Чому більшість проєктів зі ШІ у виробництві не досягають своїх цілей
Системний аналіз організаційних, інформаційних та технічних чинників, що стоять за 70–85% рівнем невдач проєктів зі ШІ у виробничому середовищі.
Serhiy Andrejev
Lead Machine Learning Developer
Виробничий сектор щорічно інвестує мільярди у штучний інтелект, проте від 70% до 85% цих ініціатив так і не виходять за межі пілотної стадії. Це не технологічна проблема — це системна невдача, що корениться в організаційній неузгодженості, неготовності даних та хибних стратегіях впровадження. Розуміння цих патернів невдач є першим кроком до їх уникнення.
Вступ
Перспективи штучного інтелекту у виробництві ніколи не були такими переконливими. Предиктивне обслуговування, комп'ютерний зір для виявлення дефектів, прогнозування попиту — ці застосування мають трансформаційний потенціал. Операційні директори виробничих підприємств реагують: за даними McKinsey, 93% планують збільшити витрати на ШІ, причому майже третина орієнтується на інвестиції у розмірі щонайменше 5% від собівартості реалізованої продукції [5].
Проте розрив між інвестиціями та результатами залишається разючим. MIT Sloan Management Review та BCG виявили, що 7 із 10 компаній повідомили про мінімальний або нульовий ефект від своїх ініціатив у сфері ШІ [1]. Дослідження BCG, орієнтоване на виробничий сектор, свідчить: хоча 68% виробників розпочали впровадження ШІ, лише 16% досягли поставлених цілей [3]. Аналіз RAND Corporation оцінює рівень невдач понад 80% — удвічі більше, ніж у проєктах IT, не пов'язаних зі ШІ [7]. Gartner прогнозував, що щонайменше 30% проєктів генеративного ШІ буде припинено після етапу підтвердження концепції до кінця 2025 року [4].
Ці статистичні дані відображають значні капітальні витрати без віддачі, підрив організаційної довіри до підходів, заснованих на даних, та втрату конкурентних переваг у період, коли підвищення ефективності виробництва стає екзистенціальною необхідністю, а не поступовим поліпшенням.
У нашій практиці ми спостерігали ці невдачі безпосередньо. Патерни є напрочуд стійкими. Технологія майже ніколи не є основною причиною. Саме організаційні чинники — нечіткі цілі, неузгоджені очікування та інституційний спротив — пояснюють більшість призупинених проєктів. Далі наведено системний аналіз причин невдач виробничих проєктів зі ШІ, заснований на галузевих дослідженнях та нашому досвіді впроваджень.
Організаційні причини: фактор 70%
Дослідження BCG щодо ШІ у виробництві артикулює те, що ми давно спостерігаємо на практиці: успішне впровадження ШІ на 10% залежить від алгоритмів, на 20% — від технологічної інфраструктури та на 70% — від людей: управління, вимог до компетенцій, підвищення кваліфікації та управління змінами [3]. Це «правило 10-20-70» — не метафора. Це емпіричне спостереження, яке має фундаментально змінити підхід організацій до проєктів зі ШІ.
Відсутність бізнес-обґрунтування. Найпоширенішою організаційною помилкою є запуск проєкту зі ШІ без конкретної, вимірюваної бізнес-цілі. За нашими спостереженнями, найнадійнішим індикатором успіху є наявність конкретного KPI, визначеного до початку проєкту — не «покращити якість», а «знизити рівень дефектів на Лінії 3 з 2,4% до менш ніж 1,0% протягом шести місяців». Інтерв'ю RAND із 65 фахівцями з обробки даних та інженерами підтвердили, що нерозуміння проблеми — коли галузеві стейкхолдери неточно формулюють, яку саме проблему потрібно вирішити — є найпоширенішою причиною невдач проєктів зі ШІ [7].
Розрив між ІТ та виробництвом. Виробничі проєкти зі ШІ вимагають глибокої співпраці між фахівцями з обробки даних та інженерами-технологами. На практиці ці групи часто працюють у відокремлених організаційних силосах з різною підпорядкованістю, різною термінологією та різними метриками успіху. Команда з обробки даних оптимізує точність моделі; виробнича команда потребує рішення, яке надійно працює при температурі навколишнього середовища 40°C та переривчастому мережевому з'єднанні. Коли ці перспективи не узгоджуються на ранньому етапі, результатом стає система, яка може бути технічно досконалою, але операційно непридатною.
