Идей про ИИ в корпорации больше, чем денег и людей
В большой компании нет дефицита идей. Маркетинг просит генерацию, поддержка — разбор обращений, продукт — рекомендации, безопасность — разметку логов. Каждая идея по отдельности выглядит защищаемо, и почти любую можно начать.
Дефицит в другом. Кто-то должен сказать, какие из них делать не надо — и объяснить, почему. Без этого шага компания через год приходит к нескольким разрозненным пилотам, каждый из которых вроде работает, а вместе они не складываются ни во что.
Поэтому внешний человек в такой работе полезен не списком технологий — список у корпорации и без него длиннее нужного. Он полезен порядком, в котором идеи проверяются, и готовностью назвать места, где ИИ добавит стоимость и шум, но не эффект.
Разница — в порядке вопросов
Телеком в среднем ближе к работе по-новому, чем остальные отрасли: данные уже собраны, инфраструктура под них есть, отдельные команды занимаются моделями не первый год. Со стороны это читается как «у них много ИИ». Изнутри видно другое.
Здесь меняется не количество инструментов. Меняется то, с какого вопроса начинается разговор о любой новой задаче.
Первый порядок упирается в процесс, который уже есть, и разрешает только улучшать его по краям. Второй разрешает процесс пересобрать — и потому даёт другие ответы на те же исходные данные.
Там вопрос «может ли это делать модель» уже встроен в проектирование, не добавляется в конце.
наблюдение изнутри · опубликовано в наших разборахТри фильтра, и пройти надо все три
Совет «начните с небольшой задачи» звучит безопасно и не решает ничего: небольших задач у крупной компании десятки. Вопрос не в том, чтобы найти узкую задачу. Вопрос в том, чтобы выбрать из десятков правильную первую.
Каждый кандидат проходит три независимые проверки. Все три условия сразу: процесс с огромной потенциальной ценностью, под который нет данных и где ошибка дорого стоит, — худшая первая инициатива, хотя по выгоде он лидер.
Сколько часов и рублей освободит именно та часть работы, которую модель реально может взять на себя?
Есть ли данные, в каком они состоянии, можно ли их дать модели легально — и отличит ли человек хороший ответ от плохого?
Что произойдёт, если модель ошибётся именно здесь: опечатка в черновике или претензия от клиента?
Числа на этой схеме — не про конкретную компанию, её цифры закрыты. Так список схлопывается почти в любой большой организации: десятки кандидатов на входе, две-три задачи, которые проходят все три фильтра. Именно поэтому вопрос «с чего начать» перестаёт быть мучительным — выбор делает порядок проверок.
Самая недооценённая ось — выполнимость, и упирается она в данные, не в модель. Процесс, где данных нет или они в хаосе, не выбывает навсегда: он уходит во вторую волну, а перед ним встаёт отдельная задача — навести порядок в данных. Часто именно эта уборка и оказывается самым ценным побочным результатом.
Бюджеты уходят туда, где эффект заметнее
Ценность почти всегда считают по заметности. Клиентский помощник нагляден — его можно показать на совете директоров. Сборка внутренних отчётов невидима, её никто не понесёт на демо-день, и при этом она освобождает часы людей, которые стоят заметно дороже.
Так распределяются корпоративные бюджеты на ИИ — это видно и в отраслевых данных.
Данные не наши: исследование MIT NANDA «The GenAI Divide», 2025 — разбор в Fortune. Мы приводим его потому, что оно совпадает с тем, что видно в проектах: громкое и ценное — редко одно и то же.
Второе место, где ИИ добавляет стоимость без эффекта, — зона высокого риска. Масштаб задачи и цена ошибки — разные вещи, и их постоянно путают. Небольшой автоответчик, который сам отправляет клиенту финальный текст, — высокий риск при крошечном масштабе. Большая система черновиков на сотню сотрудников, где каждый черновик смотрит человек, — низкий риск при большом масштабе. Первой берут вторую.
Между моделью и внешним миром стоит человек
Модели ошибаются все — вопрос только в цене ошибки в конкретном месте. Поэтому третий фильтр раскладывается на три уровня по тому, кто и насколько поздно ошибку ловит.
Границу двигают потом: по мере накопленной статистики ошибок человека из контура убирают там, где это оправдано. Но входят всегда через зону, где ошибка ловится до того, как стала дорогой.
Что здесь закрыто соглашением
Под соглашением закрыты имя компании, названия продуктов и цифры эффекта.
Вот чего в этом кейсе нет:
А вот что осталось и что можно проверить по другим нашим работам и разборам:
Метод отбора задач мы разбираем публично. Закрыты только данные клиента.
Разберём ваш список идей по тем же трём осям
Приносите процессы-кандидаты — хоть три, хоть тридцать. На выходе — ранжированный список и прямо названные места, где начинать не стоит.