Почему 84 % компаний не получают отдачи от ИИ: отсутствует слой контекста
Почему 84% компаний не получают отдачи от ИИ: нет слоя контекста, связывающего модели с бизнес-процессами. Как построить семантическую шину и избежать ошибок в малом бизнесе.
По данным MIT Technology Review, практически каждая организация сегодня использует искусственный интеллект в той или иной форме. Но лишь 16 % опрошенных лидеров говорят о трансформационной ценности от внедрений. Остальные застревают на этапе пилотных проектов или локальных улучшений, не масштабируя результат на бизнес-процессы. Причина не в незрелости моделей — по словам сооснователя Atlan Прукалпы Санкар, для большинства задач общий интеллект уже достигнут. Проблема в том, что ИИ не знает, как работает ваша компания.
Цифры, которые объясняют разочарование
Опрос MIT Technology Review Insights показал чёткую иерархию результатов. 40 % респондентов фиксируют умеренные выгоды в конкретных задачах или командах. 21 % добились существенных улучшений. Почти четверть — 23 % — вообще не видит возврата инвестиций или видит его минимальным. Только 16 % попали в заветную зону трансформационной ценности, когда ИИ меняет экономику бизнеса, а не просто ускоряет отдельные операции.
При этом структура внедрений выглядит так: 38 % компаний всё ещё пилотируют кейсы, 35 % используют ИИ как помощник сотрудников — кopilotы, чат-ассистенты. В продакшене с автономными агентами всего 12 %, а всего 3 % доверили ИИ выполнение основной работы в ключевых процессах. Подавляющее большинство застряло на стадии «помощника», не перейдя к стадии «исполнителя».
Где разрыв между возможностями и реальностью
«Есть огромная пропасть между тем, на что способны модели, и тем, как они реально полезны внутри организаций», — говорит Прукалпа Санкар. Она сравнивает текущее положение дел с наймом самого умного стажёра в мире, у которого завязали глаза и которого бросили в офис без вводного брифинга. Модель может знать всё о квантовой физике и истории Рима, но не знает, как у вас считается маржинальность, почему клиенты уходят на этапе оплаты и что такое «срочный заказ» по вашим внутренним правилам.
По мнению Санкар, десятилетие назад AlphaGo победило чемпиона мира в Го, потому что имело доступ к полной игровой доске и правилам. Сегодня корпоративный ИИ часто играет в Го, не видя доску и не зная правил хода конём. Модели стали умнее, но архитектура их подключения к бизнесу не изменилась.
Что такое слой контекста и зачем он нужен
Слой контекста — это архитектурная прослойка между системами учёта компании (ERP, CRM, базы знаний, логистика) и ИИ-платформами. Его задача — перевести корпоративный интеллект в управляемый, машиночитаемый формат, который агенты и модели могут использовать для принятия решений.
Без этого слоя каждый инструмент работает в вакууме. Чат-бот в поддержке не видит историю заказов в 1С. Агент по закупкам не знает неформальных договорённостей с поставщиками, зафиксированных только в переписке коммерческих директоров. Система автоматизации маркетинга не учитывает текущие остатки на складе. Результат — галлюцинации по бизнес-логике, ошибки в расчётах и недоверие сотрудников к рекомендациям ИИ.
Слой контекста решает три задачи:
- Глоссарий и метрики — единые определения терминов («Лид», «Маржа», «Отгрузка») и формул расчёта, понятные модели.
- Права и гейты — кто и какие данные может запрашивать, какие действия агенту разрешено инициировать без подтверждения человека.
- Обратная связь — механизм накопления опыта: результаты работы ИИ возвращаются в базу знаний, улучшая следующие итерации.
