В 2024 году финтех Klarna запустил AI-ассистента на базе OpenAI. За первый месяц бот обработал 2,3 миллиона обращений — две трети всего клиентского трафика. Он заменил 700 сотрудников и на 25% сократил повторные запросы. CEO Себастьян Семятковски назвал это «прорывом», а к третьему кварталу 2025 года компания отчиталась об экономии в $60 миллионов. AI делал работу 853 живых операторов.
А через год Семятковски признал: сократили лишнего. Качество сервиса упало, клиенты недовольны. «Мы немного перегнули палку и последние полгода пытаемся это исправить», — сказал он. Компания начала возвращать людей.
Модель работала как часы. Но без людей в контуре пошли трещины. Знакомая картина? Пилот сиял, а на масштабе — провал. И Klarna здесь не одинок. Дело не в том, что AI «глупый». Дело в среде, которая оказалась не готова.
Демо-комната против реального офиса: почему это две разные планеты
Пилотный проект AI-агента — это стерильная операционная. Данные чистые, системы доступны по первому запросу, с ботом взаимодействует одна обученная команда. Всё предсказуемо. Продакшен — это хаос живой компании: системы обновляются вразнобой, в данных зияют дыры, а разные отделы работают по своим, порой противоречащим друг другу, регламентам.
Ибрагим Аль-Джаллаф, COO Inception42, формулирует жестко: «Мы видим, что проблема не в том, что агент плохо рассуждает. Проблема в том, что среда вокруг него не готова». Демо доказывает, что модель работает. Продакшен доказывает, что у организации есть интеграция, управление и структура ответственности, чтобы вокруг этой модели работать.
Антонио Рицци, вице-президент ServiceNow, добавляет: на пилоте агент касается узкого среза процессов. При масштабировании он сталкивается со всей сложностью предприятия: «дочки» с разными операционными моделями, inconsistent-процессы, неравномерное качество данных и сотни локальных исключений. Результат на проде может быть лучше, хуже или просто другим. Но почти никогда — таким же, как на демо.
Джо Данливи, глобальный глава Dava.X AI Group в Endava, советует начать с вопроса «зачем?»: «Если вы не знаете проблему, очень трудно придумать решение». Звучит банально, но 80% провалов AI-пилотов, по нашим наблюдениям в стратегических сессиях с заказчиками, случаются именно из-за размытых целей на старте.
Семь линий разлома, о которые разбиваются AI-пилоты
Мы выделили семь критических зон, где демо-версия дает трещину при переходе в реальную жизнь. Это не абстрактные риски, а конкретные узлы, которые нужно проверить до масштабирования.
1. Интеграционный долг
На демо агент подключен к одной-двум системам через API, которые специально «причесали» к показу. В реальности ему нужно стучаться в десяток legacy-систем, часть из которых не имеет нормального API. Каждое такое соединение — это недели работы IT-команды. Интеграционный долг накапливается незаметно, а выстреливает на этапе масштабирования.
2. Грязные данные
Пилот кормят вылизанными датасетами. В проде агент получает то, что есть: дубликаты, пропуски, противоречивые записи из разных филиалов. Если модель не обучали на реальных, «грязных» данных компании, она начинает ошибаться. И ошибки эти множатся с каждым новым подключенным отделом.
3. Размытая ответственность
Кто отвечает за решение AI-агента? IT-директор? Владелец продукта? Руководитель бизнес-юнита? Пока нет четкого ответа, агент будет работать в серой зоне. Рицци из ServiceNow напоминает: «Когда агент ошибается, инцидент остается ответственностью организации — не агента». Без назначенного «человека за AI» любая ошибка превращается в бесконечный пинг-понг между отделами.
4. Управление изменениями
Сотрудники, которых AI должен «усилить», часто воспринимают его как угрозу. Без программы управления изменениями они найдут способ саботировать внедрение — от пассивного игнорирования до активного противодействия. Корпоративное обучение здесь — не опция, а обязательный этап.
5. Закупочный тупик
AI-агенты не вписываются в стандартные тендерные процедуры. Это не коробочный софт и не типовой аутсорсинг. Юридические и закупочные отделы часто просто не знают, как контрактовать такие решения. Пока юристы спорят о терминах, пилот устаревает.
6. Иллюзия ROI
Ускорение старого процесса не равно экономии. Если AI начинает обрабатывать заявки в три раза быстрее, но люди все равно ждут неделю на следующем шаге — узкое горлышко просто переехало. Реальная окупаемость приходит только при перепроектировании процесса вокруг AI, а не при встраивании AI в процесс.
7. Зависимость от вендора
Пилот часто строится на энтузиазме конкретного вендора или команды. Когда проект переходит в эксплуатацию, энтузиазм сменяется SLA и KPI. Если знания не переданы внутрь компании, вы оказываетесь в полной зависимости от внешнего провайдера.
Российская специфика: три дополнительных барьера
На российском рынке к общемировым проблемам добавляются свои. По данным исследований, 84% компаний в РФ инвестируют в обучение сотрудников, но лишь малая часть готова к полноценной AI-трансформации. Мы в ГК «Алмаз» видим три повторяющихся сценария.
Дефицит кадров. В стране не хватает около 250 тысяч IT-специалистов. AI-пилот требует команды, которая понимает и бизнес-процесс, и технологию. Таких людей днем с огнем не сыщешь, а обучать с нуля — долго и дорого.
