📉 Масштаб проблемы — в цифрах
• 78% компаний пробуют GenAI, потенциальный вклад — $2,6–4,4 трлн.
• Но 95% не видят отдачи: лишь 1 из 20 проектов доходит до стабильной эксплуатации.
• Проблема не только «в моделях», а в данных, процессах и коммуникации между людьми.

🔍 Как исследовали
• Обзор литературы и отраслевых отчётов.
• 1600+ кейсов внедрения за 10 лет (с валидацией экспертами).
• 30 интервью с руководителями, менеджерами, разработчиками в РФ.
• Байес-модель: как культурные факторы связаны с успехом.

Пять простых выводов

1. Решает культура данных 📚
   Если «знание» в головах и чатах — ИИ не взлетит. Data-driven культура коррелирует с лучшими результатами. Опираться только на авторитеты/привычки — тормозит.

2. Данные важнее модели 🧹
   «Мусор на входе — мусор на выходе»: дубли, устаревшие версии, разные форматы. Нужны аудит и единая Data Story (кто, что, где и как хранит/обновляет).

3. Гибрид лучше «полного авто» 🤝
   Максимальный эффект — когда ИИ берёт рутину/распознавание, а человек — решение там, где цена ошибки высока или нужен контекст.

4. Люди должны понимать друг друга 🗣️
   Менеджеры, владельцы процессов и разработчики часто говорят на разных языках. Помогают регулярные кросс-сессии, прототипы/дашборды и брокеры знаний (люди-переводчики между функциями).

5. Скорость итераций важнее скорости старта 🔁
   Короткие циклы «прототип → отзыв → улучшение» устойчивее долгих «чёрных коробок». Нужны не только запуск, но и обучение, мониторинг и быстрые правки.

Где автоматизировать, а где оставить человека

Три шага любого процесса: распознавание → решение → исполнение.

• Распознавание (документы, фото, логи): авто — когда вход чистый и оцифрован; полуавто — если много редких/неявных кейсов.

• Решение (одобрить/выдать/приоритизировать): авто — при чётких правилах и низком риске; полуавто — при высоких ставках; вручную — если есть юридическая/этическая ответственность.

• Исполнение (провести операцию/отправить письмо/сделать звонок): авто — когда это цифровое действие; полуавто — когда нужен оператор/редактор; вручную — если это физический контакт или сложная коммуникация.

📊 Как распределяются роли ИИ и человека в практике

Исследование СКОЛКОВО показало, что в бизнес-процессах редко встречается «чистый» автомат. Чаще это гибриды. Ниже — основные паттерны и где они применяются.

• Auto–Auto–Auto ≈ 28%
ИИ полностью ведёт процесс: распознаёт входные данные, принимает решение и исполняет действие.
🔹 Примеры: антифрод в банках, скоринг микрозаймов, сортировка посылок на складах маркетплейсов, спам-фильтры.
🔹 Условия: чёткие правила, стандартизованные данные, низкая цена ошибки.

• Auto–Augment–Auto ≈ 11%
ИИ обрабатывает вход и исполняет, но решение принимает человек, опираясь на подсказки.
🔹 Примеры: диагностика в медицине (ИИ делает снимок/распознаёт, врач подтверждает диагноз, система назначает протокол), закупки (ИИ собирает аналитику, менеджер утверждает, робот выставляет заказы).
🔹 Условия: высокие риски и необходимость человеческой экспертизы в середине.

• Auto–Augment–Augment ≈ 10%
ИИ автоматизирует распознавание, а дальше и решение, и исполнение — совместные: машина подсказывает, человек корректирует.
🔹 Примеры: HR-системы подбора (ИИ сортирует резюме, рекрутер оценивает и принимает решение, система и менеджер вместе формируют оффер).
🔹 Условия: много неопределённости, несколько критериев выбора, цена ошибки выше среднего.

• Auto–Auto–Augment ≈ 8%
ИИ распознаёт и сам принимает решение, но на этапе исполнения помогает человеку.
🔹 Примеры: CRM с автоприоритизацией лидов (ИИ решает, кому звонить, но звонит менеджер, опираясь на подсказки), умные колл-центры (бот решает, как маршрутизировать запрос, но часть обработки делает оператор).
🔹 Условия: важна корректность исполнения «в контакте с человеком».

