-проект еще до старта разработки, какие ошибки встречаются чаще всего и почему большинство Gen AI-инициатив не создают ценности.
В материале Вячеслав Тарасов, технический директор инвестиционного фонда Brio Capital, рассказывает о том, как распознать бессмысленный AI-проект еще до старта разработки, какие ошибки встречаются чаще всего и почему большинство Gen AI-инициатив не создают ценности.
Shallow AI Product: когда технология есть, а ценности нет
Термин Shallow AI Product — «поверхностный AI-продукт» — описывает проекты, в которых AI формально присутствует, но реальной бизнес-ценности не приносит, а команда не может объяснить ценность.
Как распознать shallow-проект: пять красных флагов
- Нет привязки к реальным процессам внутри компанииМежду решением и бизнес-процессами нет связи. Сотрудники после внедрения AI-решения продолжают работать так, как работали, без AI.
- Отсутствует внятная бизнес-гипотезаЕсли команда не может четко сформулировать решаемую проблему и говорит что-то вроде «оптимизируем процессы» или «повышаем эффективность», это должно насторожить.
- Команда исходит от технологии, а не от проблемыКоманда говорит: «Хотим внедрить именно RAG» или «Давайте сделаем AI-агентов», хотя на вопрос «А зачем?» внятного ответа нет.
- Нет метрик успехаЧерез три месяца работы непонятно, что изменилось. Нет понимания состояний «было» и «стало», нет способа измерить эффект.
- Отсутствие уникальностиТакое же решение могут сделать десять других компаний, потому что оно строится на общедоступных моделях без собственных данных или уникальной экспертизы. В результате получается commodity-продукт, который никому не интересен.
Компания может годами вкладывать ресурсы, показывать активность, отчитываться о прогрессе. Но когда доходит до реального запуска и проверки бизнес-эффекта, выясняется, что ничего не работает. И самое плохое — никто не признается в провале, все пытаются дотащить проект до конца, чтобы сохранить лицо. В итоге получается выгоревшая команда и потраченные впустую миллионы.
Вячеслав Тарасов
Технический директор инвестиционного фонда Brio Capital
Почему так происходит: скорость бизнеса против скорости технологий
Дело в несовпадении скоростей: бизнес-процессы в больших организациях меняются медленно, а AI-технологии эволюционируют стремительно.
Показательный пример: у одной компании был R&D-центр с бюджетом около 50-70 миллионов в год. Количество гипотез, которые R&D давал бизнесу на продакшн за год — всего четыре. Условно 70 миллионов на разработку, четыре гипотезы в год. Если гипотеза одобрена, до продакшена она доходит за год-два.
При этом модели GPT, Gemini и другие обновляются каждые 2-3 месяца. Это значит, что решение, которое компания начала делать год назад, к моменту запуска уже устарело. А иногда вообще вендоры выпустили готовый продукт, который делает то же самое, но лучше и дешевле.
Показательный пример: у одной компании был R&D-центр с бюджетом около 50-70 миллионов в год. Количество гипотез, которые R&D давал бизнесу на продакшн за год — всего четыре. Условно 70 миллионов на разработку, четыре гипотезы в год. Если гипотеза одобрена, до продакшена она доходит за год-два.
При этом модели GPT, Gemini и другие обновляются каждые 2-3 месяца. Это значит, что решение, которое компания начала делать год назад, к моменту запуска уже устарело. А иногда вообще вендоры выпустили готовый продукт, который делает то же самое, но лучше и дешевле.
Три антикейса: где GenAI точно проваливается
За последний год практики можно выделить три самых популярных направления, где бизнес стабильно хоронит бюджеты на AI-проекты.
Антикейс 1: корпоративный ассистент, который никому не нужен
Одна крупная компания решила внедрить AI-помощника для сотрудников.
- ИдеяДать людям инструмент, который поможет находить информацию во внутренней базе знаний, подскажет регламенты, ответит на типовые вопросы. Запустили пилот, потратили четыре месяца на тестирование, собрали обратную связь. Вовлеченность сотрудников была крайне низкой.
- ПроблемаКомпания не переосмыслила процессы, а просто добавила еще один интерфейс сверху. Люди как искали информацию через коллег или в старых чатах, так и продолжают искать. Новый инструмент не встроен в их рабочий поток, он требует отдельных действий.
