Судьба внедрения ИИ решается
до его начала — при выборе точки приложения.

Назначение методологии

Для коммерческого предприятия — производство, логистика, сервис, бэк-офис. Методология отбирает среди повторяющихся операций те, где ИИ принесёт наибольшую пользу — измеримо повысит эффективность процесса, — и отвечает на три вопроса: куда его приложить; как довести внедрение до измеримого эффекта; как при этом не потерять контроль. Это не стратегический манифест «станьте AI-компанией» — это правила отбора и разворачивания, по которым можно работать.

Методология намеренно начинается с процесса, а не с технологии. Вместо «у нас есть ИИ — куда бы его применить» вопрос ставится так: «вот процесс, который стоит денег, — можно ли его улучшить, и чем это доказать».

Термины

Вектор — процесс или участок процесса, выбранный для приложения ИИ по правилу вектора. Узел — точка процесса, где снимаются данные и применяется результат работы ИИ. Baseline — зафиксированное до старта значение метрики. Порог приёмки — согласованное заранее значение метрики, при устойчивом достижении которого пилот считается состоявшимся. Цикл качества — регламентный контур: верификация знаний → живые данные → самообучение.

Правило вектора: где ИИ окупается

Вектор — это конкретный процесс (или участок процесса), выбранный для приложения ИИ. Самый выгодный вектор удовлетворяет пяти критериям одновременно:

Для длительных и неповторяющихся процессов правило применяется к участку: внутри процесса ищется отрезок, где исполнение можно изменить и применима модель (математическая или обучаемая) — и вектором становится он, а не процесс целиком.

Направления инвентаризации: где на предприятии живут векторы

Инвентаризация не должна сводиться к тому, что владельцы процессов принесли сами: у каждого руководителя есть участки, которые он бережёт от изменений. Поиск ведётся систематически — по функциональным областям. Перечень двухуровневый: отраслевое ядро зависит от типа компании (у завода — производство и ремонты, у торговой сети — торговые операции), сквозные области присутствуют на любом предприятии. Примеры в третьей колонке — документированные кейсы, включая уроки провалов и откатов.

Профили направлений: что смотреть первым, где типовой стоп, с чего стартовать

Направление — не просто рубрика поиска. У каждого — свой типовой профиль: какие атрибуты анкеты обычно уже сильны, какие проседают, какое стоп-условие чаще всего валит проекты именно здесь и с какой ступени автономии начинать. Профили собраны по документированным кейсам реестра.

Профили — подсказка, не приговор: анкета раздела ниже всё равно заполняется по фактам конкретного процесса. Профиль лишь говорит, какие атрибуты в этом направлении проверять первыми и какой урок уже оплачен чужими деньгами.

Опросник процесса: атрибуты, предсказывающие успех

Каждый процесс-кандидат описывается анкетой из четырнадцати атрибутов — их заполняет владелец процесса вместе с ведущим внедрения за 30–60 минут. Атрибуты подобраны как предикторы: по многолетней практике внедрений именно они отличают проекты, дошедшие до эффекта, от брошенных пилотов. По ответам считается индекс осуществимости (0–100) и срабатывают стоп-условия.

Как читать результат: 70 и выше — высокая вероятность успеха, вектор берётся в ранжирование; 45–69 — средняя: сначала закрываются атрибуты с нулём и единицей (оцифровка входа, сбор истории, выделение экспертов), затем анкета пересчитывается; ниже 45 — не брать сейчас. Любое сработавшее стоп-условие (атрибуты 7, 8, 10, 12 в нуле) снимает вектор независимо от суммы: без замера, точки встраивания, владельца или права на изменение пилот обречён при любой технологии. Атрибут 9 в нуле — не стоп, но требование: контролёр результата на выходе обязателен, автономия для такого узла — не цель.

Ранжирование работ

Прошедшие фильтры векторы сравниваются одним числом — приоритетным баллом. Он собирается из трёх параметров:

Типичная ошибка ранжирования — брать вектор с максимальным эффектом, игнорируя осуществимость: «самый дорогой» процесс часто самый неоцифрованный и неприкасаемый. Формула сознательно топит такие векторы: большой приз при низкой осуществимости откладывается до второй волны, когда команда набрала опыт на быстрых победах.