Спротив змінам. Опитування BCG серед 1 400 керівників вищої ланки виявило, що 90% лідерів або чекають, поки ШІ вийде за межі ажіотажу, або експериментують лише у невеликих масштабах [2]. Ця позиція «спостерігача» — не просто обережність, а відображення справжнього організаційного спротиву. Оператори ліній, які вдосконалювали свою майстерність десятиліттями, цілком обґрунтовано ставляться скептично, коли алгоритм претендує на оптимізацію їхнього процесу. Без системного управління змінами навіть технічно успішні пілотні проєкти стикаються з відторгненням на рівні цехового персоналу.
Нереалістичні очікування. Сучасний наратив навколо ШІ — підживлений вражаючими досягненнями великих мовних моделей — формує очікування, які не транслюються безпосередньо на виробничий майданчик. Виробничий ШІ зазвичай працює зі структурованими даними, детермінованими процесами та в середовищах, де покращення виходу продукції на 2% має значний фінансовий ефект. Коли керівники очікують трансформаційних стрибків, про які вони читають у заголовках про генеративний ШІ, легітимне покращення OEE на 3% може бути відкинуте як недостатнє, знищуючи проєкт, який з часом приніс би суттєву рентабельність інвестицій.
Розглянемо узагальнений сценарій із практики: велике підприємство харчової промисловості інвестувало в систему контролю якості на базі ШІ. Технологія працювала — модель досягла 97% точності в лабораторних умовах. Проте проєкт зупинився, оскільки ніхто не визначив, хто діятиме за сповіщеннями моделі, як зміняться наявні робочі процеси контролю якості, або що відбуватиметься, коли модель та досвідчений інспектор з якості матимуть розбіжності. Невдача була цілком організаційною.
Причини, пов'язані з даними: фундамент, якого не існує
Якщо організаційні чинники є найпоширенішою причиною невдач, то готовність даних є найбільш недооціненою. За даними Gartner, 43% організацій називають якість даних головною перешкодою для впровадження ШІ [4]. У виробничих середовищах проблема даних ускладнюється фізичною природою операцій.
Фрагментація між системами. Типове виробниче підприємство працює з кількома роз'єднаними інформаційними системами — ERP для планування, MES для управління виконанням, SCADA для контролю процесів, автономними базами даних управління якістю, журналами технічного обслуговування у табличних редакторах. Кожна система фіксує лише частковий зріз операцій, а інтеграція цих зрізів у цілісний набір даних, придатний для машинного навчання, є масштабною інженерною задачею, яку систематично недооцінюють.
Якість та узгодженість. Виробничі дані відомі своєю зашумленістю. Дрейф датчиків, помилки ручного введення, непослідовні одиниці виміру, розбіжності часових поясів між системами та пропуски під час технічного обслуговування — все це погіршує якість даних. На основі нашого досвіду, очищення та підготовка даних зазвичай споживають 60–70% загального терміну проєкту — реальність, яка рідко фігурує в початкових планах проєктів або демонстраціях постачальників.
Недостатня історична глибина. Багато підходів машинного навчання потребують місяців або років історичних даних для тренування ефективних моделей. Коли виробник вирішує впровадити предиктивне обслуговування, часто з'ясовується, що записи про технічне обслуговування є неповними, непослідовно категоризованими або зберігаються у форматах, що не піддаються автоматизованій обробці. Вибір зводиться до інвестування 12–18 місяців у збір даних до початку проєкту зі ШІ або продовження роботи з недостатніми тренувальними даними.
Ізольовані системи та пропрієтарні протоколи. Промислове обладнання часто комунікує через пропрієтарні протоколи (OPC, Modbus, PROFINET), які ніколи не проєктувалися для високочастотного вилучення даних, необхідного для конвеєрів машинного навчання. Ретрофіт інфраструктури збору даних на застаріле обладнання є технічно здійсненним, але витратним, вносячи затримки та проблеми надійності, які можуть підірвати застосування реального часу.
Повторюваний сценарій: аграрний холдинг з кількома виробничими підприємствами прагнув впровадити оптимізацію врожайності на базі ШІ. Кожне підприємство використовувало різні версії однієї ERP-системи з локально адаптованими схемами даних. Дані на рівні полів фіксувалися на паперових формах та оцифровувалися щотижня. Проєкт зі ШІ не міг розпочатися, доки не було завершено 8-місячну роботу з гармонізації даних — передумову, яка не фігурувала в жодному початковому плановому документі.
