Почему компании вкладывают миллионы в неподходящие решения в области ИИ и как другая архитектура меняет всё

Для успеха в сфере ИИ не требуется хранилище данных: этот архитектурный секрет экономит компаниям годы

Компании вкладывают миллионы и тратят драгоценные месяцы на поиски идеальной модели ИИ и попытки консолидировать все свои корпоративные данные. Но суровая реальность, о чем свидетельствует тревожно высокий процент неудач, показывает, что проекты в области ИИ почти никогда не терпят неудачу из-за выбранного алгоритма. Они терпят неудачу из-за устаревших архитектур данных и фатального предположения о том, что данные должны быть централизованы и нетронуты, прежде чем искусственный интеллект сможет принести реальную пользу. В этой статье рассматривается, почему так называемая «ловушка консолидации» нарушает сроки, почему процент неудач до 80 процентов является нормой для корпоративного ИИ и как современные подходы к «архитектуре знаний» элегантно решают эту проблему. Те, кто понимает, что интеллектуальным системам нужны взаимосвязанные, а не централизованные данные, могут сократить время внедрения с нескольких лет до нескольких дней — и, наконец, добиться измеримого успеха своей стратегии в области ИИ.

В связи с этим:

• UNFRAME.AI: Быстрое внедрение ИИ — это проблема данных, а не проблема модели

Внедрение ИИ терпит неудачу не из-за модели, а из-за архитектуры данных

Сегодня любой, кто задумывается о внедрении искусственного интеллекта в свой бизнес, неизбежно задает первый вопрос: какая модель лучше всего подходит для нашего случая? GPT-4, Claude, Gemini, Llama, Mistral – команды неделями сравнивают скорость вывода, стоимость токенов и точность со стандартизированными эталонами. Затем принимается решение, запускается проект интеграции, и сроки растягиваются с недель до месяцев, а затем до «Мы вернемся к этому в следующем квартале». Модель никогда не была препятствием. Модель почти никогда им не является. Что действительно определяет, сможет ли компания продуктивно внедрить ИИ за дни или двенадцать месяцев, так это то, как она обрабатывает данные – не только объем, не только качество, но и то, как данные связаны с системой ИИ для получения надежных результатов в рабочих процессах, которые действительно имеют значение.

Там, где месяцы фактически исчезают

Имеющиеся эмпирические данные по этой теме ясны и отрезвляют. Исследование Gartner показывает, что только 48 процентов всех корпоративных проектов в области ИИ доходят от прототипа до производства. Средний путь от первоначальной идеи до продуктивной эксплуатации занимает примерно от восьми до восемнадцати месяцев. Разбив этот временной промежуток на более мелкие этапы, можно увидеть распределение: выбор модели, тонкая настройка и оперативное проектирование обычно занимают несколько недель. Наибольшая часть — от 60 до 80 процентов от общего объема работ, по оценкам экспертов отрасли, — уходит на обработку данных.

Достаточно лишь представить, что включает в себя миграция данных: инвентаризация существующих данных, определение мест хранения, построение конвейеров передачи данных, очистка и нормализация данных, проверка результатов работы ИИ на соответствие используемым входным данным — и затем повторение всей процедуры, если заинтересованные стороны сочтут, что первоначальный источник данных был недостаточно полным. Это не просто теоретическая жалоба на переизбыток данных; это повседневная реальность тысяч компаний по всему миру.

Эндрю Нг, одна из самых влиятельных фигур в области машинного обучения, много лет назад сделал наблюдение, которое цитировалось так часто, что утратило свою актуальность: примерно 80 процентов всей работы в машинном обучении тратится на подготовку данных. Он не сказал, что это проблема, которую следует оплакивать, а скорее, что безопасность и качество данных становятся центральной задачей для команды, занимающейся ИИ. Исследования Gartner, Deloitte и McKinsey постоянно подтверждают эту оценку: большинство неудач проектов ИИ связаны с проблемами в основе данных, а не с алгоритмическими недостатками — показатели неудач варьируются от 70 до 85 процентов в зависимости от исследования. Модель — это простая часть. Архитектура данных — это сложная часть. А сложная часть определяет сроки.

Ловушка консолидации, разрушающая временные рамки

Существует закономерность, которая неизменно увеличивает задержку корпоративных проектов в области ИИ на шесть-двенадцать месяцев. Команда определяет ценный вариант использования. Необходимые данные хранятся в четырех разных системах. Кто-то говорит: «Прежде чем мы сможем внедрить ИИ здесь, нам нужно консолидировать наши данные». Запускается проект по созданию хранилища данных. Назначается команда по интеграции. К тому времени, когда данные наконец очищены, объединены и «готовы к ИИ», бизнес-потребности меняются, руководитель проекта меняет компанию, и проект откладывается.

