Москва, 31 мая 2026. Конференция RWB собрала leads по AI из enterprise — и началась с признания: 80% инициатив по внедрению ИИ не доходят до production. Когда на сцену выходили представители Сбера и Альфа-Банка, зал затих. Никто не хотел пропустить главное — что ломается на самом деле.
Ключевой тезис конференции: большинство ошибок — не технические, а управленческие и экономические. Пилотный проект на коленке обходится дороже, чем его отмена.
Эксперт по экономике ML из Сбера привел расчет: средний TCO (совокупная стоимость владения) одной корпоративной ML-модели за три года — от 1,2 млн до 4,5 млн рублей. При этом первые полгода модель генерирует убыток. «Пока вы считаете только цену GPU и зарплату дата-сайентиста — вы не видите 70% затрат. Интеграция в легаси, перестройка процессов, поддержка, дообучение — это и есть реальный TCO», — пояснил он.
Ловушка первой демки
Самый часто повторяемый сценарий, по словам спикеров: компания заказывает эффектную демонстрацию — чат-бот с GPT-4o или система анализа документов на базе YandexGPT 3 Pro (на май 2026 — самая свежая версия). Демо валит зал, инвесторы в восторге. Через три месяца выясняется, что бот не понимает корпоративную специфику, а модель документов обучена на открытых данных и ошибается в 20% кейсов. Проект замораживают.
«Пилот — это не запуск. Это способ убить деньги, если вы не готовы считать TCO до начала разработки, — неожиданно резко высказался представитель Альфа-Банка. — Мы проходили этот путь в 2024 году с системой автоматизации документооборота. Сначала все радовались, а потом пришлось переписывать с нуля, потому что забыли про человеческий фактор».
Эвристики, которые не работают: кейс Альфа-Банка
Отдельный блок конференции был посвящен так называемым «инженерным эвристикам» — правилам, которые ML-команды выдумывают в отсутствие нормального A/B-тестирования. Самый кринж: модель для кредитного скоринга, которая отсеивала клиентов со словом «гарантия» в заявке — оказалось, это слово чаще используют мошенники. Но метрика качества упала на 15%, потому что нормальные клиенты тоже используют это слово. «Эвристики без валидации — это способ превратить решение в дуршлаг», — прокомментировали из зала.
Кстати, про дуршлаг: на конференции вспомнили инцидент с Amazon 2026 года, когда ИИ-генерация кода привела к массовому увеличению технического долга. «Они ввели обязательное код-ревью старших инженеров после того, как три недели продакшн падал из-за ошибок, которые сгенерировал ИИ. Мы учимся на чужих граблях», — добавил технический директор одной ритейл-сети.
TCO: считать или не считать?
Спикер из компании — разработчика корпоративных AI-решений привел таблицу, которая удивила зал. Согласно опросам (май 2026), только 23% enterprise-команд ведут полный учет стоимости владения ML-системами. Остальные считают только прямые затраты: аренда серверов, зарплата дата-инженеров, стоимость API (например, OpenAI GPT-4o — $0.15/1K токенов на май 2026, Gemini 2.0 Pro — $0.12). Забывают про объединение данных, DR план, лицензии на проприетарное ПО для оркестрации.
| Статья расходов | Типичная доля в TCO | Частота оценки |
|---|---|---|
| Вычислительные ресурсы (GPU/TPU) | 30% | Всегда |
| Интеграция и доработка legacy | 25% | Редко |
| Support, мониторинг, retrain | 20% | Почти никогда |
| Легаси-лицензии и compliance | 15% | Только после аудита |
| Ошибки и дообучение на проде | 10% | При катастрофе |
«Главная ошибка — считать TCO разово, перед стартом. Его нужно пересчитывать каждые 6 месяцев, иначе вы не заметите, как модель стала убыточной», — предупредил эксперт.
Безопасность ИИ: тема, которую задвигают до взлома
На RWB больше всего споров вызвал доклад про уязвимости AI-инструментов. Оказалось, что многие компании используют open-source библиотеки (ONNX, Spring AI) с известными дырами — SQL-инъекции и утечки моделей. «Мы опрашивали компании из топ-100: 40% не делали security review своего AI-стека. Они верят, что если модель запущена локально — она в безопасности. Это опасная иллюзия», — заявил инженер по безопасности из компании, пожелавшей остаться неназванной.
Интересно, что архитектурные подходы к безопасному внедрению, описанные еще в 2025, до сих пор не стали мейнстримом. Большинство строит «overlay» поверх AI-модуля, не меняя общую архитектуру. Итог — каждое обновление модели ломает бизнес-логику.
«ИИ — не волшебник, а быстрый джун»
Эта фраза, брошенная с трибуны, стала мемом конференции. Спикер имел в виду, что внедрение ИИ в enterprise упирается не в модели, а в зрелость процессов. «Клиенты говорят: “Хотим GPT-4o в наш CRM”. А мы смотрим на их документооборот — там Excel, заполненный вручную, и три отдела с разными данными. ИИ без чистых данных — это дорогой способ ускорить хаос», — объяснил он.
Коллеги из зала поддержали: почти все провальные проекты — это попытки внедрить ИИ туда, где не работают базовые процессы. Например, компания тратит миллионы на систему, а продажники продолжают вручную перепечатывать данные из CRM в Excel. «Проверьте чек-лист зрелости процессов — скорее всего, вы не готовы к ИИ», — посоветовал представитель одной из консалтинговых фирм.
Технический долг: то, что не видно на графиках
Отдельно говорили про феномен Vibe Coding — когда разработчики генерируют код через нейросети, не вникая в архитектуру. «У нас был случай: сотрудник с помощью ИИ написал модуль за день. Через месяц выяснилось, что это монолит с циклическими зависимостями. Экспертиза ушла, долг остался», — рассказал CTO крупного банка.
По данным исследования, представленного на RWB, 46% кода в open-source проектах 2026 года сгенерировано ИИ. При этом частота security-уязвимостей в таком коде в 3 раза выше. «Вы не видите технический долг, потому что CI/CD зеленый, а код компилируется. Но пустая архитектура — это бомба замедленного действия», — резюмировал спикер.
Итоги: как не наступить на грабли
Конференция RWB показала: enterprise-внедрение ИИ перестало быть хайпом. Компании набили шишки, но советы все те же:
- не считайте TCO один раз — обновляйте каждые полгода;
- не верьте эвристикам без A/B-тестов;
- не забывайте про безопасность AI-стека — это не опционально;
- и главное — если у вас хаос в процессах, ИИ его не исправит, а усугубит.
Пожалуй, самый полезный совет прозвучал из зала: «Прежде чем внедрять ИИ, автоматизируйте базовые процессы. Если в компании до сих пор согласовывают документы по email — лечите это, а не покупайте LLM». Звучит банально? Да. Но именно на этом прогорели 80% стартапов и корпоративных инициатив. Пять скрытых причин страха — от недоверия к данным до отсутствия метрик — перестанут быть страхом, только когда вы перестанете повторять чужие ошибки.
