У большинства неудачных AI-инициатив, если верить очередной волне скепсиса, виноваты сами модели: шумят, галлюцинируют, не дают ROI. Но в разборе The New Stack картина проще и неприятнее: у провала AI-проектов обычно две вполне земные причины — слабая инфраструктура и организационные сбои. Для русскоязычной IT-аудитории это звучит особенно знакомо: купить доступ к модели можно быстро, а вот собрать данные, процессы и людей в работающую систему — уже не так весело.
Как пишет The New Stack, привычная логика «технология подвела бизнес» во многих случаях переворачивает причину и следствие. Модель может выглядеть убедительно на демо, но в бою быстро упирается в старую проблему корпоративного ИТ: данные живут в разных системах, интеграции собирались годами, источники конфликтуют между собой, а команда рассчитывает, что AI сам как-нибудь разберется. Не разберется. Если на входе хаос, на выходе будет не магия, а масштабированный хаос, только дороже и быстрее. Поэтому провал AI-проектов часто начинается задолго до первого промпта — на уровне архитектуры данных, доступа, пайплайнов и элементарной наблюдаемости.
Из этого следует важный сдвиг в оптике. Проблема не обязательно в том, что компания выбрала «не ту» модель, слишком мало дообучала систему или поздно подключилась к хайпу. Гораздо чаще дело в том, что проект запускают как красивую надстройку над средой, которая изначально не готова к таким нагрузкам. AI-сервисы особенно плохо переносят разнобой в форматах, неполные записи, дубли, ручные исключения и знания, которые существуют только в головах сотрудников. Обычное корпоративное ПО может годами жить на костылях. AI, напротив, быстро вытаскивает эти костыли на свет. Поэтому разговор про провал AI-проектов — это в значительной степени разговор не о нейросетях, а о техническом долге, который внезапно стал слишком заметным.
Вторая часть проблемы — люди, и здесь речь не о банальном «не хватает AI-инженеров». The New Stack акцентирует более неприятную вещь: компании часто подходят к внедрению как к чисто программной задаче, хотя на практике это кросс-функциональная операционная дисциплина. Нужны не только разработчики, но и специалисты по данным, платформенные команды, люди, которые понимают бизнес-процесс, безопасность, комплаенс и качество результата. Иначе получается типичный сценарий: пилот собрали, демо руководству показали, а дальше непонятно, кто отвечает за качество данных, кто следит за деградацией ответов, кто обновляет контекст и кто вообще владелец результата. В такой схеме даже сильная модель превращается в дорогую презентацию.
Для рынка это важный сигнал, потому что он постепенно сдвигает обсуждение от выбора «самой умной» модели к более скучным, но куда более дорогим вопросам: как устроен доступ к данным, насколько стабильно работает платформа, есть ли у компании зрелый контур эксплуатации и кто принимает решения на стыке ИТ и бизнеса. Эта мысль неприятна именно потому, что не оставляет простого выхода. Нельзя закрыть управленческий бардак новым API. Нельзя компенсировать плохую структуру данных еще одним слоем агентов. Нельзя всерьез обсуждать эффект от генеративного ИИ, если организация не договорилась, где правда в данных и кто несет ответственность за результат в продакшене.
Для разработчиков и техлидов вывод прагматичный. Если компания хочет не пилот ради галочки, а работающий продукт, то начинать придется не с выбора модной модели и не с демонстрации «смотрите, как чат-бот отвечает на вопросы из базы знаний». Сначала придется проверить, насколько данные доступны и согласованы, как будут измеряться ошибки, где хранится контекст, что происходит при сбое интеграций и кто поддерживает систему после запуска. Для продактов и ИТ-директоров урок такой же приземленный: AI не отменяет обычную инженерную дисциплину, а делает ее дороже и заметнее. Плохая подготовка в классическом софте часто бьет по срокам. В AI она бьет еще и по доверию к самой технологии.
На этом фоне главный вопрос для отрасли звучит уже не как «достаточно ли хороши нынешние модели», а как «готовы ли компании перестроить под них свои данные, процессы и команды». Пока ответ для многих скорее отрицательный. И если этот разрыв сохранится, рынок увидит не крах AI как технологии, а затяжной рост числа проектов, которые отлично смотрелись на сцене и слишком дорого развалились в эксплуатации.