Симптомы, по которым избыток видно без микроскопа
Представьте сцену: финансовый директор просит «быстро собрать список AI-подписок и ботов», чтобы понять, за что компания платит. И внезапно выясняется, что у маркетинга — один копирайтер, у саппорта — два чат-бота, у разработки — три ассистента, у HR — «умная» воронка, а еще кто-то притащил «агентов», которые «сами всё делают». Но никто не знает, где они живут, на чьих доступах крутятся и чем питаются.
Это и есть ИИ-избыток. По-простому: не «мы внедряем ИИ», а «у нас появилось слишком много умных штук, и каждая тянет данные, деньги и внимание, а отдачу доказать всё сложнее».
Итак, основные симптомы выглядят так:
- Вы не можете за 30 минут ответить на вопрос «Что у нас в проде и кто владелец?».
- В компании одновременно живут 5–10 «ассистентов», которые делают примерно одно и то же в разных отделах.
- Пилоты множатся быстрее, чем релизы. Демки есть, продакшена — нет.
- Безопасники узнают о «новом ИИ» из инцидента, а не из заявки.
- Интеграция внезапно превращается в отдельный проект (и его тоже хочется «автоматизировать ИИ»).
«Еще один инструмент поверх хаоса»
Любимый сценарий: процесс уже кривой (данные в трех системах, роли размыты, KPI спорные), но мы добавляем ИИ «сверху». Станет быстрее? Скорее нет, чем да, так как появляется еще один слой сложностей и «непонятных ответов».
В EY формулируют это следующим образом: фокус должен быть на встраивании ИИ и автоматизации в core-процессы, а не на наслаивании инструментов на уже существующую сложность.
Частая ситуация. Вы ставите ассистента в поддержку, но база знаний не обновляется, категории обращений хаотичны, CRM не связана с тикетами. Бот начинает «угадывать», иногда уверенно ошибаться — клиенты злятся. Итог — «ИИ не работает», хотя не работает процесс. Дальнейшее внедрение ИИ ставится на паузу.
«Агенты расплодились, а данные — нет»
2026 год принес моду на агентные системы: «пусть агент сам сходит в CRM, сам подготовит письмо, сам заведет таску». Звучит красиво, но упирается в старую боль: данные и приложения не связаны.
В Connectivity Benchmark Report от MuleSoft половина AI-агентов уже работает в изоляции (в силосах), 95% организаций признают сложности с интеграцией, а 86% IT-лидеров предупреждают: без нормальной интеграции агенты добавят больше сложности, чем ценности. Там же: только 54% организаций имеют рамку централизованного governance, и 96% согласны, что успех агентов зависит от «долгово свободной» интеграции данных.
Тезис, который многие игнорируют: агент умеет «думать», но не умеет безопасно «дотянуться» до нужных данных и действовать в закрытом реальном контуре. Вы получаете не автономию, а хаотичную автоматизацию «вокруг да около».
«Пилот-театр или же Proof-of-Concept Trap»
Делать пилоты легко, особенно когда надо «показать магию» через две недели. Сложно другое: довести эту магию до эксплуатации, мониторинга, SLO, безопасности и понятной экономики.
В отчете Deloitte State of AI 2026 видно, где компании чаще всего застревают: лишь 25% перевели в продакшен 40+% своих AI-экспериментов; при этом 54% ожидают дойти до этого уровня в ближайшие 3–6 месяцев.
И еще один штрих: доступ к «санкционированным» AI-инструментам растет (около 60% сотрудников), но среди тех, у кого доступ есть, меньше 60% использует их в ежедневной работе.
Итог такого пилота: PoC делали на чистых данных и вручную. В реальности — грязные источники, исключения, права доступа и вечный вопрос «Почему оно сегодня отвечает иначе, чем вчера?».
«Обучили промптам — забыли о работе»
Еще одна ловушка: «мы всем раздадим доступ и проведем тренинг — и производительность вырастет». Увы.
В том же отчете Deloitte говорится: 84% компаний не переразрабатывали jobs / характер работы под возможности ИИ.
А Сбер в исследовании про GenAI пишет, что ключевым навыком становится умение интегрировать генеративный ИИ в свою работу и что 41% вакансий на отечественном рынке относят к «высокоавтоматизированным» с помощью GenAI.
То есть «учить промптам» — окей. Но без пересборки ролей и процесса это быстро превращается в игрушку: «попробовали — и забыли».
«Стратегии нет, зато есть закупки»
Когда ИИ покупают как очередной софт, получается коллекция инструментов без направления. МТС Web Services в конце 2025 года пишет: стратегия в области ИИ есть лишь у 26% российских компаний, которые имеют бюджет на ИИ.
А KPMG добавляет неприятную деталь: решения о вложениях в новые AI-инструменты часто строятся на косвенных и гипотетических выгодах — и из-за этого с ROI легко промахнуться.
И здесь полезно смотреть на «что работает у других». В исследовании СберАналитики по IT-компаниям: 51% закрепили работу с ИИ в стратегиях цифровой трансформации, 45% создали отдельные отделы/центры компетенций. Но барьеры для масштабирования всё равно приземленные: стоимость, сложность интеграции, дефицит кадров.
Что делать, чтобы не утонуть в «ИИ-хайпе»
Минимальные правила, которые помогут любому лидеру принимать решения эффективно:
- AI-инвентарь на одну страницу.
Что это, где крутится (prod/pilot), какие данные трогает, кто владелец, сколько стоит. - Правило «новый ИИ — только с метрикой».
Банк Revolut всё «обложил» метриками, основная из которых — «сколько денег/времени сэкономили». Один инструмент — одна понятная метрика. - Минус дубли, плюс 2–3 «ядра».
Один корпоративный ассистент (или два по задачам), один контур для контента, один для аналитики — и хватит. Остальное либо интегрируйте, либо закрывайте. - До агентов — интеграция.
Сначала API/данные/права. Потом автономия. Иначе будет дорогая имитация «самоходности». - Пересоберите хотя бы один процесс end-to-end.
Выберите самый «денежный» (поддержка, продажи, разработка, рекрутмент) и сделайте так, чтобы ИИ был не надстройкой, а частью процесса — с ответственными и правилами.
ИИ-избыток — следствие плохого управления и погружения в диджитализацию бизнеса. ИИ стал слишком доступным, а качество процессов не повысилось. И теперь главный навык компании — не «притащить еще одну умную штуку», а уметь отрезать лишнее и доводить полезное до работающей системы.
