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.
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 компании
Между решением и бизнес-процессами нет связи. Сотрудники после внедрения AI-решения продолжают работать так, как работали, без AI.
Отсутствует внятная бизнес-гипотеза
Если 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 проблемы
Команда говорит: «Хотим внедрить именно RAG» или «Давайте сделаем AI-агентов», хотя на вопрос «А зачем?» внятного ответа нет.
Нет метрик успеха
Через три месяца работы непонятно, что изменилось. Нет понимания состояний «было» и «стало», нет способа измерить эффект.
Отсутствие уникальности
Такое 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.
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.
Три антикейса: где GenAI точно проваливается
Антикейс 1: корпоративный ассистент, который никому не нужен
Антикейс 2: контакт-центр, где скорость выросла, а клиенты ушли
Антикейс 3: код-ревьюер, который дороже готового решения
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.
Читайте также:
Как не слить бюджет на AI: чек-лист от технического директора инвестфонда
