Как подготовить предприятие по переработке отходов к внедрению ИИ

ИИ переходит из стадии экспериментов в операционную инфраструктуру. Для предприятий по переработке отходов это означает не только новые возможности, но и новый вид технического долга. Если внедрять системы без качественных данных, готовых к автоматизации процессов, контроля безопасности и поддержки сотрудников, они начинают выдавать ненадежные результаты, плохо интегрируются и не масштабируются.

Проблема редко сводится к самой модели. Проект NANDA Массачусетского технологического института изучил 300 публичных внедрений ИИ, опросил 350 сотрудников и провел интервью со 150 руководителями. Согласно опубликованным данным, около 95% корпоративных пилотных проектов генеративного ИИ не показали измеримого влияния на финансовые результаты (MIT Project NANDA, 2025, в изложении Мауран, 2025). Среди основных причин исследователи назвали слабую интеграцию, отсутствие подходящих метрик, управления и подготовленных специалистов.

Подготовку предприятия к ИИ можно разделить на пять направлений: оценка корпоративной культуры, выбор задач, создание надежного контекста для моделей, организация управления и переобучение сотрудников. Если пропустить хотя бы одно из них, локальные эксперименты рискуют превратиться в набор несовместимых решений.

Начните с оценки корпоративной культуры

До выбора сценариев использования важно понять, как организация относится к риску, насколько быстро принимает решения и готова ли менять процессы. Одна и та же программа внедрения даст разные результаты в консервативной компании и в компании, привыкшей экспериментировать.

Культура, избегающая риска

Такие организации начинают с управления, безопасности и очистки данных. Подготовка занимает много времени, а планирование может затянуться. Зато после утверждения стратегии внедрение идет последовательно и в масштабе. Главный риск — потратить слишком много времени на подготовку и не перейти к практической работе.

Прагматичная культура

Прагматики запускают прототипы и минимально жизнеспособные продукты, чтобы проверить экономический эффект до крупных инвестиций. Такой подход быстро дает видимый результат, но часто приводит к появлению пересекающихся решений. Позже их приходится объединять, перестраивая архитектуру и временно нарушая рабочие процессы.

Культура новаторов

Новаторы принимают больший риск ради скорости. Они создают платформы и контрольные механизмы по мере необходимости, а не заранее. Это позволяет быстро менять курс, но повышает стоимость переделок: новое требование может заставить вернуться к базовой архитектуре и системе управления.

Ранние последователи

Эти компании не стремятся создавать технологию с нуля. Они выбирают уже существующие, пусть и не полностью проверенные решения, если те достаточно близки к поставленной задаче. Такой подход снижает стоимость эксперимента, но требует готовности мириться с ограничениями продукта.

Универсально лучшей модели нет. Важно соответствие между стратегией, допустимым риском, скоростью принятия решений и способностью организации к изменениям. Несовпадение культуры и выбранного подхода часто останавливает программу еще до получения первых результатов.

Не раздавайте ИИ-бюджеты без общих правил

Противоположность излишней осторожности — команда всем подразделениям срочно «проявить инициативу». Если отделы независимо закупают инструменты и запускают пилоты, компания получает разрозненную инфраструктуру, дублирование затрат и неконтролируемую передачу данных.

Такой подход также снижает доверие сотрудников. Неудачный пилот усложняет последующие попытки внедрить технологию системно. По данным проекта NANDA, инструменты, встроенные в реальные рабочие процессы, показывали результат значительно чаще, чем изолированные внутренние эксперименты, успешность которых была примерно втрое ниже (MIT Project NANDA, 2025, в изложении Мауран, 2025).

Спрашивайте не «что может ИИ», а «что он должен делать»

Обсуждение возможностей модели быстро превращается в бесконечный список инструментов. Практичнее начать с задач бизнеса: где возникают задержки, ручные операции, ошибки, потери времени или качества? После этого можно определить, какие действия следует передать ИИ, какие оставить человеку и как измерять результат.

Для выбранных задач нужны общее видение и план управления изменениями. Без них сотрудники начнут использовать доступные инструменты по собственному усмотрению: создавать материалы, передавать данные и перестраивать локальные процессы ради личной эффективности. Это может быть полезно отдельному специалисту, но не обязательно влияет на финансовые и операционные показатели предприятия.

