Алексей Чистяков, технический директор компании Bercut
Алексей Чистяков, технический директор компании Bercut 

Практически в каждой крупной компании сегодня есть инициативы, связанные с ИИ: пилоты, прототипы, внутренние инструменты или отдельные внедрения в бизнес-процессы. Однако при всей видимой активности реальная бизнес-ценность от ИИ остаётся ограниченной. 55% ИИ-проектов не выходят за рамки пилотирования, а доля решений, действительно встроенных в операционные процессы, по-прежнему не превышает 5–10%. Ещё около трети компаний пытаются масштабировать пилоты, но сталкиваются с одними и теми же ограничениями. Ключевой барьер — не в моделях, не в алгоритмах и даже не в нехватке идей. Узкое место находится в гораздо более приземлённой области: данных, их качестве и способности компаний интегрировать их в единую систему.

Фактически рынок ИИ сегодня переживает тот же этап, что и ранее переживали системы аналитики и BI: от экспериментов с технологиями — к необходимости выстраивать инфраструктуру.

Алексей Чистяков, технический директор компании Bercut (входит в ПАО «Ростелеком»), сформулировал пять универсальных принципов успешного внедрения ИИ-решений в любой организации.

ИИ тормозят не модели, а интеграционный слой вокруг них

Анализируя проблемы, с которыми сталкиваются компании при внедрении ИИ, мы пришли к выводу, что около половины всех сложностей приходится на подключение источников данных и их обработку. Значительно реже проблемы возникают с самими моделями или вычислительными ресурсами. Причина этого — в структуре корпоративных ИТ-ландшафтов. В крупных компаниях данные распределены между множеством систем: CRM, ERP, биллинговыми платформами, внешними сервисами, файловыми хранилищами и т.д.

Показательно, что аналогичная ситуация наблюдается и в работе людей. Бизнес-аналитик тратит до 80% времени на подготовку данных: сбор, согласование, очистку, объединение источников. На собственно анализ и формирование выводов остаётся лишь небольшая часть ресурсов.

ИИ-системы воспроизводят ту же модель. Независимо от сложности алгоритмов, основная нагрузка приходится на извлечение данных, их трансформацию, валидацию и подготовку к использованию. Если этот контур не выстроен, внедрение ИИ не только не решит проблему, но и масштабирует её. Если «кормить» модели неструктурированными, избыточными или устаревшими данными, результатом станет не рост эффективности, а экспоненциальное увеличение шума. Отсюда вытекает ключевой вывод: автоматизировать в ИИ-проектах нужно не работу моделей как таковых, а инфраструктуру, которая связывает данные, системы и процессы.

Принцип 1. Интеграция должна опережать модели

На практике многие компании начинают ИИ-проекты с выбора моделей: оценивают большие языковые модели (LLM), тестируют платформы, сравнивают их точность и стоимость. Однако без выстроенной интеграции такие инициативы остаются локальными экспериментами. Создаются изолированные решения, которые невозможно масштабировать или встроить в бизнес-процессы.

Поэтому архитектурно более оправданным является обратный подход: сначала сформировать единый интеграционный слой, обеспечивающий подключение всех ключевых источников данных и их доставку, и только после этого внедрять ИИ-компоненты. Такой подход меняет роль ИИ: он становится не надстройкой, а частью операционной системы компании.

Современные интеграционные платформы позволяют решать эту задачу за счёт использования большого количества готовых коннекторов, поддержки API и событийной архитектуры. В частности, в решениях класса ESB, таких как Bercut ESB, реализованы механизмы подключения даже к системам без стандартных интерфейсов, что критично для корпоративной среды.

Принцип 2. Качество данных — зона ответственности дата-пайплайнов

Любая модель работает с тем, что получает на входе, и в лучшем случае воспроизводит структуру данных, а в худшем — усиливает их ошибки. Грязные, противоречивые или устаревшие данные приводят к некорректным результатам, а в случае LLM — к «галлюцинациям», которые сложно выявить и ещё сложнее контролировать. Поэтому ключевая инвестиция в ИИ-проектах — это построение устойчивых дата-пайплайнов. Они должны обеспечивать полный цикл подготовки данных: очистку, нормализацию, обогащение, разметку и контроль качества.

