Как запустить ИИ-пилот за два дня и проверить гипотезу на живой карте бизнеса

Сразу разведу два тезиса, которые часто путают. За два дня можно запустить пилот и проверить гипотезу. Промышленную эксплуатацию за два дня не построит никто, и я не буду обещать обратного. Но проверить, взлетит ли идея, до того как в неё вложены месяцы и миллионы, действительно реально за два дня. При одном условии: у компании уже есть карта бизнеса. Ниже разберу, почему пилоты валятся, где сгорает время, и что позволяет свернуть месяцы подготовки в два дня.

Коротко:

• 95% ИИ-пилотов не дают эффекта на прибыль (MIT, 2025). Причина не в нейросети, а в интеграции и обучении.
• Больше всего времени в пилоте съедает этап обследования: понять, как устроен процесс и где лежат данные. Готовая карта бизнеса этот этап снимает.
• Два дня — это проверка гипотезы на живой карте, а не запуск в промышленную эксплуатацию. Промышленная эксплуатация — это отдельные 90 дней: доработать решение, стабилизировать, внедрить.
• Пилот начинают с одного узкого дорогого стыка и понятной денежной метрики, а не с модного инструмента.

Почему ИИ-пилоты проваливаются

Цифры 2025 года отрезвляют. MIT: 95% корпоративных ИИ-пилотов не дали измеримого эффекта на прибыль. Gartner: более 40% проектов агентного ИИ будут отменены к концу 2027 года из-за роста издержек и неясной ценности, а из тысяч поставщиков, называющих себя «агентными», реально таковых около ста тридцати. Ещё раньше Gartner предсказал, что не меньше 30% ИИ-проектов забросят после стадии пилота, и к 2026 году, судя по практике, он сбывается.

В России картина та же по сути. По оценке «Якова и Партнёров», 71% крупных компаний уже применяют генеративный ИИ хотя бы в одной функции, а потенциальный эффект оценивают в 7,9–12,8 триллиона рублей в год к 2030 году. Но до промышленной эксплуатации, по данным отраслевых обзоров, доходят лишь 7–10% проектов, а до 40% пилотов закрывают из-за слабой финансовой отдачи.

Важно, что MIT прямо называет корень: барьер не в инфраструктуре и не в талантах, а в том, что системы не удерживают обратную связь, не адаптируются к контексту и не встраиваются в конкретные рабочие процессы. Проще говоря, пилот проваливается не из-за модели, а из-за того, что её подключили к хаосу и оставили без хозяина.

Главный убийца пилота: этап обследования

Если разложить типичный ИИ-пилот по времени, окажется, что сама модель настраивается быстро. Месяцы уходят на другое: понять, как реально идёт процесс, где живут данные, кто отвечает за результат, как подключиться к CRM, ERP и учётной системе. Это и есть этап обследования, и именно он сжигает бюджет и терпение заказчика.

Российская практика подтверждает диагноз. В разборах типичных ошибок внедрения ИИ на первом месте стоят путаница между обучением и внедрением, выбор модели по моде и слабая интеграция с CRM, ERP и СЭД. То есть провал рождается не в нейросети, а на стыках между ней и системами компании. Я это правило повторяю давно: стыки дороже систем. В пилотах оно работает так же безжалостно, как в текущей операционной работе.

Есть и ловушка «пилотного болота». Пилот гоняют на чистой выборке, всё красиво, заказчик доволен. А промышленная эксплуатация встречает разрозненные грязные данные в устаревших системах и таблицах, и решение рассыпается. Поэтому проверять гипотезу нужно сразу на живых данных и реальном стыке, а не на витринной демонстрации.

Почему готовая карта бизнеса сворачивает месяцы в два дня

Теперь главное. Если карта бизнеса уже построена, этапа обследования просто нет. Мы не тратим месяц на «давайте разберёмся, как у вас всё устроено», потому что это уже известно: карта показывает процесс от начала до конца, места потерь в рублях и стык, на котором ИИ реально изменит деньги.

Дальше пилот собирается быстро, потому что известно главное:

• какой именно узкий процесс брать, где крутятся деньги и понятна метрика успеха;
• где лежат данные и в каком они состоянии;
• к каким системам подключаться и кто отвечает за результат на стыке.

Это ровно то, что MIT называет условием успешных 5%: узкий ценный плацдарм и встраивание в конкретный процесс, а не витрина. И это же объясняет, почему внешний партнёр с готовой диагностикой доводит пилот до промышленной эксплуатации вдвое чаще, чем внутренняя команда с нуля: по данным MIT, покупка или партнёрство доходит до неё примерно в 67% случаев против 33% у полностью своей разработки.

