Парадокс ИИ: почему 95% инвестиций не дают результата
- Джимшер Челидзе
- 1 день назад
- 13 мин. чтения
Содержание
Компании потратили 30-40 миллиардов долларов на генеративный ИИ. 88% организаций активно его используют. Но 95% инвестиций не дают видимого результата.
Почему?
Потому что руководители воспринимают искусственный интеллект как волшебную палочку – купил систему, внедрил, и вот уже работает само по себе. На практике это не так. ИИ – это инструмент, который работает только в контексте системного управления организацией, когда все компоненты управления взаимодействуют между собой.
По исследованиям McKinsey и MIT NANDA, даже в самых развитых компаниях – там, где есть деньги и квалифицированные специалисты – массированное внедрение ИИ сопровождается постоянными разочарованиями. Инвестиции в размере 5-50 млн рублей не дают видимых результатов в течение года-двух. Руководство начинает спрашивать: «Где результат?» Финансовый директор не видит окупаемости. Проект медленно приходит в упадок.
Это не проблема конкретной технологии. Это проблема подхода к внедрению. В этой статье мы разберёмся, почему это происходит и как это избежать. В основе лежат исследования McKinsey и MIT NANDA, а также наш практический опыт.
Типичная история внедрения ИИ в компании выглядит так:
Месяц 1-2: Решение и контракт
Руководство подписывает контракт на систему ИИ. На совещании объявляют, что компания закупила передовую технологию. Слайды красивые, обещания громкие. Все ожидают, что в один день компания станет технологически продвинутой.
Месяц 3-4: Внедрение технологии
IT-команда внедрила систему, создала учётные записи, провела обучение на один день. Люди узнали, что кнопка вот здесь, нажимай и получится результат.
Месяц 5: Раздача доступов
Сотрудники получили доступ. Никто толком не знает, зачем им это нужно и как это использовать. В чём смысл, какие задачи можно решить? Никто не объяснил.
Месяц 6-12: Система лежит мёртвым грузом
Люди работают по-старому. Выясняется, что покупку никто не одобрил на операционном уровне, процессы не пересмотрены, никто не переобучен. Инвестиция стоит в шкафу как дорогой реквизит.
Исследования успешных компаний показывают другую картину. Они воспринимают ИИ не как отдельный информационный проект, а как компонент более широкой трансформации управления. Они связывают ИИ с классическими инструментами управления, создавая полную систему, где каждый элемент усиливает другой.
Любое развитие строится на 3-х элементах:
инфраструктура (для ИТ это ПО, оборудование, каналы связи);
люди (компетенции и мотивация);
управление;
продукт (все должно быть направлено на создание ценности клиенту).
Чтобы это реализовать и заниматься эффективным внедрением ИИ (как и любой цифровой технологии) мы сформулировали системный подход из восьми компонентов.
1. Бережливое производство и оптимизация процессов
Бережливое производство лежит в основе любой трансформации. Но главное – не инструменты и терминология, а философия: создание потока ценности для клиента и устранение всех потерь.
Применимо к ИИ: прежде чем автоматизировать процесс, нужно его оптимизировать или изменить. Если процесс хаотичен, ИИ просто закрепит эту неэффективность в коде. ИИ – это ускоритель оптимизированных / пересобранных процессов, а не волшебство.
2. Управление проектами и продуктами
Без понимания того, как реализовывать проекты и как управлять продуктами, любая ИИ-инициатива рискует превратиться в хаос: превышение сроков, бюджета и терпения руководства.
Применимо к ИИ: ИИ-проект – это большой проект перемен. Его нужно разбить на фазы, управлять рисками, получать обратную связь, адаптировать подход. Классические методы управления проектами здесь работают идеально.
3. Теория ограничений систем
Производительность любой системы ограничена её узким местом. Главная задача – найти это ограничение, сфокусироваться на нём и пошагово его устранить.
Применимо к ИИ: прежде чем внедрять ИИ повсюду, выявите, где именно он даст максимальный эффект. Это и есть ваше узкое место. Сфокусируйтесь на одном процессе, добейтесь результата, затем расширяйте.
4. Практики регулярного менеджмента
Набор регулярных ритуалов (совещания, планирование, контроль, обратная связь), которые позволяют грамотно использовать потенциал каждого работника.