Одновременно меняется и архитектура хранения данных. Концепция Data Lake, предполагающая накопление всех доступных данных, показала свои ограничения: отсутствие структуры, ответственности и прозрачности приводит к тому, что данные становится трудно использовать. Ей на смену приходит подход Data House — формирование специализированных доменов данных под конкретные бизнес-задачи. В таких доменах заранее определены владельцы, правила качества и сценарии использования данных. Это позволяет не только повысить эффективность ИИ, но и снизить затраты на хранение и обработку.

Подобные возможности реализуются в платформах управления данными, таких как AI Data Fabric от Bercut, где инструменты трансформации и контроля качества встроены в единый контур работы с данными.

Принцип 3. Информационная безопасность — свойство архитектуры

Вопросы информационной безопасности в ИИ-проектах часто недооценивают еще на этапе пилотирования, что становится критичным при переходе к промышленной эксплуатации.

Для компаний, работающих с персональными данными, финансовой информацией или объектами КИИ, использование внешних облачных сервисов ограничено нормативными требованиями. При этом сами ИИ-модели добавляют дополнительный уровень неопределённости.

В отличие от классических ИТ-систем, поведение моделей носит вероятностный характер. Это означает, что невозможно гарантировать одинаковый результат при идентичных входных данных, а значит — повышается ответственность за возможные ошибки.

В этих условиях безопасность должна быть заложена на уровне архитектуры: от хранения данных до выполнения моделей. Это включает в себя контроль доступа, изоляцию сред, управление жизненным циклом данных и моделей. На практике это приводит к росту интереса к локальным решениям – таким, как AI Data Fabric. Они позволяют реализовать этот подход, обеспечивая полный контроль над данными и инфраструктурой, снизить риски и сделать возможным использование ИИ в чувствительных бизнес-процессах.

Принцип 4. Автоматизировать нужно операционку, а не экспертизу

Одна из ключевых идей, определяющих развитие корпоративного ИИ, — смещение фокуса с автоматизации экспертизы на автоматизацию процессов.

И у людей, и у ИИ основное время уходит на выполнение вспомогательных операций: поиск данных, их согласование, передачу между системами, запуск процессов. Это те задачи, которые редко воспринимаются как приоритетные, но именно они формируют основную нагрузку. Автоматизация этих процессов даёт наибольший эффект. Она позволяет сократить время выполнения операций, снизить количество ошибок и высвободить ресурсы для задач, требующих экспертизы. В этом контексте данные начинают восприниматься как инфраструктурный ресурс — аналог электричества. Их доставка должна быть быстрой, дешёвой и стандартизированной.

Реализация такого подхода требует использования событийной архитектуры и инструментов оркестрации. Эти технологии позволяют автоматически запускать процессы при наступлении событий и обеспечивать сквозную интеграцию систем.

Подобные возможности реализованы, в частности, в интеграционных решениях, таких как Bercut ESB, где автоматизация становится частью единой платформы.

Принцип 5. Мониторинг и управление данными — обязательное условие

В отличие от ИТ-систем, основанных на алгоритмах, ИИ-решения подвержены постепенной деградации. Изменения в данных, бизнес-процессах и внешней среде приводят к тому, что модели начинают работать хуже, даже если изначально демонстрировали высокую точность. Этот процесс может оставаться незаметным в течение длительного времени, пока не начнёт влиять на бизнес-показатели. Чтобы избежать этого, необходимо внедрять системный мониторинг и практики управления данными. Это включает в себя контроль качества данных, отслеживание изменений, управление версиями моделей и аудит их поведения.

Важную роль играют дата-контракты, которые фиксируют требования к данным и обеспечивают согласованность между системами. Практики Data Governance становятся неотъемлемой частью ИИ-инфраструктуры. Они позволяют обеспечить прозрачность, управляемость и предсказуемость работы систем. Современные платформы, включая AI Data Fabric, предлагают встроенные инструменты для мониторинга и управления, что позволяет автоматизировать эти процессы и снизить нагрузку на команды.

От экспериментов к промышленному ИИ

Рынок ИИ вступает в фазу зрелости. Конкуренция смещается от скорости запуска пилотов к способности интегрировать решения в бизнес и масштабировать их. В этих условиях ключевым фактором успеха становится не выбор моделей, а качество инфраструктуры: интеграция, управление данными, безопасность и мониторинг.

Компании, которые делают ставку на эти элементы, получают не только технологическое преимущество, но и устойчивую бизнес-ценность от ИИ. Фактически речь идёт о переходе от «ИИ как эксперимента» к «ИИ как части операционной модели бизнеса». И именно этот переход определит расстановку сил на рынке в ближайшие годы.