Полгода стратегии ИИ, ноль строк кода

  • ИИ в продакшене за 4 недели
  • Очередь исключений разобрана
  • Демо для совета заменило презентацию
  • 4 недели Срок от старта работ до ИИ в продакшене
  • 78% Точность маршрутизации исключений на запуске
  • 260 до 80 Еженедельные человеко-часы (до/после)

Что изменилось

Срок от старта работ до ИИ в продакшене
4 недели
Точность маршрутизации исключений на запуске
78%
Еженедельные человеко-часы (до/после)
260 до 80
Среднее время обработки исключения
8 мин до 2 мин
Потребовалось дополнительного персонала
0 $
Живое демо, заменившее 40-страничную презентацию
1

Ситуация

Британская логистическая компания с 400 сотрудниками и одобренным советом бюджетом на ИИ в 500 000 $ полгода пыталась внедрить ИИ. Они наняли консультанта по стратегии ИИ, оценили 12 поставщиков, отобрали 3, запустили две сборки proof of concept, обе бросили и подготовили 40-страничную презентацию стратегии. В продакшене не работало ничего. Это правило, а не исключение: опрос S&P Global 2025 года среди более чем 1 000 компаний показал, что 42% отказались от большинства своих инициатив в области ИИ против 17% годом ранее, а средняя организация отбраковывала 46% своих proof of concept до того, как они доходили до продакшена. Совет терял терпение. Операционная команда, которая должна была выиграть от инвестиций в ИИ, перестала ходить на руководящие совещания по ИИ, потому что не верила, что хоть что-то когда-нибудь будет выпущено.

Что на самом деле сломалось

Главной проблемой был объём. Презентация стратегии ИИ охватывала семь сценариев в четырёх отделах. У каждого сценария было бизнес-обоснование, рекомендация по поставщику и сроки. Но никто не задал самый важный вопрос: какой из них мы строим первым и что значит "готово" для этой одной вещи? Стратегия рассматривала все семь сценариев как портфель, который нужно реализовать параллельно. На практике это означало, что каждое совещание превращалось в спор об относительном приоритете, выборе поставщика и распределении ресурсов между семью инициативами. Ни у одной инициативы не было достаточно фокуса или ресурсов, чтобы дойти до продакшена. Опрос McKinsey по ИИ 2025 года показал, что организации, сообщающие о значимой финансовой отдаче, вдвое чаще перепроектировали сквозной рабочий процесс до выбора техники моделирования. Эта презентация перевернула порядок: она выбрала поставщиков и архитектуры для семи рабочих процессов, которые на самом деле никогда не перепроектировала.

Два заброшенных proof of concept ясно иллюстрировали проблему. Первым была модель прогнозирования спроса, для которой требовалось очистить и нормализовать 18 месяцев исторических данных, прежде чем можно было начать обучение. Команда данных оценила только подготовку данных в три месяца. Проект отложили на втором месяце, когда очистка данных оказалась сложнее ожидаемого. Вторым был чат-бот для службы поддержки, которому требовалась интеграция с семью внутренними системами. Работу по интеграции оценили в четыре месяца. Проект отложили на первом месяце, когда первая интеграция заняла три недели вместо оценённых трёх дней. Оба следовали хрестоматийному сценарию провала: демо, построенное на чистых тестовых данных, ломается в тот момент, когда сталкивается с системами реального времени и неупорядоченными записями продакшена. Отраслевые исследования прямо говорят об этом разрыве. Из тех proof of concept по ИИ, что всё же доходят до продакшена, средний путь от прототипа до работающей системы занимает около восьми месяцев, и большинство этот путь так и не проходит.

Сильнее всего страдала операционная команда. Она обрабатывала около 2 000 исключений доставки в неделю: посылки, которые задержались, ушли не туда или были повреждены. Каждое исключение требовало, чтобы оператор-человек изучил детали, определил подходящий процесс разрешения и вручную направил его в нужную команду. Процесс занимал в среднем 8 минут на исключение, потребляя примерно 260 человеко-часов в неделю. Операционный директор просил автоматизацию уже два года. Эта работа была именно тем типом структурированной повторяющейся классификации, с которой машинное обучение хорошо справляется: прочитать несколько атрибутов исключения и сопоставить их с правильным процессом разрешения, та же сортировка, которую логистические платформы 2026 года теперь автоматизируют, переходя от реактивного тушения пожаров к проактивной маршрутизации. Презентация стратегии ИИ числила его как сценарий номер пять из семи, запланированный на четвёртый квартал. Операционная команда перестала ждать.

Шаг за шагом

Сессия по одному сценарию

Мы провели двухчасовую сессию с операционным директором, руководителем команды данных и CTO. Цель состояла в том, чтобы выбрать один сценарий, отвечающий трём критериям: высокая бизнес-ценность, доступные обучающие данные и достижимость за четыре недели. Маршрутизация исключений доставки набрала наибольший балл по всем трём. Данные уже были структурированы в операционной базе, бизнес-эффект поддавался количественной оценке (260 человеко-часов в неделю), а логика сопоставления была основана на паттернах, а не генеративной, что означало, что подойдёт более простая архитектура модели. Лимит в четыре недели был намеренным. Сценарий, который нельзя выпустить за месяц, обычно недостаточно сужен, а застопорившийся пилот не учит организацию ничему, кроме того, что ИИ здесь не работает.