- ВыводAI нельзя просто «добавить» к существующим процессам — он должен менять саму суть того, как выполняется работа. Если этого не происходит, получается мертвая фича.
Антикейс 2: контакт-центр, где скорость выросла, а клиенты ушли
Другая компания решила автоматизировать контакт-центр — заменить часть операторов AI-ботами.
- ИдеяБоты обрабатывают типовые запросы быстрее людей, освобождают операторов для сложных кейсов, снижают нагрузку. KPI оставили прежними — скорость обработки обращений и количество закрытых тикетов.
- ПроблемаЧерез несколько месяцев после запуска выяснилось, что показатели действительно выросли: боты закрывали запросы быстрее. Но тут всплыла неожиданная проблема — индекс лояльности клиентов (NPS) резко упал. Оказалось, что люди недовольны качеством обслуживания: боты не понимают контекст, дают формальные ответы, не могут решить нестандартную ситуацию. Клиенты начали уходить к конкурентам.
- ВыводAI без правильных метрик — это автопилот без маршрута. Нельзя просто автоматизировать процесс и оставить старые KPI. Если внедряется AI в customer support, нужно менять метрики успеха: смотреть не только на скорость, но и на удовлетворенность клиентов, на процент запросов, которые бот решил полностью с первого раза, на количество эскалаций к людям.
Антикейс 3: код-ревьюер, который дороже готового решения
Третий популярный кейс — это попытка создать собственного AI-ревьюера кода для разработчиков.
- ИдеяОбучить модель на внутреннем коде компании, чтобы она автоматически проверяла pull request'ы, находила баги, предлагала улучшения.
- ПроблемаНа практике выходит совсем не так. Чтобы нормально обучить такую модель, нужны огромные вычислительные ресурсы, большой массив размеченных данных и команда специалистов по ML — все это дорого и сложно. И даже после обучения код ревьюера всё равно приходится проверять человеку, плюс человек продолжает проверять код реальных разработчиков. То есть вместо экономии времени получается двойная работа.
- ВыводНа внутренних продуктах такие проекты практически никогда не окупаются. Проще подождать, пока крупные независимые игроки типа GitHub Copilot или Cursor допилят свои решения, и купить у них лицензию.
Где GenAI действительно работает
Есть области, где GenAI дает быстрый и измеримый эффект без необходимости перестраивать весь бизнес.
GenAI работает хорошо там, где есть три условия: у компании есть доменная экспертиза, которую сложно купить на рынке — это фармацевтика, нефтянка, специфичные отрасли. Оптимизируется конкретный, понятный, рутинный процесс, где можно четко измерить эффект «было-стало». Это личный ассистент для специалиста, который действительно упрощает его работу, а не добавляет лишний слой сложности.
Вячеслав Тарасов
Технический директор инвестиционного фонда Brio Capital
- ПримерЛаборатория занимается испытаниями продукции и по закону должна отчитываться в разные инстанции по 5-6 ГОСТам. Раньше работа лаборанта занимала весь день на заполнение отчётов — одни и те же данные вручную переносились в разные формы, проверялось соответствие требованиям, все отправлялось по нужным адресам.
- Кейс с AIЛаборант вводит данные исследования один раз, система автоматически генерирует все необходимые документы в нужных форматах и отправляет их по соответствующим инстанциям. Время на бумажную работу сократилось кратно.
Это правильный AI-продукт. Он решает конкретную боль, которую можно измерить. Он привязан к реальному процессу, не требует переобучения людей — лаборант продолжает делать свою работу, просто быстрее. Эффект виден моментально. И, что важно, это не требует перестройки всей работы лаборатории — изменился только один этап процесса.
Но даже понимая, где AI работает, компании продолжают сливать бюджеты. Проблема не в технологии, а в отсутствии дисциплины на этапе запуска. В следующем материале — конкретный чек-лист, который поможет отсечь провальные проекты еще до старта разработки.
Но даже понимая, где AI работает, компании продолжают сливать бюджеты. Проблема не в технологии, а в отсутствии дисциплины на этапе запуска. В следующем материале — конкретный чек-лист, который поможет отсечь провальные проекты еще до старта разработки.
Читайте также:
Как не слить бюджет на AI: чек-лист от технического директора инвестфонда
Как не слить бюджет на AI: чек-лист от технического директора инвестфонда