«Мы внедрили ИИ — купили корпоративный ChatGPT и раздали всем доступ». Это примерно как сказать «мы внедрили управление проектами — купили всем Excel». Инструмент ≠ процесс. Доступ ≠ результат.
Модель — не проект. Проект — это изменение процесса: кто, когда и как использует ИИ. Без этого подписка превращается в ещё одну неиспользуемую лицензию.
4 слоя настоящего внедрения
1. Use-cases (сценарии)
Конкретные задачи, где ИИ даёт измеримую пользу. Не «для всего», а «для подготовки коммерческих предложений», «для первичного анализа договоров», «для генерации описаний товаров».
2. Данные и контекст
Какие данные нужны модели? Как обеспечить доступ? Как не нарушить конфиденциальность?
3. Контуры контроля
Кто проверяет результаты? Какие решения нельзя принимать без человека? Как измерять качество?
4. Обучение сотрудников
Не «вот кнопка, нажимай», а навыки промпт-инжиниринга, понимание ограничений, правила безопасности.
Риск-менеджмент как скелет внедрения
Любое внедрение ИИ — это управление рисками:
- Что считаем допустимым риском? (галлюцинации в черновике — ок, в договоре — нет)
- Где обязателен человек? (финальное решение, подпись, коммуникация с клиентом)
- Где стоп? (персональные данные, коммерческая тайна, регуляторные ограничения)
NIST AI RMF предлагает структуру: идентификация рисков → оценка → митигация → мониторинг.
Стандарт описывает системный подход: политики, распределение ответственности, цикл PDCA (планируй-делай-проверяй-корректируй), регулярный аудит. Это не бюрократия, а способ сделать внедрение управляемым.
Регуляторика уже здесь
EU AI Act (Regulation 2024/1689) закрепляет риск-ориентированный подход:
- Минимальный риск — большинство применений, минимум требований
- Ограниченный риск — требования к прозрачности (пользователь должен знать, что общается с ИИ)
- Высокий риск — строгие требования к документации, тестированию, мониторингу
- Неприемлемый риск — запрещённые применения
Даже если вы не в ЕС, ваши клиенты или партнёры могут быть под этим регулированием.
Чек-лист реального внедрения
- Определены конкретные use-cases с измеримым эффектом
- Описаны требования к данным и контексту
- Установлены контуры контроля и точки проверки человеком
- Проведена оценка рисков по каждому сценарию
- Разработана программа обучения сотрудников
- Настроен мониторинг качества и сбор обратной связи