Применимо к ИИ: ежедневные стендапы по результатам ИИ, еженедельные встречи по проблемам, регулярный анализ эффективности. Без этого ИИ-система потеряется в организационном хаосе.
5. Внешняя и внутренняя коммуникация
Общение внутри команды и с внешним миром – основа успеха. Без отлаженной коммуникации невозможно внедрение изменений, проекты увязнут в неопределённости.
Применимо к ИИ: честный разговор с сотрудниками о том, почему нужен ИИ, какие риски ждут, как это повлияет на их должности. Это 50% успеха ИИ-проекта. Без коммуникации вы получите скрытое сопротивление.
6. Внедрение изменений: мотивация и управление сопротивлением
Компонент, напрямую связанный с коммуникацией. Изменение – это всегда стресс. Задача руководителя – снизить этот стресс, показать выгоду, преодолеть сопротивление.
Применимо к ИИ: люди привыкли к старому способу работы. Нужно показать им, что ИИ облегчит их работу, а не заменит. Нужно переделать роли: скучная работа переходит к ИИ, люди занимаются интересным и стратегическим.
7. Стратегия, метрики и организационная структура
Эффективность начинается с определения стратегии, описания организационной структуры и отлаженных бизнес-процессов. Это формирует условия для работы всех остальных инструментов и определяет вектор развития.
Применимо к ИИ: четко определите, где ИИ даст максимум. Какие функции изменятся, какие роли появятся, какие метрики вы будете отслеживать. Создайте организационную поддержку (Chief AI Officer, Центры компетенций).
8. Цифровые технологии, работа с данными и безопасность
Технологии упрощают жизнь, но – последовательность важна. Без оптимизированных процессов, отлаженной коммуникации и управления, цифровизация – пустая трата бюджета.
Применимо к ИИ: качество данных – это 70% успеха ИИ-проекта. Нужна надежная инфраструктура, чистые информационные системы, порядок в хранении и передаче данных. Также критична кибербезопасность и соответствие требованиям защиты информации.
Ключевое понимание: Все компоненты неразрывно связаны. ИИ – один из элементов. Тогда ИИ становится конкурентным преимуществом.
Исследования показывают три критические ошибки, которые почти гарантируют провал ИИ-проекта. Вот что говорят данные:
Часть первая: Исследования и мировой опыт
Первая ловушка: Learning Gap – системы без памяти и способности учиться
По данным исследований 2024-2025 годов, 90% компаний запускают системы генеративного ИИ (ChatGPT, облачные ИИ-помощники), но технология не встраивается в процессы компании. Люди используют ИИ как инструмент, но система ничему не учится. Если человек задал вопрос сто раз, ИИ отвечает каждый раз как в первый раз, не запоминая контекст компании, специфики её данных, накопленного опыта.
Результат: одна и та же ошибка повторяется сто раз. Новый сотрудник задаёт тот же вопрос, что и его предшественник год назад. ИИ даёт тот же неправильный ответ. Никакого прогресса, никакого обучения системы. Это особенно опасно в критичных для бизнеса процессах.
Вторая ловушка: Pilot-to-Production Chasm – бездна между пилотом и реальностью
В пилоте ИИ-система работает идеально, потому что её кормит один человек вручную отобранными и чищенными данными. Этот человек сидит рядом, контролирует результаты, исправляет ошибки. В пилоте достаточно 1-2 часов настройки в день.
В production (реальном использовании) всё иначе. Нужна автоматическая интеграция с системами компании, обработка миллионов неидеальных данных, мониторинг качества в режиме реального времени, обработка исключений и ошибок, система алертов при сбоях. Это требует полной переделки системы и процесса. Вместо одного человека требуется команда инженеров, аналитиков, специалистов по ИИ.
Большинство компаний игнорируют эту ловушку. Они запускают пилот, видят хорошие результаты на 92%, и решают, что система готова. Но она не готова. Она требует серьёзной инженерной работы. Компания остаётся в режиме пилота, и система так и не масштабируется. Проект тихо умирает через 6-12 месяцев.