• Auto–Augment–Manual ≈ 9,5%
ИИ автоматизирует распознавание, подсказывает в принятии решения, но финал полностью за человеком.
🔹 Примеры: юридическая экспертиза (ИИ подбирает судебную практику, юрист решает, как действовать), инвестиционные рекомендации (ИИ формирует прогнозы, аналитик выбирает стратегию, трейдер исполняет).
🔹 Условия: высокая юридическая/этическая ответственность, цена ошибки слишком велика.

✨ Итог:
• ~30% процессов можно закрыть «полным автоматом», но это в основном рутинные и низкорисковые задачи.
• Большинство реальных сценариев (40%+) — гибриды, где ИИ работает как «усилитель», снимая нагрузку с человека.
• В 10%+ кейсов финальное слово остаётся только за человеком, и это стратегические/этические зоны (медицина, право, инвестиции, госуправление).

Типичные грабли — и как их обходить

• «Блеск игрушки»: запускаем ИИ ради имиджа → нет данных/инфры → нет эффекта. Решение: проверка осуществимости до старта, инженеры в ранних решениях.
• «Внедрение ради внедрения»: пилоты без бизнес-проблемы и KPI. Решение: бизнес-спонсор, цели и метрики «на входе».
• R&D-шоу: улучшаем метрики модели, а на продукт/доход не влияет. Решение: связывать бэклог ИИ с конкретными бизнес-результатами.
• Групповое мышление: «все согласны» → слепые зоны. Решение: кросс-сессии, прототипы как предмет обсуждения, роль брокера знаний.

Что делать в ближайшие 90 дней

1. Диагностика культуры (чек-лист СКОЛКОВО) и 1–2 «быстрые победы».

2. Аудит данных → собрать Data Story как «единый источник правды».

3. Карта процессов: разбить на «распознавание–решение–исполнение», выбрать режим (авто/полуавто/вручную) для каждого шага.

4. Кросс-команда + брокер знаний; короткие спринты с демо каждые 2–3 недели.

5. Оценка цены ошибки: человек обязателен там, где риск/ответственность высоки.

Мини-словарь (по-простому)

• Культура данных — договорённость «что считаем знанием и где оно живёт».
• Data Story — карта источников и правил работы с данными («одна версия правды»).
• Брокер знаний — человек, который переводит язык бизнеса в язык ИТ и обратно.
• Когнитивная дистанция — «насколько мы по-разному видим задачу»; слишком близко — нет критики, слишком далеко — нет понимания.
• Граничные объекты — прототипы, дашборды, user stories, на которых удобно договариваться.

📖 Эпистемология и эпистемическая культура

Эпистемология
Раздел философии, изучающий природу знания: что считается знанием, как оно получается, как проверяется и где границы достоверности.

Эпистемическая культура (organizational epistemic culture)
То, как компания “делает знание” в повседневной работе.
Какие данные или аргументы считаются весомыми? Кто имеет право «знать» и принимать решения? Как фиксируется и валидируется опыт?

Типы эпистемических культур (по отчёту)

• People-driven — «знание у авторитетов». Решения строятся на опыте руководителей, экспертных мнениях и неформальных практиках.
  ▸ Минус: сложно масштабировать, зависит от «сильных фигур».

• Process-driven — «знание в регламентах». Всё фиксируется в процедурах, стандартах, чек-листах.
  ▸ Минус: регламент часто устаревает, а ИИ плохо работает в «жёсткой бюрократии».

• Data-driven — «знание в данных». Решения принимаются на основе цифр, аналитики, цифровых следов.
  ▸ Плюс: выше шанс успешного внедрения ИИ, так как данные уже встроены в культуру.

Сам отчёт

Сообщение Новое исследование СКОЛКОВО про внедрение AI в России появились сначала на ECOMHUB - о E-Commerce, омниканальном ритейле, логистике, технологиях, соцсетях.