Проблемы внедрения ИИ: 10 ошибок, из-за которых проекты проваливаются
Почему внедрение ИИ в компании заканчивается ничем: нет метрики, автоматизируют хаос, нет данных, привязка к одному поставщику, теневой ИИ, дыры в безопасности. Десять ошибок и что делать вместо каждой.

Проблемы внедрения ИИ почти никогда не связаны с самими нейросетями. Модели сейчас сильные и дешёвые, а проекты всё равно тихо умирают: подписку отключили, бота убрали с сайта, команда вернулась к таблицам. Я разбираю такие истории у новых клиентов и вижу одни и те же десять ошибок. Ниже каждая из них и то, что делать вместо неё. Если вы только планируете старт, сверьтесь со списком до того, как потратите первый рубль.
Коротко:
- ИИ-проекты проваливаются из-за организации, а не из-за моделей: нет метрики, нет владельца, нет данных, нет обучения.
- Самая дорогая ошибка — автоматизировать хаос. Сначала договориться, как процесс должен работать, потом отдавать его агенту.
- Привязка к одному поставщику моделей в России — риск стабильности: Anthropic и OpenAI официально не обслуживают Россию.
- Теневой ИИ (сотрудники сами несут данные в любые чаты) опаснее, чем отсутствие ИИ. Лечится не запретом, а нормальным инструментом и правилами.
- Каждую ошибку можно поймать на старте одним вопросом. Вопросы — в таблице в конце статьи.
Это не только наша проблема
В августе 2025 года Fortune пересказал отчёт MIT NANDA «The GenAI Divide: State of AI in Business 2025»: около 95% пилотов генеративного ИИ в компаниях не дали измеримого финансового эффекта. Главную причину авторы видят не в качестве моделей, а в том, как инструменты встроены (или не встроены) в работу компании (Fortune). Выборка там небольшая и американская, но вывод совпадает с тем, что я вижу в российском малом и среднем бизнесе: ломается не технология, ломается внедрение.
Ошибка 1. Нет метрики
Самая частая. Проект запускают «чтобы было», а через три месяца никто не может сказать, стало лучше или нет. Без цифры любое мнение равноценно: менеджеру бот мешает, собственнику кажется, что помогает, бухгалтер видит только расходы.
Что делать. До старта записать одну метрику и её текущее значение: часы на задачу в неделю, время до первого ответа клиенту, доля потерянных заявок, число ошибок в документах. Как вести замер до и после и отчитываться собственнику — в статье про окупаемость ИИ.
Ошибка 2. Автоматизация хаоса
Если каждый менеджер ведёт заявку по-своему, а регламент существует только в голове руководителя, агент ускорит этот беспорядок. Он будет быстро и уверенно делать то, о чём в компании никто не договорился.
Что делать. Описать процесс на одной странице: вход, шаги, кто решает, что на выходе. Иногда уже на этом этапе находится половина экономии, и ИИ даже не нужен.
Ошибка 3. Нет данных
Агент для продаж без CRM, бот поддержки без базы знаний, «умная аналитика» поверх трёх несвязанных таблиц. Модель отвечает, но отвечает выдумками или общими словами.
Что делать. Сначала свести данные: заявки в CRM, документы в одно место с понятными версиями, источники рекламы связать со сделками. Для ответов по документам — RAG, чтобы модель опиралась на ваши материалы, а не сочиняла. Это скучная часть, и именно её чаще всего пропускают.
Ошибка 4. Один поставщик моделей
Весь проект построен на одной нейросети, промпты и интеграции написаны под неё, замены нет. Для России это особенно больно. Anthropic и OpenAI официально не обслуживают Россию: ни приложения, ни API (Anthropic, Supported Regions). По данным СМИ, к январю 2026 года в России ограничили работу более 400 VPN-сервисов, а в 2025–2026 годах прошло несколько волн сбоев протоколов. Процесс, который зависит от нестабильного доступа, однажды встанет.
Что делать. Держать модель заменяемой деталью. Слой между бизнес-логикой и моделью, тесты на своих задачах, запасной вариант: китайские модели через российские облака (Yandex AI Studio, MWS Cloud), GigaChat или открытая модель на своём сервере. Подробнее — в статье на чём работать с ИИ-агентами, когда режут VPN.
Ошибка 5. Команду не учили
Подрядчик настроил, показал один раз и ушёл. Сотрудники не понимают, как ставить задачу агенту, когда ему доверять и что делать, если он ошибся. Через месяц инструментом пользуется один энтузиаст.
Что делать. Закладывать обучение в проект с первого дня, на реальных задачах сотрудников, а не на абстрактных курсах. Внутри компании нужен человек, который отвечает за агентов и дописывает правила. Как я это строю — в статье про обучение команды работе с ИИ.
Ошибка 6. Теневой ИИ
Компания «ещё не внедрила ИИ», а сотрудники давно пользуются им сами: копируют договоры, выгрузки клиентов и переписку в первый попавшийся чат на личном аккаунте. Руководство об этом не знает, данные уходят неизвестно куда.
Что делать. Запрет не работает: люди будут пользоваться тайком. Работает нормальный корпоративный инструмент плюс короткие правила: какие данные можно отправлять в модель, какие нельзя, куда идти с вопросом. Подробности — в статье ИИ и безопасность данных.