Какая технология — какому процессу

Технология выбирается после процесса, а не наоборот, и снизу вверх — от самой простой к сложной. Класс работы из анкеты (атрибут 3) ведёт по шагам; переходите на следующую ступень, только если предыдущая не берёт задачу.

1. Выход — число или категория, смысл текста и картинка не нужны? Детерминированный расчёт, правила или классическая модель на табличных данных (регрессия, градиентный бустинг). Дёшево, предсказуемо, без галлюцинаций — остановитесь здесь, если задача берётся. Прогноз спроса и брака, числовые сверки, скоринг.
2. Вход — изображение или видео? Компьютерное зрение с дообучением на своём потоке. Контроль шва, деталь на конвейере, техника безопасности.
3. Нужен смысл текста, и ответ есть в ваших документах? Языковая модель с генерацией по источникам (RAG) на верифицированной базе знаний. Свободная генерация без опоры на документы в корпоративном процессе почти всегда ошибка. Техподдержка, справки по регламентам, извлечение полей из договоров.
4. Нужно несколько действий в разных системах по регламенту? Агент с инструментами — только под присмотром (ступень 2 лестницы автономии). Обработка заявки от приёма до закрытия.
5. Физический процесс с уставками? Математическая модель плюс обучаемая; языковая — лишь интерфейс к ним. Режимы установок, раскрой, дозирование.
6. Проверка достаточности. Выбранная технология — самая простая из достигающих порога качества? Если задачу решает ступень ниже — спуститесь. Результат в любом случае проверяется как недоверенный (раздел «Контроль»).

Справочник соответствий «класс процесса → класс технологии» — куда ведут шаги выше:

Baseline: замер до старта

Эффект существует только относительно точки отсчёта. До любого внедрения фиксируется текущее состояние метрики — временем, деньгами, долей ошибок.

Цикл качества: от 40% к рабочей системе

Разрыв между «модель отвечает» и «модели можно доверять процесс» закрывается методической работой с базой знаний и контуром обучения — покупка модели побольше его не закрывает:

1. Верификация знаний. Система генерирует вопросы-ответы по загруженным материалам; эксперты предприятия верифицируют их — подтверждают, правят, бракуют. Из подтверждённого складывается очищенная база знаний. Это недели-месяцы работы, и это основная работа, а не «настройка».
2. Подключение к живым данным. К очищенной базе подключаются рабочие системы — учёт, мониторинг состояния, трекинг задач, — чтобы система видела отклонения и текущий контекст, а не только документы.
3. Цикл самообучения. Ошибки, найденные контролёром и пользователями, возвращаются в базу знаний по регламенту: система учится на каждом инциденте, качество растёт без ручного переписывания.
4. Порог и только потом роли. Пока метрика качества не держится устойчиво выше согласованного порога и цикл самообучения не работает — ручной труд не сокращается и процесс не перестраивается.

Лестница автономии и три горизонта

ИИ на предприятии разворачивается по ступеням — и по каждому вектору, и по предприятию в целом. Перепрыгивание ступеней не ускоряет, а откатывает назад (см. анти-пример выше).

По масштабу предприятия те же ступени выглядят как три горизонта: применить готовое (ассистенты в существующих процессах — быстрые выигрыши), перестроить процесс (вокруг доказанного вектора меняется сам процесс — здесь основная ценность), создать новое (продукты и сервисы, невозможные без ИИ). Бюджет и внимание распределяются в этом порядке, а не наоборот.

Кто ведёт вектор

Минимальный состав на один вектор — три роли, и это функции, а не новые штатные единицы:

Управляемость: встроена, а не приклеена

Контроль — четыре свойства, встроенные в каждый вектор с первого дня; отдельный проект «про безопасность ИИ» для этого не нужен:

• Данные узла классифицированы — до подключения к модели ясно, есть ли в них персональные данные и коммерческая тайна, и что можно передавать наружу, а что обрабатывается только внутри периметра.
• Знания сегментированы — база знаний вектора имеет владельца и границы доступа; модель одного подразделения не выдаёт данные другого.
• Каждый обмен журналируется — запросы, ответы и действия восстановимы: без журнала нельзя ни расследовать инцидент, ни доказать эффект.
• Результат принимает человек — до заработанной автономии выход ИИ проходит контролёра (см. роли выше).

Детальная методология безопасного внедрения ИИ — контуры данных, домены знаний, 13 правил, модель зрелости — вынесена в отдельную методологию SAID; здесь достаточно четырёх свойств выше.

