10 причин провала
ИИ-трансформации

После десятка лет работы с ИИ-трансформациями у меня появился неприличный вопрос для компаний: что проще — изменить большую компанию или построить новую с нуля?

Раньше ответ казался очевидным. У существующего бизнеса уже есть клиенты, команда, деньги, бренд, инфраструктура, процессы и накопленная экспертиза. Кажется, именно такая компания должна получить максимальный эффект от ИИ. Стоит добавить инструменты, обучить людей, пересобрать процессы — и бизнес должен заработать по-новому.

Сегодня я так не думаю. В бизнес-функциях, как правило, есть скрытые интересы и процессы, которые не описаны до конца. ИИ в такой системе становится лакмусовой бумажкой. Он проявляет все, что компания годами научилась прятать. Сразу видно, где находятся данные, кто реально владеет процессом, а где ответственность размазана. Видно, какие решения принимаются на основе данных, а какие по интуиции CEO, а также насколько бизнес понимает себя.

Неприятная правда такая: ИИ-трансформация редко проваливается из-за технологий. Да, модели могут ошибаться, агенты требуют контроля, промпты нужно версионировать, а качество нужно измерять и постоянно улучшать. Но это решаемые инженерные задачи. Тяжелее ситуация, когда компания хочет ИИ, но не готова стать прозрачной для самой себя.

За десять лет я выявил десять причин, из-за которых ИИ-трансформация проваливается даже в передовых компаний. Давайте разбираться.

01.Компания хочет внедрять ИИ, не понимая, как она работает сейчас

Любая ИИ-трансформация начинается с вопроса: где мы находимся сейчас? Для человека, который хочет похудеть, первый шаг — встать на весы. Можно купить абонемент в зал, нанять тренера, сесть на диету, бегать по утрам и героически страдать, но без стартовой точки прогресс становится субъективным ощущением, а не измеряемой системой координат.

С компанией то же самое. Перед ИИ-трансформацией нужно понимать текущее состояние: как принимаются решения и кто владеет процессами, где находятся данные и легаси-системы, какие метрики важны, какие ограничения накладывает безопасность, какие процессы можно менять быстро, а какие требуют долгой подготовки.

В одном из кейсов я сделал аудит ИИ-зрелости, а в ответ от CEO услышал, что это «корпоративный булшит», и что нужно просто построить новую ИИ-компанию с нуля. Это заставило меня задуматься: так как ИИ-индекс у компании был около нуля, встал вопрос — трансформировать это или все же проще построить сбоку такую же компанию, но уже с ИИ-сотрудниками вместо людей.

Однако в любом случае стратегия — это план движения. Метрики — это приборная панель. Диагностика зрелости — это способ исследовать местность перед тем, как заезжать туда. Когда это считают формальностью, компания вроде бы едет быстрее, но уже не понимает, куда и зачем: без карты, приборов и пункта назначения.

Часто приходится слышать, что «разберемся по ходу», но в большой компании это «по ходу» часто превращается в набор хаотичных инициатив. Один департамент запускает пилот, другой покупает свой инструмент. Третий нанимает собственных инженеров, а четвертый строит внутреннюю платформу. Через несколько месяцев у компании много активности, встреч, презентаций и очень мало реальных результатов.

В небольшой ИИ-компании имитировать трансформацию не получится. Основатель сам общается с клиентом и создает под него продукт. Любая ошибка быстро бьет по выручке, скорости и выживанию. Поэтому карта процессов появляется естественно: что продаем, кому и как доставляем ценность — так становится видно, какие метрики мониторим каждую неделю и какие процессы стоит усилить агентами.

02.Данные есть, но к ним невозможно подступиться

Одна из самых болезненных вещей, которые обнажает ИИ-трансформация: топ-менеджмент часто не до конца понимает, как бизнес работает на операционном уровне. Это не обвинение. В большой компании это происходит естественно. Сначала основатель знает почти все. Потом появляются команды, продукты, внутренние процессы, старожилы и неформальные договоренности между подразделениями. Через несколько лет реальный бизнес и представление CEO о нем начинают жить в разных реальностях.

