Недавно мне на глаза попалась занятная статья про Starbucks и их ИИ‑кладовщика. И она в очередной раз натолкнула меня на одни и те же выводы: крупный бизнес с серьёзными аналитическими функциями всё равно топает по одним и тем же граблям.

Фича не взлетела по простой причине: нейросеть постоянно ошибалась - путала похожие позиции, пропускала часть товара и выдавала нестабильные результаты. В итоге вместо автоматизации сотрудники получили ещё больше рутины: приходилось вручную пересчитывать, перепроверять и исправлять данные ИИ, а не просто делать инвентаризацию. То есть технология не сократила трудозатраты, а наоборот усложнила жизнь всем, кто с ней работал.

С моей точки зрения как аналитика эта история не про технологический провал очередной ИИ-фичи, а про провал базового подхода к принятию решений и оценке рисков. В компании есть множество BI‑отделов, финансистов, контролирующих функций, но проект дорогущего ИИ‑инструмента для инвентаризации прошёл мимо элементарной аналитики и оценки рисков.

Для меня это выглядит как магическое мышление в коридорах бизнеса: "Если поставить ИИ, проблема рассосётся сама", "если у конкурентов это есть, значит нам тоже нужно", "если мы не внедрим ИИ, значит мы отстаем от трендов цифровизации". Вместо вопроса "что мы реально хотим улучшить и как это измерим?" сразу идёт вперёд: модели, CI/CD‑конвейер, image‑распознавание, "автоматизация, которая всё сделает за нас". В Starbucks это вылилось в очевидную картину, которую аналитик видит уже в голове, не дожидаясь пилота: - процесс инвентаризации не зафиксирован, - нет чётких KPI успеха, - экономика не просчитана, - человеческий фактор игнорируется, - нет заранее согласованных условий, при которых проект официально признают проваленным и сворачивают. С точки зрения аналитики на этапе предпроектирования можно было честно посчитать: - сколько реально времени и ошибок даёт текущий ручной процесс, - как ухудшится ситуация, если часть результата ИИ придётся перепроверять, - сколько денег уйдёт на разработку, интеграцию и поддержку, - какие есть более простые и дешёвые варианты улучшения.

Но если решение принимается не на основе этих расчётов, а на основе "тренд", "прогресс", "цифровой скачок", то ИИ‑фича может быть любой - красивой, сложной, "модной", а её провал, как вполне ожидаемый риск, который никто заранее не просчитал. Уж слишком сильно бизнес ухватился за идею отдать всё на откуп автоматизации и выбросить из процессов живых людей, как будто реальность можно заставить жить по своим красивым схемам и моделям. И каждый раз, когда ИИ‑фича не взлетает, бизнес получает хорошего леща от реальности: рутина, ошибки, перепроверки и растущая нагрузка на сотрудников, которых обещали "освободить для творчества". Вместо улучшения процессов бизнес создаёт новые сложности, а потом удивляется, что результаты не соответствуют ожиданиям.

Для меня как аналитика такое магическое мышление и слепые амбиции главная боль: - крупный бизнес с тяжёлой инфраструктурой, мощными BI‑отделами, аналитиками и контролирующими функциями всё равно спокойно пускает в продакшн глухие, амбициозные ИИ‑проекты, только потому что им "можно" и "кто‑то в AAA‑компании уже так делает". - ИИ‑грабли повторяются снова и снова, а уроки из такого опыта как будто вообще не собираются: нет честного разбора, нет анализа ошибок, нет пересмотра процессов принятия решений. Видимо, здоровый скептицизм и нормальная аналитика кажутся слишком скучными рядом с модными слайдами про "цифровой скачок" и "автоматизацию будущего". Зато, когда очередной ИИ‑хаб зарывается в рутину и не даёт результата, все в один голос говорят: "Ну, это, конечно, ожидаемо".

ИИ сам по себе не плох, плох подход к нему: когда вместо "что мы хотим улучшить и как это измерим?" звучит "у нас должен быть ИИ".