Коротко
- Своя модель нужна редко: ценность обычно в данных, интеграции с процессом и проверке качества.
- ИИ забирает рутинную часть работы, а люди остаются там, где решение, деньги и нестандартные случаи.
- Начинать стоит с одного процесса и тех данных, что в нём уже есть, а эффект считать по срокам пилота, а не по первому месяцу.
«Нам нужна своя модель»
Откуда берётся. Кажется, что своя модель – это защита от конкурентов и гарантия качества. К тому же «своя» звучит солиднее, чем «через API».
Как на самом деле. В большинстве задач хватает готовых моделей – облачных или открытых, развёрнутых на сервере заказчика. Качество решают не веса модели, а то, что вокруг неё: какие данные она видит, как встроена в процесс, кто и как проверяет результат. Своя модель оправдана, когда задача узкая и данных много – например, компьютерное зрение на камерах или анализ эмоций прямо в клавиатуре телефона – или когда данные нельзя отдавать наружу.
Что делать. Сначала собрать работающий контур на готовой модели и померить качество на реальных данных. Если его не хватает – станет понятно, чего именно, и только тогда обсуждать обучение своей.
«ИИ заменит отдел»
Откуда берётся. Из презентаций, где модель «делает работу десяти сотрудников».
Как на самом деле. Модель забирает рутинную часть процесса: первую линию, черновики, сверку, обзвон. Люди остаются там, где нужно решение, ответственность за деньги или разговор с недовольным клиентом. В проекте Агрохелпер голосовой робот делает до 30 000 звонков на организатора в день, но организатор никуда не делся – он получает только тех фермеров, кому интересно, и тратит время на разговоры с ними, а не на обзвон.
Что делать. Описать процесс по шагам и честно отметить, какие из них повторяются, а какие требуют суждения. Эффект считать в освободившихся часах и в том, на что их потратят.
«Сначала соберём все данные, потом подумаем»
Откуда берётся. Хочется сделать фундамент один раз и правильно: единое хранилище, все системы, вся история.
Как на самом деле. Такие проекты надолго застревают на интеграциях и редко доходят до модели. Данные, собранные «вообще», почти всегда оказываются не теми, что нужны конкретному процессу.
Что делать. Начинать с одного процесса и тех данных, которые в нём уже есть: документов, переписки, записей разговоров, кадров с камер. Часть из них сразу отложить и разметить – на этой выборке и будет мериться качество. Подробнее – в заметке про пилот рядом с процессом.
«Главное – выбрать самую сильную модель»
Откуда берётся. Из рейтингов и новостей: каждый месяц выходит модель, которая «лучше всех».
Как на самом деле. Лидер меняется каждые несколько месяцев, а самая дорогая модель на каждом шаге легко съедает всю экономику проекта. Простые шаги – классификацию, извлечение полей, маршрутизацию – часто лучше делать моделью попроще, а сильную оставить для сложных случаев.
Что делать. Строить систему так, чтобы модель можно было заменить без переписывания, и держать собственный набор проверочных примеров. Тогда выбор модели – это прогон тестов и сравнение цифр, а не спор о вкусах.
«Эффект будет виден в первый же месяц»
Откуда берётся. Демо собирается за неделю, и кажется, что до результата рукой подать.
Как на самом деле. Первый месяц – это гипотеза и прототип: разбор процесса, расчёт эффекта, проверка качества на отложенной выборке. Пилот на части реального потока идёт с шестой по двенадцатую неделю. Окупаемость в наших проектах – обычно 6–12 месяцев после запуска.
Что делать. Договориться о цифрах заранее: какой эффект ожидаем, к какому сроку и при каких результатах пилота проект останавливаем. Как это посчитать – в заметке об экономике ИИ-проекта.
Что объединяет все пять
Каждый миф – про технологию: какая модель, сколько данных, насколько умный ИИ. А результат почти всегда решается в процессе: какую работу забрать у людей, как проверять ошибки, по каким цифрам принимать решение.
Модель – самая простая часть проекта. Сложная – договориться, что именно должно измениться в работе.
Если на первой встрече удаётся перейти от «какую модель взять» к «какой шаг процесса забрать и как мы поймём, что получилось», проект обычно доходит до продакшена

Кейс · Агросектор · Голосовой ИИ
Агрохелпер
Голосовой робот обзванивает хозяйства, а организатор получает только заинтересованных: до 30 000 звонков на организатора в день