Вы захлебнулись в нейросетях: как ИИ-инструменты начинают ломать бизнес
Вы не знаете, сколько ИИ-инструментов реально используется в компании и кто за них отвечает. При этом растут счета и риски утечек. Это и есть технологический перегруз. Как от него избавиться, знает Константин Попандопуло, Umbrella IT
Фото: РБК
Искусственный интеллект становится частью корпоративной инфраструктуры. Вместе с новыми возможностями компании получают новую проблему: количество ИИ-инструментов растет быстрее, чем процессы управления успевают быть адаптированы под новую реальность. Но избыток сервисов может привести к дополнительным расходам, усложнить командную работу и снизить прозрачность.
Когда ручного учета становится недостаточно
Пока компания остается небольшой, сотрудники обычно самостоятельно выбирают инструменты для работы. В таких условиях дополнительные процессы управления зачастую не требуются: количество сервисов ограничено, а информация о расходах и доступах остается прозрачной.
Ситуация меняется по мере роста бизнеса. Исследование Zapier показывает, что 28% крупных компаний уже используют более десяти различных ИИ-приложений одновременно, а две трети организаций планируют и дальше расширять этот набор. При этом только 35% руководителей уверены, что все используемые в компании ИИ-инструменты проходят через утвержденные процедуры согласования.
Вместе с числом сотрудников растет количество подписок, лицензий, сервисов и моделей, используемых в ежедневной работе. Дополнительную сложность создают инструменты, которые закупаются под конкретные проекты или по запросу заказчиков.
Ситуацию усложняет то, что выбор ИИ-инструментов часто происходит на уровне отдельных сотрудников и команд. Пока таких решений немного, это не создает проблем. Однако по мере роста организации становится все сложнее отслеживать, какие сервисы используются, кто отвечает за их применение и насколько они востребованы бизнесом.
Главный риск — не технологии, а издержки
Обсуждая корпоративный ИИ, компании обычно сосредотачиваются на возможностях моделей, качестве ответов и перспективах автоматизации. Однако один из самых ощутимых рисков связан с гораздо более приземленными вещами — расходами и контролем за ними.
Дополнительные сложности создает сама модель потребления таких сервисов. Подписки оформляются разными подразделениями, используются в отдельных проектах и нередко продлеваются автоматически. В результате без регулярного аудита компания может месяцами оплачивать инструменты, которые уже не используются в работе.
Особенно сложно контролировать решения, купленные под конкретные проекты. После завершения работ такие сервисы далеко не всегда отключаются сразу. Поэтому бизнесу приходится постоянно пересматривать перечень используемых ИИ-инструментов и связанных с ними затрат, чтобы избежать накопления лишних расходов.
Еще один риск связан с использованием неподконтрольных компании сервисов. По данным исследования TELUS Digital, 68% сотрудников, работающих с генеративным ИИ, используют публичные инструменты через личные аккаунты, а 57% признаются, что вводили в них чувствительные корпоративные данные.
Для бизнеса это означает не только дополнительные расходы на неучтенные сервисы, но и потерю прозрачности в работе с данными. Именно здесь часто проявляются первые признаки технологического перегруза: компания продолжает инвестировать в новые инструменты, но все хуже понимает, какие решения уже используются, сколько они стоят и какую реальную пользу приносят бизнесу.
Почему отсутствие единых стандартов усложняет командную работу
Отдельный сотрудник редко сталкивается с проблемами из-за большого количества ИИ-инструментов. Как правило, он просто выбирает сервис, который лучше всего помогает решать его задачи.
Сложности начинаются на уровне команды. Например, один разработчик может выстроить работу вокруг конкретного кодового ассистента, настроить агентские сценарии и загрузить в модель необходимый контекст. Если затем проект передают другому специалисту, который использует другой набор инструментов, ему приходится тратить время не только на изучение кода и документации, но и на освоение чужой рабочей среды.
В результате вместе с проектом передаются не только технические артефакты, но и накопленные практики взаимодействия с ИИ-моделями.
По мере роста команды такие различия начинают сказываться на эффективности работы. Замедляется онбординг новых сотрудников, усложняется передача знаний, а качество совместной работы становится менее предсказуемым. Когда сотрудники используют разные модели и по-разному работают с контекстом, возрастает риск неоднозначной трактовки требований и ошибок на стыке процессов.
Масштаб проблемы подтверждают и исследования. По данным WalkMe, 78% сотрудников, использующих ИИ в работе, применяют инструменты, не одобренные работодателем. В таких условиях компаниям становится гораздо сложнее выстраивать единые подходы к использованию искусственного интеллекта и контролировать фактический набор рабочих инструментов.
При этом проблема не в самих сервисах. Она возникает тогда, когда внутри команды отсутствуют общие правила их использования.
Для бизнеса такая фрагментация оборачивается не только дополнительными расходами или локальными сложностями в отдельных подразделениях. По мере роста компании она начинает влиять на скорость передачи проектов между сотрудниками, сохранность накопленного контекста и воспроизводимость рабочих процессов. В результате организациям становится сложнее масштабировать успешные практики использования ИИ и поддерживать единые стандарты работы.
С чего начать наведение порядка
Во многих случаях компаниям не требуется немедленное внедрение специализированных решений или масштабных программ трансформации. Начать можно с нескольких базовых шагов.
Шаг 1. Создать систему учета используемых инструментов
Первая задача — понять, какие ИИ-сервисы уже используются внутри компании. На практике отправной точкой может стать анализ корпоративных расходов: история платежей позволяет восстановить перечень инструментов, определить их владельцев и оценить фактическую востребованность.
Важно не только составить список сервисов, но и зафиксировать, кто использует конкретный инструмент, для каких задач он применяется и сохраняется ли потребность в нем сегодня.
Вступайте в сообщество Школы управления РБК в Telegram или «Максе», чтобы общаться с руководителями из разных сфер, выстраивать нетворкинг и получать советы экспертов.
Шаг 2. Формализовать процесс закупок
По мере роста организации важно, чтобы новые инструменты появлялись не стихийно, а в рамках понятной процедуры. Если сотрудник или команда хотят приобрести новый сервис, необходимость такой закупки должна быть связана с конкретной бизнес-задачей и проходить через согласование.
Это позволяет избежать дублирования функций, неконтролируемого роста расходов и накопления редко используемых решений.
Шаг 3. Определить единые правила работы с ИИ
Следующий этап связан с организацией командной работы. По мере роста количества инструментов компаниям приходится договариваться о единых подходах к использованию моделей, работе с контекстом и передаче проектов между сотрудниками.
Практика показывает, что именно на этом этапе начинают проявляться последствия технологической фрагментации. Если разные специалисты используют разные инструменты и по-разному организуют работу с ИИ, передача проектов требует дополнительных затрат времени на погружение в контекст и освоение сложившихся рабочих практик.
Поэтому компаниям нередко приходится вводить регламенты, инструкции и внутренние стандарты использования ИИ-инструментов. Такие меры помогают упростить совместную работу команд, снизить зависимость процессов от индивидуальных настроек отдельных сотрудников и обеспечить более предсказуемые результаты работы.