Часть бизнес-данных лежит в старых сервисах или в Excel. Часть — в головах сотрудников, переписках и устных договоренностях между командами. Потом приходит ИИ-команда. Формально задача звучит как внедрение искусственного интеллекта. По факту начинается археология. Где лежат данные? Кто может дать доступ? Кто владелец процесса? Кто отвечает за качество? Где хранятся исторические выгрузки? Можно ли эти данные вообще использовать? Как происходит процесс согласования с безопасностью и куда их можно сложить?

Иногда данные вроде бы есть, но использовать их невозможно. Безопасность не дает доступ. Хранилища нет. Владелец процесса не определен, а ответственность за данные размазана по бизнес-подразделениям. Централизованной аналитики нет. Отчеты собираются вручную. В итоге каждый департамент видит только свою часть общей картины.

В такой ситуации CEO становится единственным источником правды. Но это не data-driven подход. Такая система может работать, пока бизнес держится на людях. Но ИИ на этом не построить. Можно сделать прототипы на разовых выгрузках, но промышленную ИИ-систему без нормального доступа к данным построить невозможно.

Поэтому отдельное время нужно закладывать не только на модели и агентов, но и на работу с данными: их поиск, сбор, очистку, хранение, доступы, безопасность и регулярное обновление. Любая трансформация начинается с фактической карты бизнес-процессов, на которую затем накладывается слой данных. В старой компании часто приходится раскапывать прошлое. В новой — можно сразу строить будущее.

03.Легаси не только в коде

Когда говорят про легаси, обычно имеют в виду старые монолитные системы, древние базы данных, нестабильные интеграции, железные серверы, устаревшие пайплайны и разрозненную архитектуру. В корпорациях именно инфраструктурное легаси часто является главным блокером для ИИ.

Можно придумать полезного агента, который анализирует клиентские обращения, помогает продакту принимать решения или автоматизирует операционный процесс. Потом выясняется, что нужные данные лежат в трех системах, доступы согласуются месяцами, документации нет, владелец данных формально один, фактически другой, безопасность не готова к такому сценарию, инфраструктура вообще не позволяет быстро деплоить решение, а продакшн-контур работает по законам прошлого десятилетия. И это один из реальных кейсов в крупной международной компании с оборотом в миллиарды долларов.

На этом месте разговоры про переход в AI-first начинают звучать как корпоративная фантазия. Но технический уровень — это лишь верхушка айсберга.

Есть легаси-процессы. Компания годами решала вопросы на уровне «поговори с Васей». Это работает, когда бизнес растет и деньги маскируют неэффективность.

Есть легаси-ответственность. Формально у каждого процесса есть владелец. На практике критическое решение проходит по цепочке людей, каждый из которых может затормозить изменение, но никто полностью не отвечает за итоговый результат.

Есть легаси-культура. Люди привыкли к определенному темпу, уровню риска и роли в системе. Они говорят правильные слова про инновации и одновременно защищают старый уклад, потому что в нем все привычно, а значит комфортно.

ИИ задевает все слои одновременно. Он требует данных, поэтому затрагивает инфраструктуру. Он требует описанных процессов, поэтому трогает операционную модель. Он требует ответственного владельца результата, поэтому касается власти.

Маленькая ИИ-компания получает преимущество за счет чистого старта. У нее тоже будут ошибки, костыли и неудачные решения, но они еще не превратились в корпоративный скелет. Их можно исправить быстро, пока вокруг них не выросли должности, бюджеты, комитеты и политические интересы.

04.Сопротивление как человеческий фактор

В корпоративных трансформациях люди редко говорят прямо: «Оставьте нас в покое, у нас и так все хорошо работает». Хотя и такое я слышал не раз. Люди говорят иначе: «Давайте пока не будем это трогать, мы уже пробовали — не взлетело», «Нам сейчас немного не до этого, есть задачи поважнее», «Доступы пока дать не получится, нужно сначала разобраться с безопасностью».

Звучит логично. Часто в этих фразах действительно есть часть правды. Да, риски существуют, безопасность важна, а работающую систему нельзя ломать резким движением. Проблема в том, что осторожность превращается в способ ничего не менять.

