Защо над 75% от пилотните проекти с AI все още не достигат до реална експлоатация и как да го поправим

Защо 75% от пилотните проекти с изкуствен интелект не успяват да достигнат до производство и как да го поправим

Всяка седмица друга средно голяма компания обявява пилотен проект с изкуствен интелект. Шест месеца по-късно той тихо изчезва. Моделът работеше в демонстрацията. Заинтересованите страни бяха развълнувани. Доставчикът обеща възвръщаемост на инвестициите. И въпреки това нищо не се случи в производство, нищо не се промени и бюджетът беше изразходван.
Това не е лош късмет. Това е закономерност. И след като изградихме системи с изкуствен интелект в здравеопазването, финансите, логистиката и медиите, включително система, която спечели наградата „Кампания за задържане на абонаменти на годината“ на наградите „Веснаци и списания“ през 2025 г., видяхме точно защо се случва това.
Ето петте причини, поради които пилотните проекти с изкуствен интелект не успяват да достигнат до производство, и какво да правим вместо това.

1. Пилотният проект е проектиран да впечатли, а не да се внедри

Повечето пилотни проекти с изкуствен интелект са създадени, за да демонстрират възможности, което означава да покажат какво е технически възможно. Те работят с чисти, подбрани данни. Оценяват се в контролирани условия. Представят се на заинтересованите страни, които не знаят какви въпроси да зададат.
Производственият проект не е нищо подобно.
Производственият проект означава мръсни, непълни, постоянно променящи се данни. Това означава, че вашият модел трябва да работи в 2 часа сутринта, когато никой инженер не наблюдава. Това означава интеграция със стари системи, които не са проектирани да комуникират с нищо. Това означава обработка на гранични случаи, които не са се появили в пилотния набор от данни.

Решението: Проектирайте за производство от първия ден. Преди да напишете и един ред код, запитайте се: къде ще работи този модел, кой ще го поддържа, какво се случва, когато се повреди и как ще разберем дали се деградира? Ако не можете да отговорите на тези въпроси, вашият пилотен проект никога няма да се превърне в продукт.

2. Проблемът с данните беше игнориран

Gartner изчислява, че лошото качество на данните струва на организациите средно 12,9 милиона долара годишно. То също така унищожава повече проекти за изкуствен интелект, отколкото който и да е технически недостатък.
Моделът е винаги един и същ: наема се доставчик, вълнението расте и след два месеца някой открива, че данните, необходими за обучение на модела, са разпръснати в четири системи, частично дублирани, непоследователно етикетирани и в някои случаи просто не съществуват.
В този момент доставчикът или надгражда върху лоши данни (създавайки модел, който изглежда работи, но не успява в производството), или проектът спира, докато се определя обхватът на отделно усилие за инженерство на данни.

Решението: Проведете оценка на готовността на данните, преди да започнете разработването на какъвто и да е модел. Картографирайте източниците си на данни, оценете качеството и пълнотата, идентифицирайте пропуските и изградете процес за тяхното запълване. Това добавя седмици към срока, но спестява месеци преработка. Правим това като първа стъпка при всеки ангажимент и това е най-важното нещо, което можете да направите.

3. Никой не го притежава, след като доставчикът напусне

Това е най-често срещаният режим на неуспех, който наблюдаваме в средните компании.
Консултантска компания изгражда модела, предава го и напуска. Три месеца по-късно производителността на модела се е влошила, защото разпределението на основните данни се е променило. Никой от вътрешния екип не знае как да го преобучи. Доставчикът е по друг проект. Моделът е тихо изключен.
Системите с изкуствен интелект не са статичен софтуер. Те изискват непрекъснато наблюдение, периодично преобучение и някой, който разбира какво прави моделът и защо. Без вътрешен собственик или дългосрочен партньор, който предоставя тази функция, производственият изкуствен интелект не е устойчив.

Решението: Дефинирайте модела на собственост след внедряването, преди да започне проектът. Кой следи производителността? Кой решава кога да се преквалифицира? Кой се справя с инцидентите? Ако нямате вътрешна експертиза в областта на изкуствения интелект, или я наемете, или наемете външен партньор, който да предоставя постоянна поддръжка. Цената за изграждане е само част от инвестицията.

4. Управлението на промените беше последваща мисъл

Техническият екип изгражда модел, който работи. Бизнесът никога не го възприема.
Това се случва по-често, отколкото някой признава. Кредитен екип, който не се доверява на рисковите оценки на модела. Екип за обслужване на клиенти, който игнорира препоръките на изкуствения интелект. Търговски екип, който продължава да използва интуицията си пред системата за прогнозиране на потенциални клиенти.
Изкуственият интелект не замества автоматично човешката преценка. Той трябва да спечели доверие чрез прозрачност, обяснимост и постоянни резултати. Ако хората, които използват системата, не разбират как тя работи или защо взема решенията, които взема, те няма да я използват.

Решението: Включете крайните потребители от самото начало. Обяснете какво прави моделът и какво не. Покажете им случаи, в които е правилен, и случаи, в които е грешен. Дайте им механизъм за обратна връзка. Вградете обяснимост в дизайна на системата, а не като допълнителна мисъл. Приемането е проблем на продукта и хората, а не само технически.

5. Първо е избран грешен случай на употреба

Не при всеки ИИ възможностите са равни. Най-добрият първи случай на употреба е този, при който:

• Данните вече съществуват и са сравнително чисти
• Резултатът е измерим и ясно дефиниран
• Въздействието върху бизнеса е достатъчно значително, за да оправдае усилията
• Рискът от неуспех е ограничен

Много компании избират първия си случай на употреба на ИИ въз основа на това какво звучи вълнуващо, какво е предложил доставчикът или какво правят конкурентите. В крайна сметка те изграждат сложна генеративна система с ИИ, когато един прост прогнозен модел би донесъл по-голяма стойност по-бързо.

Решението: Съпоставете възможностите си за ИИ с най-висока стойност спрямо наличността на данни и сложността на внедряването. Започнете със случай на употреба в долния десен ъгъл на тази матрица: висока стойност, ниска сложност. Спечелете там първо. Използвайте този успех, за да изградите вътрешно доверие и да си осигурите бюджет за по-трудни проблеми.
Какво е общото между успешните внедрявания на изкуствен интелект?

В проектите, които сме реализирали, от откриване на ЕКГ сигнал в медицински устройства до задържане на абонаменти с изкуствен интелект за един от водещите световни доставчици на финансови новини, моделът за успех е постоянен:

• Те започват с бизнес проблема, а не с технологията. Въпросът никога не е „как можем да използваме изкуствен интелект?“. Въпросът е „какво решение се опитваме да подобрим?“.
• Те третират данните като инфраструктура. Преди да бъде изграден който и да е модел, каналът за данни се проектира, тества и се притежава от някой вътрешно.
• Те планират производството от първия ден. Мониторингът, преобучението, реагирането на инциденти и собствеността се определят преди обучението на първия модел.
• Те измерват това, което е важно. Не само точността на модела, но и бизнес резултатите. Процентът на задържане. Цена на решение. Приход на клиент. Това са числата, които оправдават продължаващите инвестиции.

Въпросът, който трябва да си зададете преди следващия си проект с изкуствен интелект

Преди да одобрите друг пилотен проект, задайте на екипа си един въпрос:

„Кой ще притежава тази система след 12 месеца и как ще разберем дали работи?“ Ако можете да отговорите ясно на това, значи сте готови. Ако не можете, започнете оттам.