Проблемы внедрения ИИ: барьеры, риски для бизнеса и как их снять

Автор — Николай Елатонцев, руководитель группы компаний «Гильдия консультантов».

Проблемы внедрения ИИ почти никогда не связаны со слабой нейросетью. Проекты буксуют из-за грязных данных, завышенных ожиданий, страха сотрудников, вопросов безопасности и юристов и пилотов, после которых непонятно, что дальше. Мы 25 лет автоматизируем компании на 1С и Битрикс24, а последние годы встраиваем в эти системы ИИ — у клиентов и у себя. В статье разберём главные барьеры внедрения искусственного интеллекта и риски ИИ в бизнесе, а для каждого покажем, как его снимать на практике.

Что говорят исследования

Трудности с внедрением ИИ бывают не только у отдельных компаний. Две цифры, на которые часто ссылаются:

• MIT NANDA, отчёт «The GenAI Divide: State of AI in Business 2025» (июль 2025): примерно у 95% опрошенных организаций пилоты генеративного ИИ не дали измеримого влияния на прибыль. Оговорка: выборка небольшая (интервью с представителями 52 организаций и опрос около 350 сотрудников), а эффект оценивался на коротком горизонте. Это не значит, что технология «не работает», но показывает, насколько часто пилот так и остаётся пилотом.
• Gartner, прогноз от 25 июня 2025 года: более 40% проектов агентного ИИ будут закрыты к концу 2027 года. Причины по Gartner — растущие затраты, неясная ценность для бизнеса и недостаточный контроль рисков.

Российские эксперты в отраслевой прессе называют те же причины. Раз они повторяются, их можно закрыть заранее.

Барьеры внедрения ИИ: краткая сводка

Проблемы внедрения ИИ и как их решать

1. Данные: ИИ ускоряет и порядок, и хаос

Нейросеть отвечает по тем данным, которые ей дали. Если в 1С три карточки одного контрагента, а регламент отдела продаж последний раз обновляли три года назад, ассистент будет уверенно отвечать неправильно. Это одна из самых частых проблем внедрения ИИ: модель подключили к «как есть» и удивились результату.

Что делать:

• выбрать для старта участок, где данные уже в порядке, — например, входящие счета или переписку с клиентами;
• собрать 30–50 реальных примеров с правильным результатом от ваших специалистов — по ним потом проверяется качество;
• записать правила процесса обычным текстом: что считается нарушением, какой ответ правильный, когда звать человека.

2. Ожидания: «внедрим ИИ в компании» — это не задача

Проект без конкретного процесса заканчивается презентацией. Второй вариант той же ошибки — ждать, что ИИ сразу заменит отдел. В наших проектах ИИ забирает перекладывание данных и черновики, а решения и ответственность остаются за людьми.

Барьер снимается так: один процесс, один ответственный, одна метрика. До запуска замеряем, сколько времени уходит на операцию сейчас и сколько в ней ошибок, — иначе через месяц нечем будет доказать эффект. Как выбрать процесс и посчитать эффект, подробно описано в статье «Автоматизация бизнес-процессов с ИИ».

3. Люди: страх, недоверие и отсутствие навыка

Сотрудник, который боится, что его заменят, найдёт в работе ИИ ошибку и перестанет им пользоваться. Сотрудник, которого не научили, задаст один неудачный вопрос, получит ерунду и решит, что инструмент бесполезен.

• Объясните заранее, что именно меняется в работе: ИИ готовит черновик, человек проверяет и решает.
• Учите на своих задачах, а не на общих примерах из интернета. Мы проводим обучение ИИ для сотрудников и разработчиков именно так — на реальных процессах компании.
• Назначьте внутреннего «чемпиона» — человека, который пользуется инструментом каждый день и помогает коллегам.

4. Безопасность: куда уходят данные

Первый вопрос руководителя и службы безопасности — где окажутся наши документы и данные 1С. Худший вариант, который при этом встречается чаще всего, — сотрудники сами копируют выгрузки в публичные чат-боты, потому что официального инструмента нет. Запрет без альтернативы такой «теневой ИИ» не останавливает.