Право и стек: что учесть коммерческой компании

• Персональные данные в узле — обработка ПДн внешними моделями ограничена 152-ФЗ; штрафы за утечку с 2025 года оборотные (до 3% выручки, 420-ФЗ). Практичный путь для пилота — обезличивание данных на стороне предприятия до передачи: обезличенные данные перестают быть ПДн.
• Место обработки выбирают данные — общедоступные и обезличенные данные можно обрабатывать облачными моделями; коммерческая тайна и необезличенные ПДн — внутри периметра (on-prem модели: GigaChat, YandexGPT, открытые модели на своей инфраструктуре).
• Импортозамещение — как вектор, а не только ограничение — миграции с зарубежных СУБД и систем сами проходят правило вектора: повторяющаяся дорогая работа с измеримым результатом, которую ИИ ощутимо ускоряет (перенос отчётности, конвертация кода, сверка данных при переезде).

Что делать в понедельник

Короткий план на семь шагов — от инвентаризации до решения по метрике. Каждый шаг подробно разобран в научной статье (порядок применения модели — раздел 3.6, пример заполнения — приложение).

1. Инвентаризация — соберите с руководителей подразделений список повторяющихся ручных операций: что делается часто, руками и раздражает. Готово: реестр операций с частотой и оценкой стоимости.
2. Фильтры — отбросьте всё, что нельзя измерить и на что нельзя повлиять. Готово: у каждой оставшейся операции названы метрика и точка воздействия.
3. Ранжирование — приоритет = эффект × осуществимость ÷ стоимость внедрения. Возьмите один-два верхних. Готово: реестр отранжирован, выбор зафиксирован.
4. Опросник и скоринг — по каждому кандидату заполняется анкета из 14 атрибутов; стоп-условия отсеивают, индекс осуществимости идёт в формулу приоритета. Готово: анкеты заполнены, паспорта векторов собраны.
5. Baseline — зафиксируйте метрику «до» (для систем вопрос-ответ — тест ста вопросов). Готово: протокол baseline подписан владельцем процесса, порог приёмки согласован заранее.
6. Пилот с циклом качества — верификация знаний → подключение живых данных → цикл самообучения. Не сокращайте ручной труд до порога. Готово: метрика держится выше порога устойчиво, ошибки возвращаются в базу по регламенту.
7. Решение по метрике — эффект подтверждён цифрой: перестраивайте регламент и масштабируйте. Не подтверждён — закройте вектор и возьмите следующий: закрытый по метрике пилот — дёшево полученное знание, а не провал. Готово: акт эффекта с цифрами до/после, решение о масштабе или закрытии.

Метрики прогресса

Документы методологии

На пути вектора рождаются пять документов — короткие, по странице каждый; без них методология не воспроизводима и эффект не доказуем:

Сквозной пример

На чём это стоит

Методология — не набор мнений: её атрибуты выведены из опубликованных исследований, а решающее правило проверено на четырнадцати задокументированных внедрениях (шесть из семи провалов ловятся стоп-условиями, у успехов — ни одного).

Что почитать по теме

• Бондарь Д. П. (2026) Формализованная модель отбора процессов предприятия для внедрения технологий искусственного интеллекта — полное обоснование, 14 кейсов, сопоставление с мировыми аналогами (веб · PDF).
• Davenport T., Ronanki R. «Artificial Intelligence for the Real World» // Harvard Business Review, 2018 — доступная классика о том, почему инкрементальные ИИ-проекты успешнее «прорывных».
• Ryseff J. и др. «The Root Causes of Failure for AI Projects» // RAND, 2024 — разбор корневых причин провалов ИИ-проектов.
• MIT NANDA. «The GenAI Divide: State of AI in Business» // 2025 — исследование, откуда цифра о 95% пилотов без измеримого эффекта.

Полное обоснование, сопоставление с мировыми аналогами и результаты проверки — в научной статье.

Методология на одной ладони

Найди самый частый, короткий и дорогой ручной процесс, у которого есть цифровые данные и измеримый результат, а исполнение можно изменить. Замерь точку отсчёта до старта. Доведи качество до порога через верификацию знаний и цикл самообучения — и только потом сокращай ручной труд и меняй регламент. Докажи эффект метрикой — и масштабируй на следующий вектор. Контроль и журнал — с первого дня, автономия — заработанная, а не выданная авансом.