79% крупных промышленных компаний признают разрыв между тем, чего руководство ждёт от искусственного интеллекта, и реальной готовностью предприятия это обеспечить. Для внедрения ИИ в промышленности проблема уже не сводится к выбору модели или покупке GPU: тормозят качество данных, неоформленная ответственность и нехватка ресурсов для работы в контуре предприятия.
В исследовании «К2Тех» участвовали 150 представителей руководства крупных промышленных компаний, сообщает CNews. Сильный разрыв между ожиданиями топ-менеджмента и возможностями организации зафиксировали 30% опрошенных: бизнес рассчитывает на быстрый эффект, хотя данные и инфраструктура к нему не готовы. Ещё 49% говорят о частичном соответствии ожиданий реальности. Полное совпадение отметили лишь 5%, а 16% участников вообще не смогли оценить этот разрыв.
Цифры хорошо описывают знакомый многим ИТ-командам сценарий. Руководитель видит презентацию с экономией, прогнозами и ассистентами для сотрудников — и хочет результат в ближайшем квартале. Команда в ответ обнаруживает разрозненные справочники, неразмеченные архивы, ограничения на доступ к данным и необходимость встроить новый сервис в производственный процесс. Между демо и работающим решением лежит не магия генеративного ИИ, а довольно прозаичная инженерная работа.
Данные важнее красивой презентации
Главным барьером для 30% респондентов стало низкое качество данных. Только 5% компаний считают свои данные полностью готовыми к ИИ-сценариям. У 46% они готовы лишь частично: их нужно очищать, размечать или сводить из разных источников. Для промышленного предприятия это может означать объединение сведений из АСУ ТП, ERP, систем техобслуживания, складского учёта и производственных журналов — причём так, чтобы данные оставались понятными, сопоставимыми и доступными тем, кто строит решение.
Деньги на эту подготовку выделяются далеко не всегда. В 37% компаний отдельного бюджета на управление данными и ИИ нет: задачи пытаются закрывать внутри текущих ИТ-планов. У трети опрошенных бюджет вырос на 10–30%, а увеличение более чем на 50% отметили только 14%. Это важная поправка к разговорам о стремительном внедрении ИИ в промышленности: если очистка данных, интеграции и контроль качества остаются «побочной» задачей, сроки почти неизбежно начинают расходиться с обещаниями.
Отдельный слой сложности связан с регулированием. Многие промышленные организации относятся к объектам критической информационной инфраструктуры, поэтому им приходится оценивать data-ландшафт с учётом новых требований к ИИ. Полностью готовыми себя считают 12% респондентов. Ещё 48% называют готовность частичной и планируют доработку процессов или платформ; 21% ожидают существенной перестройки ландшафта данных. У 19% оценка на момент опроса ещё не проводилась. Иными словами, часть рынка пока даже не дошла до стадии, на которой можно честно назвать объём предстоящих изменений.
GPU не заменяют управление и безопасность
Вычислительные ресурсы тоже остаются ограничением: для 27% участников именно дефицит мощностей стал главным препятствием. Стратегии заметно различаются. GPU у внешних провайдеров арендуют 24% компаний; 21% используют гибридную схему, дополняя собственные мощности облаком в периоды пиковых нагрузок; ещё 21% располагают собственными GPU-кластерами с достаточным запасом. Выбор здесь зависит не только от цены железа. Для промышленности критичны требования к размещению данных, устойчивости сервисов, интеграции с внутренним контуром и предсказуемости нагрузки.
При этом управленческая часть внедрения отстаёт от технической. В 19% компаний формально не закреплена ответственность за риски генеративного ИИ. У 23% нет системного управления ИИ с политиками, ролями и контролем, а 30% оценивают его эффективность без формальных метрик — по тому, насколько гладко идёт процесс. Такой подход может пережить пилот, но плохо масштабируется, когда ИИ начинает влиять на производство, закупки, ремонт оборудования или работу с документацией.
Риск усиливается тем, что собственные разработки становятся обычной практикой. По данным «К2 Кибербезопасности», 38% крупных компаний создают ИИ-решения для внутренних процессов, однако 75% из них не выстроили процессы в соответствии со стандартом MLSecOps для управления безопасностью ИИ-разработки. Защита ИИ входит в пятёрку приоритетов у четверти российских корпораций, но рынок соответствующих практик и услуг ещё формируется. Для разработчиков это означает, что требования к модели, данным, доступам и мониторингу придётся учитывать не после запуска, а в архитектуре проекта.
Руководитель практики Big Data & BI «К2Тех» Дмитрий Красников советует начинать не с технологии, а с ожидаемого результата и конкретного сценария. До старта нужно проверить качество данных и доступность вычислений, назначить владельца решения, определить метрики эффекта и понять, как новый инструмент попадёт в существующий процесс. Это звучит как базовая дисциплина управления продуктом, но исследование показывает: в промышленном ИИ она пока встречается реже, чем амбициозные планы.
Следующий этап внедрения ИИ в промышленности, похоже, будет определяться не количеством пилотов, а способностью компаний превращать их в контролируемые системы: с подготовленными данными, понятной экономикой, безопасной разработкой и владельцем результата. Пока эти элементы собираются по отдельности, разрыв между ожиданиями руководства и возможностями ИТ-команды будет оставаться не исключением, а рабочей нормой.