Почему 95% ИИ-проектов в бизнесе не доживают до продакшена?

Привет! Меня зовут Иван Кузнецов, я CBDO ИИ-направления компании «БизнесМатика».
Сейчас рынок перегрет хайпом вокруг нейросетей, но когда дело доходит до внедрения в реальный энтерпрайз (ритейл, производство, логистику), большинство пилотов умирает из-за управленческих ошибок и оторванности от бизнес-целей.

Мы в БизнесМатике считаем, что бизнесу нужны не эксперименты ради пиара, а работающие системы с измеримым ROI. Поэтом этот канал только про суровую практику:
🔹 Разбор реальных кейсов.
🔹 Архитектура под капотом.
🔹 Безопасность данных.
🔹 Математика проектов.

Если вы хотите понять, где именно ИИ принесет деньги в вашей компании, но не до конца уверены, с чего начать, - у нас есть бесплатная услуга ИИ-аудит. Мы смотрим на процессы и инфраструктуру, слушаем бизнес и ИТ, в итоге находим 2-3 quick win пилота для быстрого внедрения (с минимум рисков и затрат, но с максимумом потенциальной выгоды). Записывайтесь тут: 👉 bm-it.ru/ai

Какая модель зрелости ИИ полезнее для руководства - академическая или управленческая? Сравнил MIT CISR и простую схему со слайда Global Tech Forum. Получился вот такой разбор без заезженного “внедрить ИИ” https://vc.ru/ai/2846197-zrelost-ii-v-biznese-prostaya-model-protiv-mit

Почему 7 из 10 пилотов в ритейле не доходят до продакшена?

Я наткнулся на свежую статистику: российский бизнес свернул или заморозил 9 из 10 ИИ‑проектов. Слишком знакомые цифры, если смотреть на то, что происходит внутри ритейла

Бюджеты на ИИ есть, пилоты есть, а решения по запасам, планированию и ценам всё так же принимают по Excel и ощущениям категорийщиков. В итоге 7 из 10 пилотов даже не получают шанса стать промышленной системой и как‑то повлиять на P&L

ИИ‑пузырь в ритейле — это не «плохие модели», а отсутствие фундамента: интеграции с ERP/WMS/TMS, ИБ‑контуров и витрин данных под запасы и спрос

Полный разбор: https://media.bm-it.ru/proval-ii-proektov-v-ritele

Интересно, на каком этапе вы сейчас: пилоты или уже пром, давайте обсудим в комментариях👇

Я снова поймал себя на мысли: ассистенты, которые живут только на векторном поиске, очень быстро упираются в потолок…
Они идеально пересказывают документы, но в реальных связях между поставщиками, SKU, акциями, инцидентами и ответственными просто не ориентируются

В живом бизнесе вопрос звучит не «GraphRAG или RAG?», а «когда векторного поиска уже недостаточно и сколько будет стоить ошибка в этих связях». Я на это смотрю через ROI и зрелость данных: граф знаний нужен там, где цена промаха выше, чем стоимость всей этой истории.

👉🏻 GraphRAG уместен, когда вопросы про цепочки влияния: supply chain, риск, customer 360, комплаенс
👉🏻 Во многих сценариях (FAQ, регламенты, helpdesk) честно хватает нормально сделанного RAG или гибридного RAG
👉🏻 Без MDM, онтологии и владельцев данных граф просто аккуратно консервирует ваш хаос, а LLM начинает додумывать связи там, где на кону выручка и штрафы

Полный разбор сделал тут: https://media.bm-it.ru/rag-korporativnyh-dannyh

Интересно, где у вас ассистенты уже упёрлись в потолок RAG - можно обсудить в комментариях 👇