Сотрудники должны отвечать за результат, а не только за операцию

Многие специалисты оценивают свою работу по объему выполненных операций, а связь этих операций с итоговым результатом обеспечивает руководство. Внедрение ИИ меняет это распределение ролей: часть рутинной работы переходит к системе, а сотрудник должен ставить задачу, проверять результат и отвечать за отклонения.

Такой переход нельзя проводить без обучения и поддержки. По оценке Gartner за 2023 год, период актуальности технического навыка сократился примерно с восьми лет до 2020 года и к 2030 году может составить около двух лет. Если передавать когнитивные задачи машинам, не сохраняя программы развития людей, предприятие рискует получить персонал, который не сможет действовать при сбое системы или изменении контекста.

Автор исходной методики отмечает около 30% текучести среди лучших специалистов в проектах, где руководство не помогает им перейти от выполнения операций к управлению результатом (Э. Дж. Шварц, личное наблюдение, 2026). Это не универсальная отраслевая статистика, но показатель риска, который следует учитывать. Всемирный экономический форум в 2025 году также указывал, что большинству работников в текущем десятилетии потребуется переобучение.

Контекст складывается из данных и знаний

Распространение ИИ не делает ERP-, CRM- и финансовые системы ненужными. Напротив, именно они содержат сведения о клиентах, запасах, маршрутах, договорах, платежах и фактическом ходе процессов. Без этой информации модель знает общие закономерности отрасли, но не понимает, как устроено конкретное предприятие.

Недостающий контекст модель может заменить правдоподобным предположением. Для генеративных систем это структурный риск: связный ответ не всегда является фактически верным (Frontiers in Artificial Intelligence, 2025). Один из способов снизить риск — использовать генерацию с дополнением из поиска и другие методы, при которых ответ строится на проверенных корпоративных материалах, а не только на данных обучения модели (Microsoft, 2025).

При этом одних чистых данных недостаточно. Контекст можно представить как сумму данных и знаний. Сведения о том, что на складе находятся 96 контейнеров объемом 90 галлонов, — это данные. Правила доставки контейнера новому клиенту, еженедельного обслуживания и выполнения таких работ только по вторникам и четвергам — знания о процессе.

Поэтому подготовка к ИИ включает не только очистку справочников, но и описание бизнес-правил, исключений, последовательности действий и ответственности. ERP- и CRM-системы важны именно потому, что соединяют данные с процессами.

Новая роль: куратор ИИ

Для работы с контекстом автор методики предлагает роль управляющего, или куратора, ИИ. Такой специалист может отвечать за финансы, продажи или операционную деятельность, но ему нужны три группы навыков.

1. Постановка задач агентам. Команды должны быть конкретными, проверяемыми и связанными с рабочим процессом.
2. Предоставление контекста. Куратор объясняет системе правила конкретного предприятия и обеспечивает доступ к проверенной информации.
3. Контроль показателей. Результаты агента сравниваются с допустимыми диапазонами. При отклонении куратор проверяет журнал действий, корректирует инструкции или контекст и организует исправление последствий.

Лучше всего к такой роли подготовлены сотрудники с системным мышлением, знанием процессов, любознательностью и навыками коммуникации. Их задача — не выполнять каждую операцию вручную, а контролировать, чтобы автоматизированная система давала нужный бизнес-результат.

Управление должно обеспечивать наблюдаемость

Нельзя контролировать систему, если ее действия непрозрачны. Предприятию нужен порядок, который позволяет проверить решение агента, установить использованные данные, выявить выход за допустимые пределы и вмешаться до того, как ошибка распространится по процессу.

Этот принцип лежит в основе AI Governance & Risk Framework (AIGRF) и согласуется с рамочной системой управления рисками ИИ NIST. Функция GOVERN закрепляет ответственность на протяжении жизненного цикла системы и связывает объем человеческого контроля с уровнем риска (NIST, 2023). Аналогичный риск-ориентированный подход и требование человеческой подотчетности предусмотрены Законом ЕС об ИИ (Европейская комиссия, 2024).

Управление ИИ — не разовая проверка перед запуском. Это постоянная операционная функция. Человеческий контроль имеет смысл только тогда, когда ответственный сотрудник видит действия системы и обладает полномочиями остановить или изменить процесс.

Покупать или разрабатывать: учитывайте полную стоимость владения

ИИ упростил создание программного обеспечения, но не отменил расходы на его эксплуатацию. Помимо разработки, в полную стоимость владения входят поддержка, исправление дефектов, развитие продукта, настройка и профессиональные услуги.