Сравнение: работа ИИ с контекстом и без него
| Параметр | Без слоя контекста | Со слоем контекста |
|---|---|---|
| Качество ответов | Общие, шаблонные, часто нерелевантны процессу | Привязаны к актуальным данным и правилам компании |
| Автономность агентов | Низкая — требуется постоянный контроль человека | Высокая — агент действует в заданных границах мандата |
| Скорость внедрения нового кейса | Неделя на настройку промптов и интеграций под каждую задачу | Часы — агент подключается к готовой семантической шине |
| Риск ошибок в продакшене | Высокий — «галлюцинации» бизнес-логики | Контролируемый — гейты и валидация на уровне инфраструктуры |
| Накопление знаний | Фрагментарное, в логах отдельных инструментов | Централизованное, улучшает все подключённые системы сразу |
Что это значит для малого бизнеса в России и СНГ
Владельцы магазинов, сервисов и небольших производств часто думают: «Слой контекста — это для энтерпрайза с сотнями систем. У нас 1С, сайт и amoCRM — мы обойдёмся промптами». На практике разрыв бьёт сильнее. В малом бизнесе нет штата дата-инженеров, которые вручную вытаскивают контекст для каждого пилота. Ошибка ИИ в расчёте себестоимости или автоответе ключевому клиенту стоит дороже относительно оборота.
Конкретные шаги на этой неделе:
- Сделайте аудит определений. Соберите в одном документе (Google Таблицы или Notion) 15–20 ключевых терминов вашего бизнеса с формулами: как считается LTV, что входит в CAC, когда заказ считается «проблемным». Это заготовка будущего глоссария для ИИ.
- Закройте доступы по принципу «нужно — дай». Не давайте нейросети полный дамп базы 1С. Выгрузите только справочники номенклатуры, контрагентов и остатков в структурированном виде (JSON/CSV) и подключите через RAG или функцию вызова API.
- Введите обязательное подтверждение для денежных действий. Любая операция, где ИИ инициирует списание, возврат или изменение цены, проходит через кнопку «Подтвердить» у менеджера. Это ваш примитивный «гейт» безопасности.
- Начните собирать обратную связь в структуру. Каждый раз, когда менеджер правит ответ бота или отклоняет рекомендацию системы — фиксируйте это в таблице «Исключения и правила». Через месяц у вас будет датасет для дообучения или настройки правил.
Если нет ресурса строить эту инфраструктуру самостоятельно, можно подключить готовое решение. Наша команда собирает именно такой слой контекста — единую семантическую шину между вашими системами и ИИ-агентами. Подробнее о подходе и примерах внедрения — в разделе AI-агенты для бизнеса.
Часто задаваемые вопросы
Нужно ли нам покупать дорогую платформу вроде Atlan или Palantir?
Нет. Для малого бизнеса слой контекста начинается от структурированных выгрузок в CSV/JSON, простого векторного хранилища (например, Qdrant или PGVector) и набора скриптов на Python, которые переводят запросы ИИ в SQL к вашей 1С или CRM. Покупка коробочного продукта оправдана, когда источников данных больше десяти и есть штат данных.
Можно ли обойтись просто длинными промптами с инструкциями?
Промпты работают до первой смены ценников, нового менеджера или нестандартной ситуации. Контекст в промпте статичен, устаревает мгновенно и не масштабируется на несколько агентов. Слой контекста — это живая, версионируемая инфраструктура, а не текстовая подсказка.
Как защитить коммерческую тайну, если подключаем внешние модели?
Используйте локальные модели (Llama, Qwen, GigaChat On-premise) или приватные облака с сертификацией ФСТЭК. В слой контекста попадают только метаданные и справочники — без персональных данных клиентов и полных текстов договоров. Сами модели не обучаются на ваших данных, они лишь читают контекст в момент запроса.
С чего начать, если нет технической команды внутри?
Наймите фриланс-инженера по данным на проектную работу: задача — настроить ежедневную выгрузку справочников из 1С/CRM в облачное хранилище и поднять простую RAG-систему над ними. Это стоит сравнимо с зарплатой стажёра-аналитика на 2–3 месяца, а даёт фундамент для любого ИИ-инструмента годами вперёд.
Эксперт по созданию сайтов, рекламе в интернете и маркетингу с 2012 года. Основатель агентства AIFORSALE.