Это ловушка консолидации, и она является причиной большего числа неудачных инициатив в области ИИ, чем любое ограничение модели. Исходное предположение звучит разумно: ИИ нужны чистые, централизованные данные для функционирования. Однако оно в корне неверно. ИИ не нужны централизованные данные. Ему нужны взаимосвязанные данные. Разница между этими двумя понятиями подобна разнице между проектом по созданию хранилища данных, рассчитанным на двенадцать месяцев, и развертыванием, которое можно запустить за несколько дней.

Взаимосвязанные данные означают, что система ИИ может вмешиваться в системы, где данные уже находятся, извлекать необходимую информацию, понимать взаимосвязи между сущностями за пределами системных границ и предоставлять результаты, учитывающие полный контекст. Именно этого и достигают так называемые архитектуры «структуры знаний»: они создают семантический слой поверх существующих источников данных, не требуя их предварительной консолидации в едином хранилище. Данные остаются там, где они есть. Интеллектуальный слой связывает их. Репозитории метаданных, отслеживание происхождения данных и общие правила управления становятся неотъемлемыми компонентами этой архитектуры, без необходимости предварительного монолитного проекта миграции.

Это архитектурное решение отличает организации, которые внедряют ИИ за считанные дни, от тех, кто все еще «подготавливает» свои данные спустя год. Первые смирились с тем, что их данные никогда не будут идеальными, и разработали слой ИИ, работающий с операционной реальностью. Вторые же ждут состояния данных, которое никогда не наступит, потому что корпоративные данные — это живой организм. Они постоянно меняются, растут и фрагментируются. Ожидание этого состояния подобно ожиданию финишной линии, которая постоянно смещается.

Поразительно высокий процент отсева и что он говорит о приоритетах

Согласно опросу S&P Global Market Intelligence, проведенному среди более чем 1000 компаний в Северной Америке и Европе, в 2025 году 42% фирм прекратят большинство своих инициатив в области ИИ — это значительное увеличение по сравнению с 17% в предыдущем году. В среднем организация откажется от 46% своих пилотных проектов в области ИИ до того, как они достигнут стадии внедрения в производство. Gartner также прогнозирует, что к концу 2027 года 40% всех проектов в области ИИ на основе агентов будут прекращены из-за роста затрат, неясной коммерческой ценности и неадекватного управления рисками. А предыдущие прогнозы Gartner предупреждали, что к 2026 году примерно 60% всех проектов в области ИИ, не построенных на основе данных с поддержкой ИИ, будут прекращены.

Инициатива MIT-NANDA выявила, что 95 процентов пилотных проектов генеративного ИИ в компаниях не смогли достичь измеримой рентабельности инвестиций. Этот вывод требует нескольких критических оценок: методология исследования — 52 интервью, измерение успеха в течение шести месяцев — вызывает споры, а обобщаемость полученных данных на компании всех размеров вызывает сомнения. Тем не менее, другие источники подтверждают основную предпосылку: на практике оказывается, что решающими узкими местами являются не производительность модели или инструменты, а организационная готовность и качество внедрения. А важнейшим компонентом организационной готовности являются данные — а именно: может ли система ИИ получить доступ к необходимой информации в требуемом формате с необходимыми механизмами управления?

Было бы слишком упрощенно сваливать всю вину за провал исключительно на архитектуру данных. Исследование Cloudflight, проведенное среди 150 немецких руководителей высшего звена в январе 2026 года, показало, что 49 процентов респондентов назвали отсутствие согласованности между ИТ, бизнесом и соблюдением нормативных требований самой большой проблемой. Это организационная проблема, а не чисто техническая. Тем не менее, основной диагноз остается неизменным: те, кто не уточнит обязанности по работе с данными до начала проекта в области ИИ, не смогут построить готовую к производству архитектуру данных. Управление данными для ИИ — это не третий приоритет, а необходимое условие.

Что на самом деле требуется для быстрого развертывания

Если вопрос заключается в том, как быстро внедрить ИИ, честный ответ состоит из трех частей. Ни одна из них не касается выбора модели.