Третья ловушка: Investment Bias – неправильное распределение инвестиций
Это самая хитрая ловушка. По данным McKinsey и наблюдениям в компаниях клиентов, инвестиции распределяются примерно так:
Функция | % Бюджета | Видимость результата | ROI |
Sales & Marketing (видимые front-office проекты) | ~50% | ✓ Видно всем | ⚬ Средний (2-3x) |
Operations (внутренние операции) | ~20% | ✗ Не видно | ✓ Высокий (4-6x) |
Finance & Procurement (финансы и закупки) | ~15% | ✗ Не видно | ✓ Очень высокий (8-12x) |
IT & Back-office (внутренние системы) | ~15% | ✗ Не видно | ✓ Лучший ROI (15-20x) |
Проблема ясна: 50% бюджета идёт на красивые демо, на видимые проекты, которые руководство может показать акционерам и клиентам. Между тем, back-office проекты (финансы, логистика, HR) дают на 3-5 раз лучший возврат инвестиций, но никто их не видит. Когда руководитель ИИ-проекта хочет получить бонус и похвалу, он вкладывает в видимые проекты. Результат: сумасшедший ROI в Sales (2-3 раза), но общий ROI компании не растёт, потому что back-office остаётся неоптимизированным и теряет миллионы.
Часть вторая: Наш практический опыт
На практике и опыте коллег мы видим ещё три типовые ловушки.
Ловушка | Признаки | Последствия | Как избежать |
Ловушка 1: Ищем волшебство там, где нужны изменения | Ожидание, что ИИ решит проблемы сам; системная проблема в управлении; ИИ используется как пластырь на ране | Проект провалится, потому что основная проблема остаётся; деньги потеряны впустую; команда разочарована | Провести честный анализ: ИИ решит ровно 30% проблемы, 70% — это управление и люди; сначала исправить управление |
Ловушка 2: Люди против машины | Руководители боятся потерять контроль; сотрудники боятся потерять работу; саботаж через «технические проблемы»; система используется неэффективно | Проект закрыт через год, деньги потеряны; люди расстроены; доверие к ИИ подрывается | Честная коммуникация с первого дня; проработка новых ролей и карьерного развития; вовлечение людей в проектирование |
Ловушка 3: Данные мусора | ИИ выдаёт ошибки; система предсказывает хаос; результаты не соответствуют реальности | ИИ-система дискредитирована; люди не доверяют; проект закрывается | Прежде чем внедрять ИИ, навести порядок в данных; провести аудит качества; обучить людей заполнению данных |
Давайте рассмотрим, как это работает в жизни.
Ловушка 1 в действии: Производственная компания
Крупная производственная компания внедрила диалоговую систему для ответов на часто задаваемые вопросы сотрудников. Первые два месяца казалось, что система работает хорошо. Но через три месяца выяснилось, что система отвечает одинаково для всех компаний, всех отраслей. Она не научилась ничему специфичному для этой компании. Когда в компании изменили процесс оплаты, система продолжила давать старые ответы. Сотрудники начали жаловаться, что ИИ даёт неправильные рекомендации. Систему пришлось переделывать ежемесячно вручную. В результате прекратили использование – слишком дорого поддерживать.
Ловушка 2 в действии: Финтех-компания
Финтех-компания разработала систему предиктивного анализа рисков для кредитования. В пилоте она показала 92% точность на тестовом наборе данных. Руководство воодушевилось. Но когда пришло время интегрировать систему с основной платформой, выяснилось, что система не может работать с реальным потоком данных, поступающих каждую секунду. Нужна была полная переделка архитектуры, кэширование, асинхронная обработка, система переключения на альтернативные решения при сбоях ИИ. Проект задержался на полгода. Стоимость внедрения выросла в три раза.
Ловушка 3 в действии: Логистическая компания
Крупная логистическая компания получила бюджет в 100 млн рублей на ИИ-проекты. 70 млн пошли на красивый интерфейс для водителей – приложение с прогнозированием нагрузки, оптимизацией маршрутов на экране водителя. Это выглядит хорошо на презентации. 30 млн на back-office оптимизацию маршрутов и управление складом – невидимые внутренние проекты. Фактический ROI: видимый проект дал 15% экономии, back-office проект дал 45% экономии. Но видимый проект получал все похвалы, расширение бюджета и инвестиции. Back-office остался на уровне 30 млн. Через год видно стало ясно, что были инвестированы в неправильное место.
Интересный феномен происходит в компаниях прямо сейчас: люди начинают использовать ИИ неофициально, без одобрения компании. Это называется теневым ИИ – когда сотрудники берут свои личные подписки на облачные ИИ-системы и используют их в работе.