Ошибка 7. Безопасность «потом»
Агенту дали полный доступ к CRM, почте и файлам, «чтобы не мешать». Никто не подумал, что будет, если в письмо клиента вставят скрытую инструкцию для модели или если агент ошибётся и удалит записи.
Что делать. Минимальные права с первого дня: агент читает только то, что нужно для задачи, а необратимые действия (отправить деньги, удалить, разослать всем) подтверждает человек. Персональные данные — только там, где это законно, решение о передаче за рубеж принимать вместе с юристом.
Ошибка 8. Бот, который отвечает на всё
Задача сформулирована как «умный ассистент для всего». В итоге он везде слабый: продажам не помогает, поддержке мешает, собственнику не нужен.
Что делать. Одна узкая задача с понятным результатом. Не «бот для клиентов», а «ответить на вопрос о сроках и стоимости и взять контакт». Не «помощник руководителя», а «утренняя сводка по заявкам и деньгам». Расширять, когда первая задача показала цифру.
Ошибка 9. Никто не читает ответы
Агента запустили и забыли. Первые две недели он ошибается так же, как любой новый сотрудник, но разбирать ошибки некому. Клиенты получают странные ответы, доверие к инструменту падает.
Что делать. Первые две недели читать каждый ответ или хотя бы выборку каждый день. Все правки — в правила агента. Потом выборочная проверка раз в неделю и разбор жалоб.
Ошибка 10. Год на стратегию
Обратная крайность: «сначала стратегия цифровой трансформации», ТЗ на сто страниц, тендер, запуск через полгода. За это время меняются и модели, и цены, и сам бизнес.
Что делать. Короткий цикл: аудит за неделю, первая автоматизация за дни, разбор результатов раз в две недели. Стратегию держать на одной странице и пересматривать раз в квартал — шаблон есть в статье ИИ-стратегия компании на 2027 год.
Как поймать ошибки на старте
| Ошибка | Вопрос, который её ловит | Хороший ответ |
|---|---|---|
| Нет метрики | По какой цифре через месяц поймём, что сработало? | Одна метрика с текущим значением |
| Автоматизация хаоса | Процесс описан? Все делают одинаково? | Да, на одной странице |
| Нет данных | Откуда агент возьмёт факты? | CRM, база знаний, документы с версиями |
| Один поставщик | Что будет, если модель станет недоступна завтра? | Переключим на запасную за часы |
| Нет обучения | Кто будет пользоваться и дописывать правила? | Конкретный человек в штате |
| Теневой ИИ | Чем сотрудники пользуются сейчас? | Знаем, есть правила и рабочий инструмент |
| Безопасность | Какие права у агента? Что он может сломать? | Минимальные, опасное подтверждает человек |
| Бот для всего | Какую одну задачу он решает? | Одна задача, один результат |
| Никто не читает | Кто проверяет ответы первые две недели? | Ответственный, каждый день |
| Год на стратегию | Когда первый результат на реальных данных? | Через дни или неделю |
Если хотя бы на три вопроса нет хорошего ответа, проект лучше не начинать, а сначала закрыть эти дыры. Это дешевле, чем потом объяснять команде, почему «ИИ нам не подошёл».
Что объединяет удачные проекты
По моему опыту у проектов, которые дожили до результата, есть общие черты. Собственник участвует в первые недели лично. Задача начинается с потери денег или времени, а не с технологии. Метрика записана до старта. Модель можно заменить. Команда умеет работать сама, без подрядчика за плечом. Примеры с цифрами — в статье кейсы внедрения ИИ из моей практики: например, ИИ-квалификатор для юридической фирмы снизил стоимость лида на 45% и поднял средний чек на 30%, потому что до юристов стали доходить понятные запросы.
Частые вопросы
Какая проблема внедрения ИИ самая частая? Отсутствие метрики. Без цифры «до» невозможно доказать эффект, и проект закрывают при первом сокращении бюджета.
Можно ли запретить сотрудникам пользоваться нейросетями, чтобы не было утечек? Запрет обычно уводит использование в тень. Надёжнее дать рабочий инструмент с понятными правилами о том, какие данные можно отправлять.
Наш проект уже буксует. Перезапускать с нуля? Чаще нет. Достаточно пройтись по таблице выше, найти две-три дыры, сузить задачу и записать метрику. Хорошие куски обычно можно сохранить.
Сколько нужно времени, чтобы понять, работает ли внедрение? Для частых задач хватает двух-четырёх недель с замером до и после. Для редких процессов, вроде крупных сделок, период нужен дольше.
Можно ли обойтись без подрядчика? Да, если внутри есть человек, который возьмёт на себя аудит, данные и обучение. Подрядчик ускоряет старт и помогает не наступить на эти десять граблей.
Если проект уже запущен и не даёт результата или вы хотите сразу начать правильно, посмотрите, как устроен турбо-рефакторинг бизнеса. Или напишите в Telegram, что внедряли и где застряли, — подскажу, какую из десяти ошибок закрыть первой.
Похожие статьи: Внедрение ИИ в бизнес в 2026: план для собственника · Кейсы внедрения ИИ: шесть историй с цифрами