По отраслевым оценкам, приведенным Vention в 2024 году, эти статьи могут составлять от 55 до 80% стоимости жизненного цикла системы. В интерпретации автора исходного материала на разработку приходится около 12% полной стоимости владения, а на остальные этапы — 88%. Даже если ИИ вдвое сократит расходы на программирование, общая стоимость уменьшится примерно на 6%.

Коммерческий поставщик распределяет затраты на поддержку между многими клиентами. Внутренняя команда несет их ради одной организации. Поэтому практическая последовательность выглядит так: сначала оценить готовые продукты, затем возможность доработки поставщиком и только после этого — собственную разработку. Создавать с нуля имеет смысл прежде всего то, что обеспечивает уникальное конкурентное преимущество.

По данным проекта NANDA, решения специализированных поставщиков и партнерские внедрения показывали успех примерно в двух третях случаев, а внутренние разработки — примерно в трети (MIT Project NANDA, 2025, в изложении Мауран, 2025). Альтернативой полной разработке могут быть аналитические инструменты, автоматизация и небольшие приложения поверх систем, поддержку которых обеспечивает внешний поставщик.

Начинайте с ограниченных и измеримых сценариев

Первый путь — сразу перестраивать весь процесс. Второй — автоматизировать отдельные низкоценные операции, проверить эффект и только затем переходить к более глубоким изменениям. Для большинства организаций второй вариант проще контролировать.

Базовый пример — подготовка протоколов совещаний. ИИ может расшифровать разговор, составить резюме, выделить поручения и перенести их в систему задач. Экономический эффект определяется не самим протоколом, а тем, как сотрудники используют освободившееся время.

Более сложный сценарий — работа с клиентами. Система может обрабатывать записи звонков, готовить резюме, фиксировать дальнейшие действия, определять ответственных и создавать задачи. Специалист при этом уделяет больше времени общению и решению проблем.

Согласно приведенным в черновике исследованиям, проактивная поддержка повышает удержание клиентов, а улучшение показателя на пять процентных пунктов может заметно повлиять на прибыльность (Галло, 2014). Также приводится оценка, что 91% недовольных клиентов не жалуются, а просто уходят (Налпейрон, 2024).

Такие сценарии сами по себе не меняют всю организацию, но помогают проверить инструменты, показать практический результат руководству и дать сотрудникам опыт работы с агентами.

Стратегия «человек плюс ИИ»

Долгосрочная цель — не набор отдельных автоматизаций, а операционная модель, в которой люди управляют результатом, а агенты выполняют специализированные задачи. В примере с клиентским сервисом автоматизированный отдел потенциально может обслуживать в два-три раза больше клиентов до найма следующего специалиста.

Однако рост производительности не следует начинать с сокращения персонала. Сначала нужно проверить качество, увеличить объем бизнеса в пределах новой операционной модели и только затем оценивать численность. Иначе предприятие может потерять компетенции раньше, чем система подтвердит надежность.

Показателен пример Klarna. Компания заменила ИИ около 700 позиций в клиентской поддержке, но в 2025 году скорректировала подход после снижения качества обслуживания. Генеральный директор признал, что чрезмерное внимание к эффективности и затратам привело к неустойчивому ухудшению качества (Masterson, 2025). Gartner ожидает, что к 2027 году половина организаций, планирующих сократить штат клиентского сервиса с помощью ИИ, откажется от этих планов (Masterson, 2025).

В исходном материале также приводится оценка, что подготовка первых выпускников с набором навыков, рассчитанным на будущую модель бизнеса, займет от четырех до шести лет. До этого предприятиям придется в основном развивать нужные компетенции внутри компании. Поэтому потеря уже обученных сотрудников особенно рискованна.

Подготовка важнее скорости запуска

Последовательность действий для руководителя выглядит так: оценить культуру и допустимый риск, определить задачи ИИ, подготовить данные и знания о процессах, установить правила контроля и обучить сотрудников управлять результатом. Только после этого стоит масштабировать агентов и связывать их с критически важными системами.

ИИ не должен получать бесконтрольное управление бизнесом. Его роль ближе к роли оборудования: система расширяет возможности человека, но ответственность за решения остается у руководителей и специалистов.

Качественные данные, ясные процессы, наблюдаемость и переобучение персонала не выглядят эффектно по сравнению с запуском очередного пилота. Но именно эта работа определяет, станет ли ИИ источником устойчивого преимущества или еще одним техническим долгом.