Валидация данных и архитектура модели

Мы потратили три дня на валидацию данных об исключениях: 18 месяцев разрешённых исключений с заметками операторов, кодами разрешения и решениями по маршрутизации. Данные были достаточно чистыми для обучения без обширной предобработки. Мы выбрали модель классификации, которая сопоставляла атрибуты исключения (тип, перевозчик, источник, назначение, ценность) с процессами разрешения. Никакой LLM не нужен, никакой инженерии промптов, никаких затрат на токены, растущих с объёмом. Это паттерн, который отрасль в целом снова и снова переучивает: лучшие результаты в логистике рождаются из сочетания классических операционных методов с историческими данными и сфокусированной моделью, а не из попытки взять самую большую доступную систему. Модель должна была быть точной, а не творческой.

Сборка работающей интеграции

Интеграция была построена так, чтобы работать рядом с существующим ручным процессом, а не заменять его. Когда поступало новое исключение, модель предсказывала процесс разрешения и предзаполняла поля маршрутизации. Оператор мог принять предложение одним кликом или переопределить его. Это и есть дизайн human-in-the-loop, который команды продакшен-ИИ теперь считают стандартом: модель предлагает, человек решает, и каждое переопределение фиксируется как размеченный обучающий сигнал, а не теряется в рабочем процессе. Это означало, что модель можно было развернуть без какого-либо риска для существующих операций. Ошибочные предсказания просто исправлялись, а исправления со временем напрямую возвращались в модель.

Развёртывание в продакшене и измерение

Интеграцию развернули в продакшене на третьей неделе. К четвёртой неделе модель правильно маршрутизировала 78% исключений без вмешательства оператора. Оставшиеся 22% требовали ручной проверки, но предзаполненные поля всё равно экономили время, даже когда оператор менял маршрутизацию. Операционная команда перешла с 8 минут на исключение в среднем менее чем до 2 минут. Еженедельные человеко-часы упали с 260 примерно до 80, высвободив около 180 часов в неделю для тех исключений, которые действительно требовали человеческого суждения. Операционный директор показал совету живое демо вместо привычной презентации.

Их словами

Мы восемь месяцев говорили об ИИ. Вы выпустили что-то за три недели. Операционная команда встала и зааплодировала, когда увидела, как работают предсказания маршрутизации. Я никогда не видел, чтобы такое происходило на руководящем совещании.
DeclanРуководитель операций, Логистика Великобритании

Всё, что вы спросили бы на первой встрече

Вы всегда рекомендуете начинать с одного сценария?

Да. Каждая инициатива по ИИ, которую мы видели успешной, начиналась с одного чётко определённого сценария, который быстро доходил до продакшена. Широкие стратегии, пытающиеся охватить несколько сценариев одновременно, неизменно буксуют, и это одна из причин, по которым публикуемые корпоративные показатели провалов так высоки. Выпустите одну вещь, докажите ценность в реальных операциях, а затем расширяйтесь от работающей основы, а не от слайда.

Улучшалась ли точность со временем?

Да. Точность модели выросла с 78% на запуске до 89% через 8 недель, по мере того как исправления операторов давали дополнительные обучающие данные. Контур обратной связи был встроен в рабочий процесс с первого дня, поэтому каждое принятие и каждое переопределение делали следующее предсказание лучше. Модели без такого контура склонны дрейфовать в обратную сторону по мере изменения данных реального мира; эта же улучшалась именно потому, что у исправлений был путь обратно в обучение.

А если у нас нет чистых исторических данных?

Качество данных - самый частый блокер для проектов ИИ. Если данные не чистые, мы сначала планируем спринт подготовки данных. Мы честны со сроками: если подготовка данных занимает 8 недель, мы говорим 8 недель, а не 2. Слабая готовность данных - самая часто называемая причина отказа от инициатив по ИИ, поэтому мы предпочитаем оценить её точно, а не обнаружить на третьей неделе. У логистической компании было 18 месяцев чистых структурированных данных об исключениях, что и сделало возможным срок в 4 недели.

Вы строите кастомные модели или используете готовый ИИ?

Зависит от сценария. Для этого проекта кастомная модель классификации была правильным выбором, потому что задача была чётко определена, а данные были структурированы. Для других проектов мы используем OpenAI, Anthropic или модели с открытым исходным кодом там, где они подходят лучше. Генеративная модель была бы медленнее, дороже и менее точной для задачи маршрутизации с фиксированными категориями вроде этой. Выбор технологии следует за определением задачи, а не наоборот.

4 недели Срок от старта работ до ИИ в продакшене

Связаться с нами

Расскажите, что вы хотите создать. Мы скажем, с чего начать и что для этого нужно.

АвторОснователь и имагинатор

Опубликовано