Один руководитель может заблокировать целое направление, просто не отдавая данные. Другой департамент может месяцами согласовывать инициативу, а какая-нибудь команда может формально участвовать в трансформации, но продолжать работать по-старому, пассивно саботируя трансформацию.

Старая система умеет себя защитить, но редко делает это напрямую. Она создает «вязкость». Вязкость согласований, встреч, уточнений, комитетов, дополнительных условий и внутренних исключений. В какой-то момент энергия трансформации уходит на преодоление этого болота.

Люди сопротивляются не только из-за лени или глупости. Часто они защищают понятный им мир. Их профессиональная идентичность, статус, команда, budget и влияние были выстроены внутри старой системы. ИИ-трансформация предлагает другой способ работы, где часть старых преимуществ исчезает. Для одних это возможность вырасти. Для других — угроза.

В маленькой ИИ-компании спрятаться за согласованиями почти невозможно. Это как запутаться в трех соснах: если команда тратит силы на внутреннюю вязкость, то продукт просто не выйдет на рынок.

05.ИИ-инициативы разбросаны по департаментам

Когда большая компания начинает заниматься ИИ без единого архитектурного контура, внутри быстро возникает феодальная раздробленность. Каждый департамент создает свою маленькую ИИ-стратегию. Одни покупают инструменты. Другие нанимают инженеров. Третьи сами строят собственных агентов. Четвертые изобретают свой RAG. Пятые запускают пилоты, которые никто потом не выводит в прод. А остальные разрабатывают внутреннюю платформу, хотя еще не пробовали готовые решения.

Сначала это выглядит как здоровая активность: много команд занимаются делом. Через какое-то время становится понятно, что компания расходует силы в разные стороны. Одни и те же задачи решаются несколько раз. Данные используются без единого источника истины. Инструменты дублируются. Безопасность каждый раз обсуждается заново. Команды спорят о методологии. Решения не переиспользуются. Пилоты не масштабируются. В итоге деньги уходят, а эффект размазывается.

Центр компетенций нужен для того, чтобы ИИ в компании стал управляемой системой. Такой центр задает методологию, стандарты работы с данными, правила безопасности, архитектурные принципы, переиспользуемые компоненты, требования к выводу решений в прод и проводит образовательные тренинги.

Смысл такого центра — накопление опыта и снижение стоимости каждого следующего внедрения. Первая команда прошла через ошибку — вторая должна пройти этот путь быстрее, получив опыт. Один агент был выведен в прод — следующий должен использовать уже согласованный подход. Автоматизировали процесс — похожий процесс в другом департаменте должен брать готовые компоненты. Согласовали один шаблон безопасности — он должен стать стандартом.

В новой ИИ-компании центр компетенций часто сначала находится в голове основателя или сильного ИИ-сооснователя. Архитектура, продукт, продажи, данные и агенты связаны напрямую. Команда не тратит месяцы на синхронизацию внутренних княжеств, потому что эти княжества еще не появились. И если компания изначально строится правильно, скорее всего, уже не появятся.

06.ИИ-команда получает ответственность без мандата

Самая тяжелая ситуация возникает, когда ИИ-трансформация существует отдельно от общей стратегии компании. На уровне слов все согласны, что ИИ важен. В презентациях он подсвечен как главный приоритет. На встречах звучат слова поддержки, но реальность бывает сурова.

Найм инженеров идет медленно. Безопасность не готова быстро согласовывать новых агентов. Инфраструктура не позволяет деплоить решения в прод. Продуктовые команды находятся на разном уровне зрелости. Разработчики заняты более срочными задачами. Бизнес хочет быстрых эффектов, но не выделяет владельцев процессов. Департаменты защищают свои планы, а централизованная ИИ-команда формулирует запросы и каждый раз упирается в чужие ограничения.

В итоге ИИ-команда стоит с протянутой рукой. Ей приходится уговаривать, объяснять, доказывать, согласовывать, ждать, а потом снова объяснять. Получение каждого доступа превращается в отдельный квест.