Первое требование касается возможностей подключения. Платформа ИИ должна иметь возможность подключаться к структурированным базам данных, хранилищам неструктурированных документов, платформам SaaS, устаревшим системам и средствам связи без необходимости предварительной нормализации всех данных. Уровень извлечения и абстракции должен уметь обрабатывать документы в различных форматах, сопоставлять извлеченные сущности с единой схемой и передавать исключения для ручной проверки — и все это без необходимости шестимесячного проекта ETL. Компании, не обладающие достаточной API-инфраструктурой для традиционных конвейеров ETL, терпят неудачу на этом первом этапе, поскольку системы ИИ просто не могут получить доступ к тем же источникам данных, что и сотрудники-люди.

Второй момент касается архитектурной модульности. Архитектура платформы должна разделять уровень подключения данных и уровень интеллектуальных функций. Если они тесно связаны, изменение источника данных означает перестройку всего рабочего процесса ИИ. Если же они разделены, добавление нового источника данных — это просто изменение конфигурации. Модульная архитектура в этом контексте — это не просто модное слово. Это механическая причина, по которой одни платформы можно развернуть за несколько дней, а другие — за кварталы. Такие проекты, как Fabric OneLake от Microsoft, демонстрируют, как единый уровень данных — где все рабочие нагрузки выполняются на одном хранилище данных — может значительно уменьшить фрагментацию между областями данных.

Третий пункт касается управления и отслеживаемости. Внедрение должно обеспечивать проверяемые результаты с самого первого производственного запуска — не после фазы валидации, не после цикла контроля качества. Каждый результат должен быть отслежен до исходных данных, каждое решение должно быть объяснимым, и каждый рабочий процесс должен оставлять полный аудиторский след. Это ускоряет внедрение, поскольку альтернативой является отдельный процесс управления, работающий параллельно с внедрением и неизбежно становящийся критическим фактором для запуска в эксплуатацию. Регламент ЕС по ИИ и такие рамочные документы, как NIST AI или ISO/IEC 42001, требуют именно такого встроенного управления — компании, которые рассматривают управление как второстепенный вопрос, будут все чаще не соответствовать нормативным требованиям.

Платформа управляемого ИИ — Изображение: Xpert.Digital

Здесь вы узнаете, как ваша компания может быстро, безопасно и без высоких барьеров для входа внедрить индивидуальные решения на основе искусственного интеллекта.

Управляемая платформа искусственного интеллекта — это комплексное и беззаботное решение для вашего бизнеса в сфере искусственного интеллекта. Вместо того чтобы возиться со сложными технологиями, дорогостоящей инфраструктурой и длительными процессами разработки, вы получаете готовое решение, адаптированное под ваши потребности, от специализированного партнера — зачастую всего за несколько дней.

Основные преимущества с первого взгляда:

⚡ Быстрая реализация: от идеи до готового к использованию приложения за считанные дни, а не месяцы. Мы предлагаем практические решения, которые создают немедленную добавленную стоимость.

🔒 Максимальная безопасность данных: Ваши конфиденциальные данные остаются с вами. Мы гарантируем безопасную и соответствующую законодательству обработку данных без их передачи третьим лицам.

💸 Отсутствие финансового риска: вы платите только за результат. Полностью исключаются высокие первоначальные инвестиции в оборудование, программное обеспечение или персонал.

🎯 Сосредоточьтесь на своем основном бизнесе: сконцентрируйтесь на том, что у вас получается лучше всего. Мы берем на себя всю техническую реализацию, эксплуатацию и обслуживание вашего решения на основе ИИ.

📈 Перспективность и масштабируемость: ваш ИИ растет вместе с вами. Мы обеспечиваем непрерывную оптимизацию и масштабируемость, а также гибко адаптируем модели к новым требованиям.

Более подробная информация здесь:

• Платформа управляемого искусственного интеллекта

Слой семантического интеллекта как конкурентное преимущество

Одним из наиболее интересных направлений в архитектуре корпоративного ИИ за последние два года стало появление слоев семантического интеллекта, накладывающихся на существующие массивы данных. Подходы, основанные на создании «ткани знаний», связывают политики с рабочими процессами, заявки с документацией по продукту, а диалоги с базами знаний, сохраняя семантический и операционный контекст, который теряется при традиционном поиске по ключевым словам или векторам. Каждый элемент помечается тегами происхождения, авторства, версии и временной метки, что означает, что каждый ответ ИИ отслеживаем, объясним и соответствует нормативным требованиям, таким как GDPR или HIPAA.