Что происходит в реальности
Финансист использует личную подписку на облачный ИИ для анализа данных из корпоративной системы. Маркетолог использует генеративный ИИ для написания копии и анализа конкурентов. Программист использует ИИ-помощника для написания и рефакторинга кода. Всё это происходит без ведома IT-отдела и без контроля безопасности.
Почему это опасно
Корпоративные данные попадают во внешние системы облачных сервисов. Может быть утечка конфиденциальной информации. Нет контроля над результатами и качеством анализа. Нет аудита и документирования того, какие решения приняты на основе ИИ. Потенциальные утечки информации или нарушение соглашений об обработке данных.
Но это также показывает
Люди уже знают о ценности ИИ. Люди готовы использовать ИИ в работе каждый день. Людям просто не дают официальный инструмент. Есть огромный спрос, который компания не удовлетворяет.
Что делать
Вместо того, чтобы запрещать теневой ИИ, возьмите его под контроль. Подходите гибридным подходом.
Локальные модели для базовых задач и конфиденциальных данных
Облачные API для сложных задач, требующих максимального качества с промежуточной «прослойкой» для обезличивания запросов
Изучая успешные проекты внедрения ИИ в 2024-2025 годах, выявлены критические закономерности, которые объединяют всех лидеров. Ниже представлен список, который основан на исследованиях McKinsey и MIT NANDA, а также нашем опыте.
Закономерность 1: Стратегия закупки вместо разработки (67% успеха)
По данным MIT, 67% успешных компаний выбирают готовые решения от вендоров. Только 33% разрабатывают системы с нуля. Почему?
Скорость: Закупка = 4 месяца, разработка = 12+ месяцев
Риск: Закупка = низкий, разработка = высокий (нужны специалисты по машинному обучению)
Опыт: Вендор имеет специализацию и знает, что работает (десятки проектов)
Реальные примеры:
Типичный провал разработки: компания нанимает 3 специалистов по ИИ, даёт 12 месяцев, получает систему с 60% точностью. Инвестиция: 300 000 USD, ROI: 0.
Типичный успех закупки: компания выбирает вендора, 16 недель внедрения, система работает с 94% точностью. Инвестиция: 150 000 USD, ROI: 3,3 млн USD.
Это не о компетентности внутренних команд. Это о логике ресурсов и специализации.
Когда компания разрабатывает ИИ, она разделяет внимание инженеров между самим ИИ и десятком других проектов. Операционные системы, безопасность, интеграции — ИИ становится одной из множества задач. Когда поставщик работает с ИИ, это его единственный фокус. Такие команды работают с десятками проектов, а не единичными, как внутренние команды. В итоге специализация даёт результат.
Важное уточнение. Статистика 67% успеха не относится к простой покупке инструмента вроде генеративного ИИ, подключению его как есть и ожиданию результатов. Это не работает.
67% – это про стратегическое партнёрство, где поставщик переделывает ваши процессы вместе с вами, а вы адаптируете и пересобираете свои процессы под новые технологии.
Компании, которые просто купили готовый инструмент и воткнули его в существующий процесс без изменений, часто получили провал. Компании, которые купили решение и интегрировались с ним, получили успех. Это требует работы, переговоров, некоторого дискомфорта. Но результат того стоит.
Закономерность 2: Четыре столпа успеха
Столп 1: Глубокая кастомизация
Успешные компании не просто покупают ИИ. Они кастомизируют его под СВОИ процессы. Это требует 2-4 недели интенсивной работы. Большинство компаний этого не делают.
Пример: финансовая компания по верификации платежей. Вендор изучил 10 их правил верификации, встроил в систему, переделал процесс. Результат: 3 часа → 30 минут, 2% ошибок → 0,2%.
Столп 2: Менеджеры среднего звена как драйверы
McKinsey выявила, что успешные компании дают менеджерам среднего звена право выбирать, какие ИИ-системы внедрять. Результат - в 3 раза больше проектов, которые работают.
Почему? Менеджеры знают свои процессы лучше, чем центральная лаборатория ИИ. Они видят, где система может дать максимум. Задача собственников и директоров чётко сформулировать куда должна двигаться организация и что они ожидают.
Столп 3: Обучаемые системы
Успешные компании используют системы, которые учатся на своих ошибках. Пример: система контроля качества не просто сравнивает изображение с эталоном, она запоминает ошибки, переучивается, улучшается.
Результат: точность растёт. 85% в первый месяц → 92% в третий.
