Где AI не нужен

McKinsey в отраслевых обзорах также фиксирует высокий процент неудач ИИ-проектов в производстве (85%), здравоохранении (92%), финансах (88%) и рознице (87%), если компании начинают с «внедрить ИИ», а не с управленческой задачи и данных.

Отдельный риск — перекладывать решения на модель.

Пример: крупная технологическая компания закрыла проект ИИ-подбора персонала, когда обнаружила перекос в данных и систематические ошибки отбора. Похожие претензии к системам найма и скоринга уже доходили до судов и крупных компенсаций.

ИИ усиливает работающую систему, но плохо заменяет управление. Правильный стартовый вопрос — не «нужен ли нам ИИ», а «какую конкретную управленческую задачу мы решаем и готовы ли наши процессы и данные».

Внедрение AI в управленческий контур — одна из наших услуг: AI-агент в аренду и управленческий аудит.

• —Какую конкретную управленческую задачу вы решаете внедрением ИИ?
• —Готовы ли к этому ваши данные и процессы — или пилот начнётся с их сбора?
• —Где в вашей компании решение уже фактически переложено на модель?

• Деньги теряются не на технологии. MIT: 95% пилотов генеративного ИИ не дали измеримого эффекта из-за разрозненных данных и слабой дисциплины исполнения.
• Доля неудач высока во всех отраслях. McKinsey фиксирует 85% в производстве, 92% в здравоохранении, 88% в финансах, 87% в рознице — там, где начинают с «внедрить ИИ».
• Перекос в данных доходит до суда. Проекты ИИ-подбора персонала закрывали, обнаружив систематические ошибки отбора.