Что именно происходит за два дня

Без магии. Два дня — это две плотные рабочие сессии на вашей живой карте.

День первый: берём один стык с самой дорогой потерей из карты, формулируем гипотезу в деньгах (например, сократить срыв сроков на переходе продажи-склад), подключаемся к нужным данным и системам, настраиваем сценарий под конкретную задачу.

День второй: запускаем сценарий на ограниченном, но реальном наборе задач, снимаем метрики, сравниваем с гипотезой. На выходе честный ответ: работает или нет, и сколько это стоит в масштабе.

Смысл не в том, чтобы за два дня получить готовую систему. Смысл в том, чтобы дёшево и быстро отсеять то, что не взлетит, вместо дорогого провала через полгода. Проверка гипотезы стоит доли того, во что обходится брошенный пилот.

Честный горизонт: два дня и девяносто дней

Чтобы не было ложных ожиданий, разложу весь путь.

Два дня — проверка гипотезы на живой карте. Ответ «да, эта идея меняет деньги» или «нет, не эта».

Дальше, если гипотеза подтвердилась, начинается настоящая работа: доработать решение под грязные данные, стабилизировать, встроить в процесс, добавить контроль и наблюдение. Это горизонт порядка 90 дней, а не два. McKinsey в 2025 году показал, почему это неизбежно: меньше 10% компаний масштабируют ИИ-агентов хотя бы в одной функции, и только 39% фиксируют влияние на прибыль. При этом сильные компании в 3,6 раза чаще перепроектируют сам процесс под ИИ, а не прикручивают ИИ к старому процессу. Переработка процесса и есть главный рычаг ценности, а она требует времени.

Поэтому мы честно обещаем не «боевую систему за два дня», а быстрый и дешёвый способ понять, стоит ли вообще идти в эти 90 дней. Это трезвый подход без завышенных ожиданий, но именно он экономит деньги.

Когда двухдневный пилот имеет смысл

• У вас уже есть карта процессов или вы готовы начать с короткой диагностики стыков.
• Есть конкретная боль на стыке с понятной ценой: срывы сроков, ручные сверки, потерянные заявки.
• Вы хотите проверить идею до крупного бюджета, а не запустить «ИИ вообще».
• Цель — эффект в операциях, финансах или вспомогательных службах, где по данным MIT выше отдача, а не витринный пилот для пресс-релиза.

Если это про вас, начинать стоит не с выбора нейросети, а с вопроса, где на вашей карте ИИ изменит деньги. Как устроен пилотный ИИ-проект с проверкой окупаемости и на какой метрике мы фиксируем результат, я описываю отдельно. А если карты ещё нет, начните с диагностики сквозного процесса, после которой пилот и собирается за два дня.

Частые вопросы

Правда ли можно запустить ИИ за два дня? За два дня запускается пилот для проверки гипотезы на живой карте бизнеса, а не промышленная система. Быстро это возможно потому, что пропускается этап обследования: карта процессов и данных уже готова. Промышленная эксплуатация занимает отдельный горизонт около 90 дней.

Почему проваливаются ИИ-пилоты? По данным MIT (2025), 95% пилотов не дают эффекта на прибыль, и причина не в модели, а в том, что решение не встроено в реальный процесс, не подключено к CRM, ERP и СЭД и не имеет ответственного. Провал рождается на стыках между ИИ и системами компании.

Чем пилот отличается от промышленной эксплуатации? Пилот проверяет гипотезу на ограниченном наборе реальных задач и отвечает на вопрос «работает или нет». Промышленная эксплуатация — это доработка решения под грязные данные, стабилизация, встраивание в процесс и контроль. Первое занимает дни, второе — недели и месяцы.

Что нужно от нас, чтобы уложиться в два дня? Готовая карта процессов или согласие начать с короткой диагностики, доступ к данным и системам на выбранном стыке и один ответственный за результат с вашей стороны. Гипотезу в деньгах мы формулируем вместе на первой сессии.

Стоит ли делать пилот самим, без подрядчика? По данным MIT, внутренняя разработка с нуля доходит до промышленной эксплуатации вдвое реже, чем проект с внешним партнёром (примерно 33% против 67%). Причина та же: этап обследования и типичная ошибка «один энтузиаст вместо команды». Готовая методология и карта снимают обе.

Что почитать дальше

• Карта бизнеса как цифровой двойник: что это за карта и почему без неё ИИ не понимает компанию.
• Методика «Стыки дороже систем»: где на карте искать самый дорогой стык для первого пилота.
• Пилотный ИИ-проект с проверкой окупаемости: как устроен пилот и на какой метрике мы фиксируем результат.
• Диагностика сквозных процессов: построить карту за две недели, если её ещё нет.