Столп 4: Узкие высокоценные задачи
Успешные компании не автоматизируют ВСЮ работу. Они выбирают узкие, высокоценные задачи.
Неправильно: «Автоматизировать весь финансовый отдел»Правильно: «Автоматизировать верификацию платежей» (3,3 млн USD в год)
Закономерность 3: Трансформация процессов вместо оптимизации (разница 3.6x)
McKinsey выявила ключевую разницу между двумя подходами:
Подход 1: Оптимизация (большинство компаний)
Процесс: то же самое, но быстрее
Результат: 10-15% экономия → +1-2% EBIT
Люди: остаются на том же месте
Подход 2: Трансформация (5% лидеров)
Процесс: совершенно по-другому
ИИ проверяет 95%, человек – 5% исключений и анализирует тренды
Результат: 50-80% экономия, люди на стратегию → +5%+ EBIT
Bonus: люди счастливее (интересная работа)
Пример: финансовая компания
Было: контролёр вводит платёж → проверяет 10 правил вручную → одобряет/отклоняет
Стало: ИИ проверяет 95% автоматически → контролёр проверяет 5% исключений + анализирует аномалии и тренды
Результат: 5 контролёров – 3 остаются на исключениях, 2 переходят на финансовое планированиеEBIT-эффект: +100 000 USD чистый результат
Главный вывод: Трансформируйте, не оптимизируйте. Это даёт в 3.6 раз лучший результат.
Закономерность 4: Система успеха – три столпа управления
Все эти закономерности объединяются в единую систему успеха, состоящую из трёх столпов:
Столп 1: Управление и принятие решений
Chief AI Officer или Head of AI Program (выделенный спонсор на уровне C-suite)
Управляющий комитет (управляет приоритетами, согласует бюджет)
Центры компетенций в каждом отделе (локальные лидеры ИИ-преобразования)
Столп 2: Технология и интеграция
Единое хранилище данных (централизованные данные) и управление качеством данных
API интеграции (связь между системами)
Платформа обучения систем (системы улучшаются непрерывно)
Столп 3: Люди и культура
Чемпионы в каждом отделе (местные адвокаты ИИ)
Обучение (грамотность в ИИ для всех уровней)
Переделка ролей (скучная работа → интересная, люди на стратегию)
Закономерность 5: Начинаем НЕ с ИИ
Лидирующие компании сначала внедряют базовые практики управления, затем автоматизируют, и только потом добавляют ИИ. Они не начинают с новой блестящей технологии. Они начинают с проблемы, которую нужно решить.
Пример: Одна горнодобывающая компания сначала в течение 3 месяцев описала все процессы обслуживания оборудования, стандартизировала их, создала регулярные совещания по анализу поломок. И только потом добавила ИИ-систему прогнозирования отказов оборудования. Результат: система работает с 90% точностью, потому что вся база для неё уже подготовлена. Люди доверяют системе, потому что понимают, как она принимает решения.
Закономерность 6: Ищем не максимум, а оптимум
Лидирующие компании не стремятся к 100% автоматизации и 100% эффективности. Они ищут оптимальную точку, где люди и ИИ работают вместе. Обычно это 60-70% автоматизации, 30-40% человеческого участия.
Почему? Потому что оставшиеся 30-40% требуют человеческого суждения, креативности, понимания контекста, морального выбора. И это нормально. ИИ – это помощник, а не замена. Попытка выжать 100% автоматизации приводит к сбоям, неожиданным ошибкам, потере доверия команды.
Закономерность 7: Вознаграждение за использование
Все лидирующие компании, которые успешно внедрили ИИ, создали систему вознаграждений за использование. Люди получают бонусы не за результаты ИИ (это может быть не их вина из-за качества данных или недостатков алгоритма), а за правильное использование системы: проверка результатов, предложение улучшений, документирование ошибок. Например, водитель получает бонус за следование рекомендациям маршрутизации ИИ. Аналитик получает бонус за проверку рекомендаций и документирование аномалий.
Практический результат: Вместо саботажа люди становятся лучшими соратниками ИИ-системы. Система улучшается быстрее.
Закономерность 8: Спокойно переделываем ИИ
Лидирующие компании обновляют и переделывают свои ИИ-системы каждые 3-6 месяцев. Они не ждут года идеальной системы. Они запускают, смотрят результаты, корректируют, запускают снова.