Компания Microsoft применила аналогичный подход при создании Fabric IQ: вместо работы преимущественно с таблицами, схемами и отдельными моделями бизнес-аналитики, бизнес моделируется как онтология — с сущностями, такими как клиент, заказ или машина, их взаимосвязями, свойствами, правилами и разрешенными действиями. Этот семантический слой становится общим языком как для людей, так и для агентов искусственного интеллекта. Основной принцип тот же, что и в подходе Knowledge Fabric: усилия смещаются от разового, трудоемкого проекта миграции к непрерывному, поэтапному обогащению семантического слоя.

Это свидетельствует о фундаментальном сдвиге в мышлении по сравнению с традиционными подходами к хранилищам данных. Концепция архитектуры Data Fabric направлена ​​не на централизацию, а на взаимосвязь: данные часто остаются там, где они создаются или необходимы, в то время как сеть сервисов, интерфейсов и хранилищ метаданных делает их доступными. Эта идея распределенной доступности не является компромиссом — она архитектурно превосходит традиционные подходы, поскольку учитывает естественную динамику корпоративных данных, а не борется с ней.

Неудача 42 процентов: решена не та проблема

Компании, отказавшиеся от своих инициатив в области ИИ, не обязательно работали с данными худшего качества, чем те, кто добился успеха. Они работали с теми же фрагментированными, непоследовательно отформатированными корпоративными данными, которые есть в каждой организации. Разница в том, что они исходили из предположения, что им потребуется очистить эти данные до внедрения ИИ, вместо того чтобы с самого начала создать архитектуру ИИ, которая будет работать с несовершенными данными.

Корпорация RAND подтвердила, что более 80 процентов проектов в области искусственного интеллекта терпят неудачу — это вдвое выше, чем в проектах, не связанных с ИИ. В финансовом секторе цифры еще более конкретны: согласно исследованию Dun & Bradstreet, 70 процентов проектов в области ИИ в страховых компаниях и 61 процент в банках терпят неудачу из-за неадекватных данных. 55 процентов опрошенных компаний считают низкое качество данных самым большим бизнес-риском в ближайшие годы. Кроме того, 56 процентов банков и 79 процентов страховщиков испытывают ограниченное доверие к собственным данным.

Но даже к этим статистическим данным следует относиться с осторожностью. Исследование Cloudflight показывает, что только 7 процентов компаний считают свои данные полностью готовыми к использованию ИИ. Вопрос не в качестве данных, а в том, не решил ли кто-то, как следует использовать существующие данные для ИИ. Отсутствие полномочий по принятию решений о том, кто разрешает использование каких данных для каких целей, часто является реальной причиной задержек проектов на месяцы. Ни один конвейер обработки данных в мире не может решить эту проблему. Это проблема управления, которую необходимо решить на организационном уровне, прежде чем технические решения смогут принести результаты.

Сравнение затрат на развертывание: недооцененный риск, связанный с ошибочной архитектурой

Традиционное внедрение ИИ в корпоративную среду с использованием классической модели консолидации обходится дорого: подготовка данных занимает от шести до восьми месяцев и составляет от 60 до 80 процентов от общей трудозатрат по проекту. К этому следует добавить от четырех до шести недель на каждую интегрируемую систему в среднем проекте с восемью-пятнадцатью системами. Проверка безопасности и соответствия требованиям занимает от 13 до 25 недель, разработка на заказ – еще от трех до шести месяцев, а тестирование и валидация – от двух до трех месяцев. В конечном итоге, общие инвестиции в первый год составляют от 1,8 до 3,75 миллионов евро – и это только для успешных проектов. Для 85 процентов неудачных проектов эти инвестиции в значительной степени невозвратны.

По мнению Gartner, для компаний, работающих в сфере цепочек поставок, генеративный ИИ теперь находится в «долине разочарования» — фазе цикла ажиотажа, когда неудачи при внедрении перевешивают истории успеха. Причина точно определена: интеграция устаревших систем и требования к управлению данными создают препятствия для развертывания в производственной среде, которые пилотные проекты в контролируемых средах никогда не выявляли. Школа бизнеса Уортона при Пенсильванском университете продемонстрировала, что компании регулярно недооценивают сложность развертывания в производственной среде в три-пять раз — проекты, которые, по оценкам, займут три месяца, на самом деле занимают от 12 до 18 месяцев, если учесть интеграционные работы, аудит безопасности и управление изменениями.

Тем не менее, важно помнить, что период разочарования не является признаком провала технологии. Он знаменует собой переход от нереалистичных ожиданий к трезвой оценке. Организации, которые преодолевают этот этап — решая проблемы интеграции, устраняя проблемы управления данными и повышая операционную зрелость — получают продуктивные системы, обеспечивающие измеримую ценность. Ключевое различие заключается в том, интерпретируют ли организации этот период разочарования как сигнал к тому, чтобы сдаться, или как начало серьезной работы по внедрению.

