ИИ-проект редко проваливается из-за нехватки дата-сайентистов. Гораздо чаще у него нет внутреннего заказчика, который отвечает за результат в процессе, или нет эксперта, способного сказать, где модель ошибается. Руководителю нужно решить три вопроса: кто владеет результатом, какие роли закрывать своими силами, а какие покупать у подрядчика. Ниже – что показывают открытые кейсы российских компаний.
Как устроены команды в работающих проектах
Владелец процесса как заказчик
Задача: перевести пилот в ежедневную работу подразделения. Что делает команда: руководитель функции (логистики, сервиса, производства) формулирует метрику, принимает решения о доработке и отвечает за внедрение у своих людей. Результат: в таких проектах решение доходит до тиража, а эффект считается в деньгах и часах, а не в точности модели. Типичные результаты – операции, занимавшие часы, выполняются за минуты, первая линия поддержки автоматизируется на 50–85%.
Эксперт предметной области в контуре
Задача: обучить модель на знаниях специалистов и контролировать качество. Что делает команда: врачи, инженеры, юристы, эксперты по нормативам размечают данные, задают эталон и проверяют пограничные случаи. Во многих кейсах система работает в режиме «второго мнения»: итоговое решение подтверждает специалист. Результат: высокая точность на проверенных выборках и доверие пользователей, без которого инструмент не используют.
Внутренний центр компетенций ИИ
Задача: вести портфель проектов, а не одиночный пилот. Что делает команда: небольшое подразделение собирает гипотезы от бизнеса, быстро проверяет их и передаёт удачные в пилот и масштабирование. Результат: в крупных промышленных компаниях такие центры одновременно ведут десяток проектов и держат ещё больше в проработке, а совокупный эффект по портфелю заметно превышает вложения.
Собственная разработка вместо лицензии
Задача: заменить внешнее решение, которое дорого или стало недоступно. Что делает команда: внутренняя ИТ-команда строит систему под свои процессы, нередко сравнивая её с готовым продуктом на реальных данных. Результат: экономия на лицензиях, контроль над доработками, сопоставимое или лучшее качество. Цена – необходимость держать команду сопровождения.
Подготовка своих кадров
Задача: закрыть дефицит специалистов, понимающих и данные, и отрасль. Что делает команда: внутренние школы аналитиков данных, совместные лаборатории с вузами, обучение на реальных задачах компании, доступ всех сотрудников к LLM в закрытом контуре с набором типовых сценариев. Результат: сотни обученных сотрудников и десятки защищённых проектов, которые становятся источником следующих внедрений.
Что отличает удачные проекты
- Один ответственный за бизнес-результат. Это руководитель процесса, а не ИТ-директор и не подрядчик.
- Эксперт выделен с долей рабочего времени. Разметка, проверка ответов и разбор ошибок записаны в его задачи.
- Есть инженер данных. Тот, кто строит выгрузки и интеграции с учётными системами. Без него модель остаётся демонстрацией.
- Пользователи участвуют с первого месяца. Операторы, менеджеры, инспекторы тестируют прототип и формируют требования к интерфейсу. Если инструмент неудобен в реальной смене, его перестают открывать независимо от точности модели.
- Понятно, кто сопровождает решение после запуска. Дообучение, мониторинг качества, реакция на сбои закреплены за конкретной командой.
- Безопасность и юристы подключены до выбора архитектуры. Особенно если данные не должны покидать периметр.
Сколько людей нужно
Для первого пилота большой штат не требуется. Достаточно небольшой рабочей группы, в которой полностью заняты проектом один-два человека. Остальные участвуют частично: эксперт тратит несколько часов в неделю на разметку и разбор ошибок, безопасность подключается на этапах выбора архитектуры и приёмки. Отдельная команда сопровождения появляется, когда решений становится несколько. Тогда имеет смысл создавать центр компетенций с общей инфраструктурой, библиотекой типовых решений и единым порядком отбора гипотез. Раньше этого момента отдельное подразделение обычно не окупается.
Типовые ошибки руководителей
- Назначить владельцем проекта ИТ. ИТ отвечает за инфраструктуру, но не может изменить процесс в чужом подразделении.
- Нанять дата-сайентиста без задачи. Специалист без доступа к данным, экспертам и заказчику через полгода уходит или делает исследовательские прототипы.
- Отдать всё подрядчику. Без своего человека, понимающего архитектуру и данные, компания не сможет принять работу, развивать решение и сменить поставщика.
- Не учесть время экспертов. Лучших специалистов не освобождают от текущей работы, и разметка идёт месяцами.
- Игнорировать сопротивление сотрудников. Страх замены и недоверие к модели снижают использование. Нужны объяснение, обучение и понятные правила, где решает человек.
- Распылять ресурсы. Десяток пилотов с разными подрядчиками без общей платформы и центра компетенций дают мало знаний и много несовместимых решений.
Как собрать команду: план на 4–6 недель
- Неделя 1. Назначить владельца результата. Руководитель процесса с полномочиями менять регламенты и целевой метрикой в деньгах или часах.
- Неделя 2. Определить минимальный состав. Владелец продукта, 1–2 эксперта предметной области, инженер данных, разработчик или подрядчик, представитель безопасности. Записать долю времени каждого.
- Неделя 3. Решить, что делать своими силами. Как правило, внутри остаются владение продуктом, данные и экспертиза. Разработку модели и интеграцию можно покупать.
- Неделя 4. Закрепить роль после пилота. Кто будет сопровождать решение, дообучать модель и отвечать за инциденты. Если ответа нет, пилот не запускать.
- Неделя 5. Подготовить пользователей. Короткое обучение, правила использования, канал обратной связи о неверных ответах.
- Неделя 6. Наладить ритм. Еженедельный разбор метрик и ошибок с участием владельца процесса и экспертов.
Вопросы команде и подрядчику
- Кто в компании отвечает за бизнес-результат проекта и какие у него полномочия?
- Сколько часов в неделю выделено экспертам и кто их освободил от текущей работы?
- Какие компетенции после проекта останутся внутри, а какие будут зависеть от подрядчика?
- Кто будет сопровождать модель через год и во что это обойдётся?
- Как пользователи узнают о новом инструменте и как сообщат об ошибке?
- Какие решения модель принимает сама, а какие только рекомендует специалисту?
- Как передаётся код, документация и знания, если поставщика придётся сменить?
Примеры распределения ролей в реальных проектах можно найти в открытой подборке: база кейсов ИИ на platforms.su содержит более 1300 кейсов.
Итог
Команда ИИ-проекта начинается с владельца процесса и эксперта, а не с найма дата-сайентистов. Разработку можно покупать, ответственность за результат и знание данных – нет. Чем раньше эти роли закреплены приказом и в целях руководителей, тем меньше шансов, что пилот останется демонстрацией. Центр компетенций ИИ помогает определить состав команды, распределить роли между компанией и подрядчиком и обучить сотрудников.
Разобрать вашу задачу
За 30 минут оценим, где ИИ даст эффект в вашей компании и с чего начать.