Решение принимается до пилота, вместе со службой безопасности:

• российские облачные модели — YandexGPT и GigaChat, данные обрабатываются в России;
• зарубежные модели — ChatGPT и Claude: подключаем их и учим сотрудников работать, но персональные данные до отправки исключаем или обезличиваем;
• свой контур — открытые модели (DeepSeek, Qwen, GigaChat, YandexGPT 5 Lite) на ваших серверах, когда данные не должны покидать компанию. Как это устроено, — на странице «Локальные LLM».

В любом варианте ассистент видит в 1С и Битрикс24 только то, что разрешено пользователю, от имени которого работает, а каждое его действие пишется в журнал.

5. Юридические риски

Юридические риски ИИ в бизнесе стоит обсудить с юристом до запуска, а не после первой претензии. Основные вопросы:

• Персональные данные (152-ФЗ). Отправка персональных данных в сервис за рубежом — это трансграничная передача со своими требованиями, в том числе уведомлением Роскомнадзора. Проще всего не передавать персональные данные в модель вообще: обезличивать или работать в своём контуре.
• Коммерческая тайна и договоры с клиентами. Часто в договоре с клиентом прямо запрещена передача его информации третьим лицам — облачный сервис тоже третье лицо.
• Ответственность за ошибку. Если ИИ ошибся в письме клиенту или в документе, отвечает компания, а не модель. Поэтому всё, что уходит наружу или меняет учёт, сначала проверяет человек.
• Права на результат. Тексты и картинки, созданные ИИ, лучше проверять на совпадения с чужими материалами и не выдавать за уникальные без редактуры.

Итог юридической части — короткий регламент для сотрудников: какие данные можно отправлять в какой сервис, что запрещено, кто проверяет результат.

6. Интеграция: ИИ отдельно, работа отдельно

Чат-бот в соседней вкладке быстро надоедает: выгрузить, вставить, скопировать ответ обратно. Польза появляется, когда ИИ подключён к 1С, Битрикс24, почте и мессенджерам напрямую и сам берёт данные и кладёт результат туда, где сотрудник и так работает. Доработки 1С под ИИ мы делаем в расширениях — типовая конфигурация остаётся на поддержке и обновляется без проблем.

7. Пилот не взлетел

Демонстрация прошла отлично, а через два месяца инструментом никто не пользуется. Обычно причина одна из трёх: не договорились, что считается успехом; качество проверяли на «удобных» примерах, а не на реальном потоке; после пилота не было плана, кто и как переводит сценарий в рабочие системы.

Поэтому критерии успеха и эталонные вопросы фиксируются до старта пилота, а провал пилота — тоже результат: лучше потратить 2–4 недели и узнать, что задача ИИ не подходит, чем полгода внедрять. Иногда честный вывод разбора — «здесь ИИ не нужен», и задачу дешевле решить обычной автоматизацией 1С или роботами Битрикс24.

Риски ИИ в бизнесе после запуска

Даже успешный проект несёт риски использования ИИ в бизнесе, о которых нужно помнить:

• Выдуманные ответы. Модель может уверенно ответить там, где данных нет. Лечится ответами со ссылкой на источник и правилом «нет данных — так и скажи».
• Ошибочные действия агента. ИИ-агент, который сам меняет данные, опаснее ассистента, который только отвечает. Права включаем по ступеням: сначала только журнал, затем действие после подтверждения человеком, и лишь для проверенных сценариев — самостоятельно в заданных рамках.
• Качество проседает после обновления. Поставщики обновляют модели, у вас меняются регламенты. Перед каждым обновлением сценарий прогоняется через эталонные вопросы.
• Растущие расходы. Оплата модели зависит от объёма запросов. Считайте стоимость одного ответа на вашем объёме заранее и следите за ней.
• Зависимость от одного сервиса. Решение стоит строить так, чтобы модель можно было сменить без переделки — например, перейти с зарубежной на российскую или локальную.

Почему у многих «не взлетело»: наш опыт

Мы сначала внедряли ИИ у себя — в разработке на 1С. И прошли все те же стадии: модель уверенно выдумывала несуществующие методы платформы, код не работал, хотелось бросить. 1С — один из самых неудобных стеков для ИИ: открытого кода на 1С в интернете намного меньше, чем на популярных языках, поэтому модель знает платформу хуже. Подробнее о причинах — в статье «ИИ в 1С в 2026 году».