Технічні причини: надмірна інженерія та прірва між пілотом і продакшеном
Хоча технології відповідають за меншу частку невдач порівняно з організаційними або інформаційними чинниками, технічні помилки часто є найбільш помітними і тому найбільш обговорюваними. Фундаментальна стаття Google про прихований технічний борг у системах машинного навчання виявила ключову проблему: системи ML руйнують межі абстракцій, які забезпечують супроводжуваність традиційного програмного забезпечення [6]. Ця ідея є особливо актуальною для виробництва, де системи повинні працювати безперервно у складних фізичних умовах.
Надмірна інженерія. Існує стійка тенденція використовувати найскладнішу доступну техніку замість найбільш доречної. Модель глибокого навчання з мільйонами параметрів не обов'язково перевершує належним чином відкалібровану карту статистичного контролю процесу для виявлення відхилень якості. У нашій практиці ми спостерігали проєкти, де місяці витрачалися на тренування складних нейронних мереж, тоді як градієнтне дерево рішень — яке тренується за години та є інтерпретованим для інженерів-технологів — забезпечило б еквівалентні або кращі результати. Найкращий інструмент — той, що розв'язує проблему в межах операційних обмежень, а не той, що дає найбільш вражаючу наукову публікацію.
Розрив між пілотом і продакшеном. Це, мабуть, найкритичніший технічний режим відмови. Модель, яка добре працює у Jupyter-ноутбуці на робочій станції фахівця з обробки даних, стикається з цілком іншим набором викликів у продакшені: вона повинна коректно обробляти відсутні дані, працювати в межах вимог до затримки, масштабуватися на кілька виробничих ліній, інтегруватися з наявними системами управління та зберігати продуктивність у міру зміни розподілів вхідних даних з часом. Дослідження McKinsey підтверджує, що майже дві третини організацій залишаються на етапах вивчення або цільового впровадження, і лише 2% повністю інтегрували ШІ в усі операції [5].
Відсутність MLOps. Дисципліна операцій машинного навчання — що охоплює версіонування моделей, автоматизоване перетренування, моніторинг та конвеєри розгортання — залишається на початковому етапі в більшості виробничих організацій. Без практик MLOps моделі деградують непомітно. Модель предиктивного обслуговування, натренована на зимових даних, може втратити точність влітку, коли зміна температури навколишнього середовища впливає на поведінку обладнання. Без автоматизованого моніторингу та перетренування ця деградація залишається невиявленою до настання дорогої відмови.
Інтеграція з операційними технологіями. Виробничий ШІ врешті-решт повинен взаємодіяти з фізичними системами — PLC, SCADA, DCS — які працюють на інших часових масштабах та з іншими вимогами до надійності, ніж типові ІТ-системи. Рекомендаційний механізм з часом відгуку 30 секунд є прийнятним в електронній комерції; система контролю якості із затримкою 30 секунд на виробничій лінії, що працює зі швидкістю 200 одиниць на хвилину — ні. Ці проблеми інтеграції часто виявляються на пізніх етапах впровадження, коли вартість перепроєктування є найвищою.
Як відрізнити перспективний проєкт від приреченого
На основі нашого досвіду впроваджень та патернів, задокументованих у дослідницькій літературі, ми розробили набір критеріїв, що надійно відрізняють перспективні виробничі проєкти зі ШІ від тих, які, ймовірно, зазнають невдачі. Ці критерії слід оцінювати до виділення значних ресурсів.
| Критерій | Перспективний проєкт | Проєкт з високим ризиком |
|---|---|---|
| Бізнес-ціль | Конкретний, вимірюваний KPI з базовим рівнем | Розмита («покращити ефективність») або технологічно орієнтована («використовувати ШІ») |
| Готовність даних | 12+ місяців чистих, доступних історичних даних | Дані розрізнені, неповні або потребують масштабної інтеграції |
| Підтримка керівництва | Визначений бізнес-власник з відповідальністю за P&L | Ініціатива ІТ-відділу без залучення виробництва |
| Доменна експертиза | Інженери-технологи активно залучені до проєктування | Фахівці з обробки даних працюють ізольовано від операцій |
| План масштабування | Визначений шлях від пілота до розгортання на кількох лініях | Пілот розглядається як самоціль |
| Терміни досягнення успіху | Реалістичні етапи; цінність очікується через 3–6 місяців | Очікується негайна трансформація |
| Управління змінами | Заплановано навчання операторів та перепроєктування робочих процесів | Технологія розгортається без адаптації процесів |
На основі наших спостережень, пілот, який не масштабується протягом 6 місяців, ймовірно, ніколи не масштабується. Це не довільний дедлайн — він відображає реальність того, що організаційна увага, терпіння керівництва та командний імпульс мають скінченний період напіврозпаду. Пілот, який швидко демонструє вимірювану цінність, формує організаційну довіру, необхідну для підтримки довгострокових інвестицій.