ИИ-трансформация должна быть встроена в стратегию компании как способ достижения ключевых бизнес-целей. Если главная задача бизнеса — миграция ядра, ИИ должен помогать миграции ядра. Если главная задача — ускорение вывода продуктов, ИИ должен менять процесс разработки продуктов. Если главная задача — снижение затрат, ИИ должен быть привязан к конкретным процессам, метрикам и владельцам.

Когда такой связки нет, ИИ так и остается хайповым словом в презентации: важным, обсуждаемым, перспективным, но вторичным. В большой компании ИИ-команда часто отвечает за трансформацию, но не управляет условиями, от которых зависит результат. В маленькой ИИ-компании такого зазора почти нет: тот, кто отвечает за результат, обычно может сразу менять систему.

07.Инструменты сами по себе не меняют способ работы

Компания может выдать людям ИИ-инструменты, но наличие инструмента еще не означает умение им пользоваться. Можно дать разработчикам Claude Code, часть команды попробует, получит не тот результат — и быстро сделает вывод, что это не работает.

Но часто проблема не в инструменте. Проблема в том, что человек продолжает работать по-старому: сам формулирует задачу, сам держит контекст в голове, сам проверяет результат, сам исправляет ошибки и воспринимает ИИ как помощника, а не как исполнителя, которому нужно правильно поставить задачу, дать контекст, задать критерии качества и организовать проверку.

Люди должны получить новую роль в системе. Поэтому нужно менять мышление: не «как мне быстрее закрыть эту задачу?», а «как мне поручить эту задачу агенту так, чтобы он сделал ее с нужным мне результатом?».

Для этого людей нужно учить. Не только показывать кнопки и инструменты, а менять сам формат работы: как декомпозировать задачу, как писать спецификации, как передавать контекст и задавать ограничения, как проверять результат и строить цепочку из исполнителя и критика.

То же самое происходит не только в разработке. В бизнес-функциях сотрудники часто просто загружают в GPT большой массив данных, получают обобщенный или сгаллюцинированный ответ, а потом долго перепроверяют его вручную и разочаровываются. Хотя задачу можно было собрать иначе: разделить данные, ограничить контекст, задать формат вывода и подключить критика.

С новым способом мышления человек перестает быть исполнителем и становится архитектором процесса и менеджером ИИ-агентов. Поэтому внедрение ИИ не сводится к выдаче инструментов. Эффект появляется, когда люди начинают работать по-новому. В новой ИИ-компании инструменты становятся новой операционной системой.

08.Сильные специалисты не хотят быть ресурсом в старой системе

В любой трансформации есть люди, чье реальное влияние гораздо больше их должности в оргструктуре. Это сильные инженеры, архитекторы, аналитики, продакты и все те, кто действительно понимает, как работают технологии, где лежат данные, как устроен продукт, какие процессы можно автоматизировать и где компания теряет деньги. Именно на таких лидерах обычно держится реальная ИИ-трансформация.

Проблема в том, что сильные специалисты все хуже переносят роль «ресурса» в старой корпоративной системе. Они не хотят месяцами ждать согласований, доказывать очевидное на пяти комитетах, делать презентации вместо продукта и быть ответственными за результат, не имея права менять систему.

Когда талантливый человек видит, что его энергия уходит не на создание нового, а на борьбу с внутренним сопротивлением, то он быстро задает себе вопрос: зачем мне тратить часть жизни на обслуживание чужого легаси?

Раньше у корпораций было сильное преимущество: деньги, масштаб, стабильность и доступ к большим задачам. Сегодня часть этого преимущества съедается ИИ-инструментами. Маленькая команда с сильными людьми, агентами и доступом к рынку может делать то, для чего раньше требовался большой департамент.

Поэтому сильный специалист все чаще выбирает не роль винтика в большой машине, а возможность самому собрать машину. В новой ИИ-компании такой человек сразу влияет на архитектуру, продукт, данные, процессы и бизнес-модель. Он видит прямую связь между своим решением и результатом. Сделал агента — ускорил процесс. Пересобрал воронку — выросли продажи. Улучшил продукт — клиент сразу почувствовал ценность.