Перелом случился, когда мы перестали «писать промпты» и собрали рабочую среду: паспорт проекта, справочник платформы, записанные приёмы команды, git и проверку после каждой правки. Разработка ускорилась в 6 раз: типовая задача занимает 15–20 часов вместо 100. Главный вывод, который мы переносим в проекты клиентов: девять из десяти провалов ИИ-агентов — от плохого контекста задачи, а не от слабой модели.

Второй пример — наш ИИ-агент, который проверяет задачи в Битрикс24 по регламенту. Первый прогон шёл только в журнал, без единого действия: из 32 задач в работе у 28 не было оценки в часах и у 28 — срока. Автоматические действия включаются только после калибровки, когда вердикты агента совпадают с мнением руководителя не менее чем в 85% случаев. Это и есть управление риском: сначала доверие на цифрах, потом права. Подробно — в кейсе «ИИ-агент проверяет задачи в Битрикс24».

Чек-лист перед запуском

1. Выбран один процесс, у него есть ответственный.
2. Замерены показатели «до»: время, объём, ошибки.
3. Собраны примеры с правильными ответами и записаны правила.
4. Со службой безопасности согласованы модель, контур и данные, которые можно передавать.
5. Есть регламент для сотрудников и понятно, кто проверяет результат ИИ.
6. Определены критерии успеха пилота и что будет после него.
7. Посчитаны расходы на модель или сервер на вашем объёме.

Читайте также: Концепция внедрения ИИ; Медицинский ИИ-ассистент для клиники; Лучшие ИИ для бизнеса.

Частые вопросы

Какие главные проблемы внедрения ИИ в компании?

Неподготовленные данные, завышенные ожидания без измеримой цели, сопротивление и неумение сотрудников, вопросы безопасности и юридические риски, отсутствие связи с рабочими системами и пилоты без плана внедрения. Сама модель редко бывает главной причиной.

Какие барьеры внедрения искусственного интеллекта самые серьёзные для среднего бизнеса?

Обычно — нехватка своих специалистов и непонятный эффект. Оба барьера снимаются небольшим пилотом на одном процессе с замером «до» и «после» и обучением сотрудников на своих задачах.

Какие риски ИИ в бизнесе самые опасные?

Утечка персональных данных и коммерческой тайны, выдуманные ответы, которые уходят клиенту без проверки, и действия ИИ-агента без контроля. Против всех трёх работают выбор контура до пилота, проверка человеком и поэтапное расширение прав агента.

Можно ли внедрить ИИ так, чтобы данные не уходили из компании?

Да. Открытые модели разворачиваются на ваших серверах или в арендованном сервере в российском ЦОД, и данные не покидают контур. Нужно заранее проверить на пилоте, хватает ли качества локальной модели на ваших задачах.

Что делать, если пилот не дал результата?

Разобрать причину: данные, постановка, выбор процесса или модель. Если причина устранима — повторить на исправленных условиях, если нет — остановиться. Отрицательный результат пилота экономит деньги на большом внедрении.

Заменит ли ИИ сотрудников?

В наших проектах — нет. ИИ забирает рутину: разбор документов, черновики, ответы на типовые вопросы. Решения, проводки и ответственность остаются за людьми.

Какие этические проблемы у ИИ в медицине, например в кардиологии?

Главные — кто отвечает за решение, если ИИ ошибся в оценке снимка или ЭКГ; врачебная тайна и защита медицинских данных; непрозрачность выводов модели; перекос обучающих данных, из-за которого точность для разных групп пациентов отличается. Поэтому в медицине ИИ остаётся помощником врача, а окончательное решение принимает врач.

Итог

Барьеры внедрения ИИ известны и предсказуемы: данные, ожидания, люди, безопасность, право и пилоты без продолжения. Каждый из них снимается до запуска: один процесс и одна метрика, порядок в данных, согласованный контур, регламент для сотрудников и поэтапное доверие к ИИ на основе цифр. Тогда ИИ даёт измеримый эффект, а не остаётся очередной демонстрацией.

Хотите заранее понять, какие проблемы внедрения ИИ ждут именно вашу компанию? Посмотрите, как мы внедряем ИИ в бизнес, и оставьте заявку — бесплатно разберём задачу, оценим данные и риски и предложим пилот на ваших данных. Работаем по всей России.