Ключевой вопрос, который почти никто не задает

Любой, кто оценивает возможности быстрого внедрения ИИ, должен перестать спрашивать: «Какая модель лучше всего подходит для нашего случая?» и вместо этого спросить: «Может ли эта платформа подключиться к нашим данным в их текущем состоянии и предоставить надежные результаты в течение недели?»

Этот вопрос отсеивает 90 процентов подходов, которые увеличат сроки на несколько месяцев. Он отсеивает платформы, для работы с которыми в качестве предварительного условия требуется хранилище данных. Он отсеивает поставщиков, которым требуется шесть недель «исследования», прежде чем они смогут сказать, будет ли их продукт работать с существующими системами. И он выявляет платформы, которые были созданы с нуля для работы с той реальностью данных, с которой сталкивается каждая организация: фрагментированные, распределенные, с несовершенным форматом и не желающие ждать, пока кто-то их очистит.

Вопрос о модели важен, но он второстепенн. Это заключительный этап пути, на котором решающие решения принимаются гораздо раньше — при выборе архитектуры данных, семантических уровней, структур управления и организационных обязанностей. Компании, которые это понимают, внедряют ИИ за считанные дни. Компании, которые этого не понимают, спустя год удивляются, почему их экспериментальная версия до сих пор не запущена в производство.

Три предпосылки, определяющие успех или неудачу

Анализ имеющихся результатов исследований и реального опыта внедрения выявляет три структурных предпосылки для быстрого и устойчивого внедрения ИИ.

Первое требование — техническая взаимосвязь без необходимости консолидации. Архитектура, которая семантически соединяет разнородные источники данных вместо их физической консолидации, устраняет самый большой фактор задержек при развертывании. API в качестве моста между функциями ИИ и существующими системами, гибридные облачные архитектуры для интеграции с устаревшими системами и модульные слои данных, которые могут обновляться независимо от базовой системной архитектуры — вот технические средства. Согласно наблюдениям в отрасли, простое избегание проекта консолидации экономит от шести до двенадцати месяцев.

Второе необходимое условие — ясность организационного управления до начала внедрения. Права принятия решений — кто разрешает доступ к каким данным и для каких целей — должны быть четко определены до написания первой строки кода. Наиболее частая причина задержек проекта — не техническая проблема, а неразрешенные споры между отделами о доступе к данным и обязанностях. Минимальная структура управления, обеспечивающая итеративный подход, предшествует написанию кода модели. Это звучит очевидно, но систематически игнорируется.

Третье требование — это наличие встроенной системы аудита с самого начала. Системы, обеспечивающие полные журналы аудита, происхождение данных и объяснимые решения с первого запуска в производство, устраняют необходимость в отдельном потоке управления, который обычно становится последним критерием перед запуском в эксплуатацию. С учетом директивы ЕС об ИИ и отраслевых требований к соответствию, аудит перестал быть необязательным дополнением и стал нормативным требованием. Те, кто интегрирует инфраструктуру управления в архитектуру платформы, а не рассматривает ее как отдельный проект, получают двойную выгоду: более быстрое развертывание и более устойчивое соответствие требованиям.

Модель развертывания будет иметь решающее значение в ближайшие годы

Быстрое внедрение ИИ достигается не за счет выбора более быстрой модели, а за счет выбора архитектуры, которая не предполагает, что данные являются чем-то, чем они не являются. Корпоративные данные живые, фрагментированные, несовершенные — и такими они всегда будут. Архитектура ИИ, которая учитывает это, является надежной. Архитектура, которая рассматривает совершенство как необходимое условие, обречена на провал.

Модель внедрения, которую компания выбирает сегодня, будет определять её конкурентоспособность в эпоху ИИ на долгие годы вперёд. Разница между компанией, использующей ИИ в качестве стратегического инструмента, и компанией, которая каждый квартал запускает и забрасывает новый прототип, редко заключается в самой модели. Она кроется в фундаменте: в архитектуре данных, в организационной зрелости и в готовности работать с несовершенной реальностью, вместо того чтобы ждать совершенства, которое всё равно никогда не наступит.

Konrad Wolfenstein

Я с удовольствием стану вашим личным консультантом.

Вы можете связаться со мной по адресу wolfenstein∂xpert.digital или

Просто позвоните мне по номеру +49 7348 4088 965 .

LinkedIn