Для сильных специалистов это очень важно. Они хотят не просто выполнять задачи, а строить систему. Не просто закрывать тикеты, а быть соавтором результата. Здесь возникает следующий вопрос: если человек уже умеет ставить задачи ИИ, управлять агентами и создавать результат с меньшей командой, зачем ему обязательно работать в найме на кого-то? Тут главный вопрос уже не в инструментах, а в капитале, времени и доступе к рынку.

09.Культура инноваций рождается вокруг большой цели

Инженерная культура возникает вокруг вызова. Амбициозная миссия, платформа со сложной архитектурой, крутые продукты, R&D и публикации — что-то, ради чего сильному человеку интересно проснуться утром и включить мозг на полную катушку.

Когда такой цели нет, трансформация скукоживается до оптимизации текущих процессов. Да, оптимизация важна. Она снижает стоимость, ускоряет деливери, сокращает ручной труд и повышает качество. Но одной оптимизации мало для культуры инноваций. Люди чувствуют, что их зовут не строить будущее, а чинить старую машину, чтобы она еще немного проехала.

В этот момент возникает усталость. Сильные люди не хотят бесконечно обслуживать чужое легаси. Они хотят создавать, понимать, что их работа складывается во-что-то большее, чем очередной квартальный план.

Когда ИИ-трансформация превращается во внутренний проект повышения эффективности, у нее быстро появляется потолок. Она может дать экономию и ускорение, но редко дает новую энергию для созидания. А без энергии сильных людей большая компания не меняется.

ИИ-компания с нуля почти всегда строится вокруг вызова. Нужно найти рынок, собрать продукт, доказать ценность клиенту, выжить и вырасти. Эта борьба создает энергию, которую старой компании приходится искусственно создавать через стратсессии, мотивационные речи и корпоративные программы изменений.

10.Попытка изобрести велосипед

У многих крупных компаний есть интересная привычка: разрабатывать внутри все, до чего можно дотянуться. Своих агентов, свою платформу, свой фреймворк — в общем, все, что уже есть на рынке.

Иногда это оправдано. Особенно в областях, где есть критические данные, уникальная экспертиза или стратегическое преимущество. Но часто это проявление корпоративного эго. Компания еще не научилась быстро внедрять готовые инструменты, но уже хочет строить собственную ИИ-платформу. Данные не приведены в порядок, но уже обсуждается обучение моделей. Процессы не описаны, но уже создается команда агентов.

Это создает ощущение движения. Но на деле компания уходит в долгий внутренний R&D там, где нужно было быстро проверить гипотезу, взять готовый инструмент, адаптировать его, встроить в процесс, измерить эффект и только после этого решать, нужна ли собственная разработка.

В ИИ-трансформации важно отличать ядро конкурентного преимущества от инфраструктурного тщеславия. Свое нужно строить там, где это дает стратегический контроль, уникальную скорость, безопасность или новый продуктовый эффект. Все остальное лучше покупать, адаптировать и заменять по мере необходимости.

Большая компания часто проигрывает не из-за нехватки ресурсов, а потому, что тратит ресурсы на уже решенные задачи. Маленькая ИИ-компания не может позволить себе такую роскошь. Ей нужно быстро добраться до клиента, ценности и выручки. Она берет готовое, проверяет гипотезу, оставляет то, что работает, и выбрасывает лишнее.

Так почему иногда ИИ-компанию проще запустить с нуля

Параллельно с корпоративными трансформациями я вижу другую картину. Предприниматели, инженеры и мои студенты запускают новые продукты с нуля без инвесторов и больших команд. Они сами строят процессы, принимают решения, общаются с клиентом и развивают бизнес вокруг ИИ, данных и коротких циклов проверки гипотез.

У них нет старой системы, которую нужно долго переделывать, внутренней политики и нет десятков департаментов с сотнями согласований. Один человек с агентами уже не равен тому одному человеку из старой экономики. Маленькая команда с правильно собранной операционной системой на базе ИИ может выполнять объем работы, который раньше требовал целых отделов.