10 развилок на тернистом пути ИИ из пилота в прод Пилоты с ИИ сегодня любят все. Они быстро собираются, эффектно выглядят на презентациях и в годовых отчётах. Но когда дело доходит до промышленной среды, очарование рассеивается: бизнес требует окупаемость, ИТ не пускает в боевой контур, ИБ настаивает на переделке архитектуры, юристы просят зафиксировать ответственность, а финансисты — итоговую стоимость. Поэтому пилотов много, а промышленных внедрений — мало. Хит вопросов перед стартом ИИ-проекта: 🔸Где будет размещена система: внутри контура, снаружи или и здесь, и там? 🔸Внутренние данные: как подключить корпоративную базу, не нарушая требования безопасности? 🔸Ресурсы: откуда взять столько GPU? Если нельзя в облако, а своей инфраструктуры нет — что тогда? 🔸Доверие и контроль: насколько мы можем верить модели и как её поддерживать? 🔸Метод: просто промптить, строить RAG или сразу уходить в fine-tuning? 🔸И главное — экономика: цена операции и ROI на масштабе. Ответить на них помогают «развилки» — точки выбора из типовых вариантов. Смысл развилок — собрать ИИ-систему, которая «вписывается» в условия и ограничения конкретной организации. Если кратко, то они помогают решить, как система будет устроена, сколько будет стоить и что нужно для контроля и эксплуатации: 🔸Бизнесу нужна окупаемость, инновациям — «вау»-эффект, ИБ и ИТ — контроль. Пока эти три картины мира не сведены в один проект, внедрение не получится. 🔸Экономика. То, что в пилоте стоило копейки, на промышленных объёмах может стать кратно дороже. Разброс цены одной и той же операции широкий: от долей цента до десятков центов и выше — в зависимости от модели, объёма данных на входе, количества шагов и требований к скорости в пиковые периоды. Плюс могут появиться ФОТ команды эксплуатации и другие неочевидные затраты. 🔸Экономику нельзя «докрутить потом». Её нужно проектировать: считать не «токены», а стоимость выполненного бизнес-действия — и заранее закладывать несколько способов снижения стоимости. Например, определить, какие шаги выполняются формальными правилами и проверками, а где подключается модель. Если модель участвует во всех шагах и для всех случаев, стоимость операции быстро растёт. Если LLM включается только там, где без неё нельзя обойтись, итоговая стоимость заметно ниже и лучше прогнозируется на масштабе. 🔸Контроль. Без понимания, почему модель дала конкретный ответ и какие источники использовала, передать решение на поддержку невозможно. В итоге: прод — это не туман неопределённости, а выбор одного решения на каждой из 10-ти понятных развилок. Если их пройти на старте проекта, шанс дойти до промышленной эксплуатации ИИ в компании заметно выше. 🔗 Разбор каждой развилки с примерами и чек-лист в статье: https://blogs.epsilonmetrics.ru/ii-iz-pilota-v-prod/