Менталитет: Это не яблоко, которое нужно лежать в шкафу идеальным. Это живой организм, который развивается. Лучше хорошая система на 80% сегодня, чем идеальная система на 100% через год. За год можно многое поменяться в компании, и идеальная система станет неподходящей.
Результаты при правильной системе:
Период | Использование ИИ | Прибыль (EBIT) | Статус |
Год 1 | 20% сотрудников | +3-5% | Начальный этап |
Год 2 | 40% сотрудников | +5-10% | Масштабирование |
Год 3 | 75% сотрудников | +10-15% | Лидер отрасли |
Матриц компетенций: кому что нужно знать
Успех ИИ-проекта зависит не только от квалификации IT-специалистов, но и от компетенций всей организации. Разные роли требуют разных знаний:
Уровень | Роль | Требуемые знания | Время обучения |
Стратегический | Собственник, генеральный директор | Потенциал ИИ, ограничения, риски, инвестиции | 1-2 дня |
Тактический | Руководители функций, CTO | Как ИИ решает их задачи, данные, процессы | 1-2 недели |
Операционный | Сотрудники-пользователи | Как использовать систему, проверка результатов | 3-5 дней |
Специальный | Специалисты по ИИ, аналитики данных | Глубокое понимание алгоритмов, обучение моделей | 3-6 месяцев |
Растёт запрос на гибридные навыки – специалистов, которые понимают как бизнес, так и технологию. Это люди, которые могут переводить между языками бизнеса и IT. Их на рынке очень мало, и они стоят дорого.
Полную матрицу и модель компетенций мы публиковали в нашей статье «Модель компетенций для внедрения искусственного интеллекта»
Фаза 1: Диагностика (1-2 месяца)
Проанализируйте, какие процессы теряют больше всего денег или времени
Оцените, где данные самые чистые и структурированные
Определите, какие компетенции есть в команде
Найдите, где уже есть какие-то цифровые системы и инфраструктура
Проведите интервью с руководством и сотрудниками о видении, страхах и готовности к изменениям
Выход: Список из 3-5 приоритетных процессов, уровень готовности команды, первичная смета инвестиций.
Фаза 2: Пилот (2-3 месяца)
Выберите один процесс, где синергия ИИ даст максимум и где люди готовы (важно найти волонтёров, а не навязывать)
Запустите проект с малой группой добровольцев (5-15 человек)
Переобучьте команду практически, через работу (не одно-денные лекции)
Проведите регулярные встречи обсуждения результатов (еженедельно или дважды в неделю)
Документируйте ошибки и улучшения
Выход: Работающий пилот, измеренные результаты, команда готова масштабировать, документация подсказок и ошибок.
Фаза 3: Масштабирование (3-6 месяцев)
Расширяйте поэтапно на другие подразделения
Создавайте регулярные совещания по обмену опытом между командами
Встраивайте ИИ в описанные процессы и рабочие процедуры
Мониторьте и анализируйте результаты, корректируйте подход на основе данных
Обучайте новых людей на опыте пилота
Выход: ИИ работает в 70% компании, люди привыкли, видны результаты в ROI и производительности.
Фаза 4: Совершенствование (постоянно)
Обновляйте системы каждые 3-6 месяцев на основе данных и обратной связи
Ищите новые области применения ИИ
Развивайте компетенции команды через обучение и практику
Проводите регулярные аудиты эффективности и качества
Выход: ИИ становится частью культуры компании, постоянное совершенствование, рост конкурентного преимущества.
Искусственный интеллект – это мощный инструмент. Но как любой инструмент, он требует мастерства и правильного контекста. Компании, которые просто купили ИИ-систему и ждали чуда, потеряли деньги. Компании, которые встроили ИИ в полноценную систему управления, получили конкурентное преимущество и видимый рост эффективности.
Не ждите волшебства от искусственного интеллекта. Вместо этого:
Признайте, что это системный проект перемен, а не технологический
Вовлеките весь бизнес в проектирование решения, начиная со стратегии
Обучайте людей и создайте новые роли с адекватным вознаграждением
Дайте системе время на адаптацию (минимум 3-6 месяцев, реально 12-18 месяцев)
Мониторьте результаты и корректируйте подход на основе данных
Инвестируйте в систему управления, а не в самого ИИ. Тогда любая технология, которую вы внедрите, будет работать эффективно и приносить результат.