Компании внедряют ИИ примерно с одинаковым энтузиазмом. Но одни получают измеримый эффект через три месяца, а другие спустя год продолжают «пилотировать». Разница почти никогда не в качестве модели — она в состоянии данных, которые в неё подаются. Представьте двух ритейлеров примерно одного масштаба. Оба решили внедрить прогнозирование спроса на основе машинного обучения. 🔴 Компания А — историческая глубина продаж за пять лет в единой системе, связанная с данными о поставках, остатках и поведении клиентов. Каждая запись структурирована по единому стандарту, за качество данных отвечает выделенная роль. Доступ через внутренний API занимает минуты. Модель обучилась за несколько недель. Точность прогноза — плюс 23% к базовому уровню. Складские остатки сократились, дефицит на полках снизился. Проект перешёл из пилота в продуктив. 🔴 Компания Б — данные о продажах есть, но в трёх разных системах с разными форматами и без единого идентификатора товара. Часть данных — в таблицах, которые вели менеджеры вручную. За последние два года несколько раз меняли CRM (система управления взаимоотношениями с клиентами), история миграций не сохранена. Доступ к данным — через запрос в ИТ-отдел и ожидание. Прежде чем обучить модель, команда восемь месяцев занималась подготовкой данных. Часть истории пришлось отбросить как ненадёжную. Точность прогноза оказалась ненамного выше экспертной оценки закупщика. Руководство поставило проект на паузу. Обе компании потратили сопоставимые бюджеты на саму технологию. Этот кейс — не исключение, а воспроизводимый паттерн. Готовность данных к работе с ИИ определяется четырьмя параметрами: объём, качество, доступность и структура. Слабое звено в любом из четырёх — и проект либо затянется, либо не даст ожидаемого результата.