⚡️ UPS сэкономила 100 млн миль в год. McDonald's закрыл AI после около трёх лет и 100+ ресторанов.
Одна технология. Противоположные результаты.
Разница закладывается не на этапе разработки — а на этапе выбора задачи. За час до первого ТЗ.
Вот четыре фильтра, которые я прогоняю в любом AI-проекте:
📦 1. Данные структурированы и принадлежат вам. UPS — годами накопленные GPS-данные с десятков тысяч маршрутов. McDonald's — живая речь клиентов в шуме кухни. Если данные хаотичны или принадлежат третьим сторонам — модель учится на шуме.
👁 2. Ошибка невидима или легко исправима. ORION ошибается — водитель едет лишний квартал. Никто не замечает. AOT ошибается — клиент снимает на TikTok. Система работала с точностью ~80–85%; остальное уходило живому сотруднику. Спросите: если модель ошибётся в 15–20% случаев — что происходит?
💰 3. Бизнес-метрика определена до пилота, не технический KPI. UPS знала формулу: 1 сэкономленная миля на водителя = $50 млн/год. McDonald's оперировал «85% точности» — это технический KPI, а не бизнес-результат. Проекты, где $ цель определена до старта, масштабируются. Остальные — измеряют точность и закрываются.
🔁 4. Задача повторяется с идентичной структурой. ORION решает одну математическую задачу миллионы раз. AOT — каждый заказ уникальное лингвистическое событие. AI хорошо там, где повторение — норма, а не исключение.
Через какой из четырёх фильтров не прошёл последний AI-проект в вашей компании?