Культура «ручного управления». Российский менеджмент традиционно тяготеет к контролю. Идея передать решение агенту, который работает по вероятностной модели, вызывает у руководителей почти физический дискомфорт. Без сдвига в мышлении никакой AI не приживется.
Разрозненные IT-ландшафты. Многие компании годами «допиливали» 1С, самописные CRM и отраслевые решения. Зоопарк систем, где каждый зверь говорит на своем языке, — идеальная среда для провала AI-интеграции.
Как сократить разрыв: три правила перехода от пилота к проду
Опираясь на опыт разработки под заказ и внедрения сложных проектов, мы сформулировали три правила, которые работают независимо от индустрии и масштаба бизнеса.
Правило 1: Назначьте «человека за AI» до старта пилота
Это не метафора. Это конкретная должность или роль с зафиксированной ответственностью. Человек отвечает за решения агента перед бизнесом, клиентами и регулятором. Он имеет право остановить агента, скорректировать его логику и эскалировать проблему. Без этого AI остается дорогой игрушкой, за которую никто не отвечает.
Правило 2: Тестируйте на «грязных» данных с первого дня
Не ждите продакшена, чтобы узнать, что данные филиала в Новосибирске хранятся в Excel-таблицах с макросами. Запросите реальные данные из трех разных подразделений еще на этапе пилота. Если агент справляется с ними — он готов к масштабированию. Если нет — вы хотя бы знаете, где копать.
Правило 3: Перепроектируйте процесс, а не автоматизируйте его
Самый быстрый способ убить ROI от AI — натянуть его на существующий процесс как носок на ботинок. Начните с вопроса: «Если бы у нас не было ограничений, как бы мы делали эту работу?» Спроектируйте процесс с нуля, а затем решите, где в нем место AI, где — человеку, а где — их связке.
Практические рекомендации
Вот что можно сделать уже завтра, чтобы ваш AI-пилот не повторил судьбу кейса Klarna.
- Проведите аудит данных. Запросите у трех разных бизнес-юнитов реальные, необработанные данные по процессу, который планируете автоматизировать. Оцените уровень «грязи»: дубликаты, пропуски, противоречия. Это ваш реальный стартовый уровень.
- Назначьте AI-ответственного. Выберите человека, который будет владельцем AI-решения на стороне бизнеса. Зафиксируйте его полномочия письменно: право остановить агента, изменить сценарий, инициировать дообучение.
- Запустите программу управления изменениями. Проведите серию встреч с командами, которых коснется внедрение. Объясните не «как крут AI», а «как изменится ваша работа и почему это хорошо для вас». Снимите страхи до того, как они превратятся в саботаж.
- Перепроектируйте процесс. Соберите рабочую группу из представителей бизнеса, IT и HR. Опишите целевой процесс с нуля, без оглядки на текущие ограничения. Только после этого решайте, где в нем место AI.
- Рассчитайте ROI честно. Включите в расчет не только стоимость лицензий и внедрения, но и затраты на изменение процессов, обучение сотрудников, доработку интеграций и поддержку в первый год. Если цифры не сходятся без «предположим, что…» — не сходятся.
- Пишите сценарии ошибок. Не «если что-то пойдет не так», а «когда агент ошибется». Пропишите, кто узнает первым, кто принимает решение, как эскалировать, как откатывать. Ошибка AI — это вопрос «когда», а не «если».
Заключение
AI-агенты — не магия и не угроза. Это инструмент, который требует взрослого подхода: четкой ответственности, грязных данных на входе и готовности пересобрать процессы, а не просто ускорить их. Klarna заплатила $60 миллионами экономии и репутационными потерями за урок, который можно усвоить бесплатно: демо и продакшен — это две разные вселенные.
Готовность компании к AI измеряется не качеством пилота, а способностью организации интегрировать, управлять и отвечать за решения, которые принимает машина. Если вы не готовы назначить ответственного за ошибки AI — вы не готовы к AI.
Часто задаваемые вопросы
Почему AI-пилоты так часто проваливаются при масштабировании?
Пилоты запускаются в стерильных условиях: чистые данные, одна команда, ограниченный набор систем. При масштабировании агент сталкивается с реальным хаосом: разрозненные данные, конфликтующие процессы, отсутствие ответственного за решения AI. Среда оказывается не готова, а не сама модель.
Кто должен отвечать за ошибки AI-агента в компании?
Ответственность всегда лежит на организации, а не на алгоритме. Необходимо назначить конкретного человека — «владельца AI-решения» — с зафиксированными полномочиями: правом остановить агента, скорректировать логику и эскалировать проблему. Без этого AI работает в серой зоне.
Как оценить реальный ROI от внедрения AI-агента?
Недостаточно посчитать экономию на ускорении отдельной операции. Нужно перепроектировать процесс целиком и включить в расчет затраты на интеграцию, обучение сотрудников, управление изменениями и поддержку в первый год. Если AI просто ускоряет шаг в цепочке, где следующее звено — узкое горлышко, реальной экономии не будет.
С чего начать подготовку компании к внедрению AI?
С трех шагов: провести аудит реальных данных в разных подразделениях, назначить ответственного за AI-решение и запустить программу управления изменениями для команд, которых коснется внедрение. Технология — лишь часть уравнения; люди и процессы важнее.
Какие специфические барьеры для AI существуют в России?
К общемировым проблемам добавляются: острый дефицит IT-специалистов (около 250 тысяч человек), культура «ручного управления» с низкой толерантностью к вероятностным решениям и сильно кастомизированные IT-ландшафты, где системы плохо стыкуются друг с другом.