Візуалізації
Рисунок 1. Відсів проєктів зі ШІ: від ідеї до масштабованої цінності
Наступна діаграма Санкі ілюструє, як виробничі проєкти зі ШІ поступово втрачаються на кожному етапі життєвого циклу. Ширина потоку відображає відносну кількість проєктів, що досягають кожного етапу. Дані синтезовано з досліджень BCG [3], McKinsey [5] та Gartner [4].
Джерело: Дані синтезовано з галузевих досліджень BCG (2024), McKinsey (2025) та Gartner (2024) щодо результатів життєвого циклу проєктів зі ШІ у виробництві.
Рисунок 2. Розподіл причин невдач проєктів зі ШІ за категоріями
Згрупована стовпчикова діаграма нижче показує відносний внесок різних категорій причин невдач із порівнянням результатів трьох основних дослідницьких джерел.
Джерело: Перехресні дані з досліджень MIT Sloan Management Review [1], RAND Corporation [7] та Gartner [4] щодо таксономій невдач проєктів зі ШІ.
Авторська оцінка та висновки
Дані як з галузевих досліджень, так і з нашого безпосереднього досвіду впроваджень сходяться до чіткого висновку: основні бар'єри на шляху успіху виробничого ШІ є людськими та організаційними, а не технологічними. Це одночасно й обнадійливо, й складно — обнадійливо, оскільки організаційні проблеми піддаються вирішенню без очікування технологічних проривів, і складно, оскільки вони вимагають сталої відданості керівництва та культурних змін, які неможливо придбати у постачальника.
З цього аналізу випливає кілька принципів:
Починайте з проблеми, а не з технології. Кожен успішний виробничий проєкт зі ШІ, у якому ми брали участь, починався з чітко артикульованої операційної проблеми та вимірюваної цілі. Вибір технології випливав з визначення проблеми, а не навпаки. Коли дослідники RAND визначили «орієнтацію на технологію» як провідну причину невдач — організації, що надають пріоритет найновішим технологіям замість розв'язання реальних проблем, — вони описали патерн, з яким ми стикаємося регулярно [7].
Інвестуйте в інфраструктуру даних до впровадження ШІ. Найефективнішою підготовкою до впровадження ШІ є не наймання фахівців з обробки даних — а забезпечення того, що операційні дані збираються послідовно, зберігаються доступно та управляються ретельно. Організації, які інвестують в інфраструктуру даних, створюють фундамент, що підтримує не один проєкт зі ШІ, а цілий портфель ініціатив, заснованих на даних.
Проєктуйте для продакшену від першого дня. Розрив між пілотом і продакшеном — це не неминуча фаза, а помилка проєктування. Коли виробничі обмеження (затримка, надійність, вимоги до інтеграції, робочі процеси операторів) враховуються з початкової фази проєктування, перехід від пілота до продакшену стає інженерною задачею, а не фундаментальним перепроєктуванням.
Поважайте 6-місячне вікно. На основі наших спостережень, організаційний імпульс є обмеженим ресурсом. Пілот, який не демонструє вимірюваної цінності протягом шести місяців, стикається з експоненційно зростаючим спротивом — увага керівництва переключається, членів команди переводять на інші завдання, а скептицизм перетворюється на спротив. Виробничі проєкти зі ШІ існують в організаційних контекстах, які мають власну динаміку.
Рівень невдач 70–85% — це не фатальність. Він відображає поточний стан організаційної зрілості, а не обмеження технології. Виробники, які підходять до ШІ з чіткими цілями, реалістичними очікуваннями, належною основою даних та справжньою відданістю управлінню змінами, опиняться серед тих 15–30%, хто досягає успіху — отримуючи непропорційну конкурентну перевагу в період стрімкої промислової трансформації.
Джерела
- MIT Sloan Management Review & BCG. "Winning With AI." MIT Sloan Management Review, 2019. https://sloanreview.mit.edu/projects/winning-with-ai/
- BCG. "From Potential to Profit with GenAI." Boston Consulting Group, 2024. https://www.bcg.com/publications/2024/from-potential-to-profit-with-genai
- BCG. "Shaking Up the Factory Floor with Digital and AI." Boston Consulting Group, 2024. https://www.bcg.com/publications/2024/shaking-up-the-factory-floor-with-digital-and-ai
- Gartner. "Gartner Predicts 30% of Generative AI Projects Will Be Abandoned After Proof of Concept By End of 2025." Gartner Press Release, July 2024. https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025
- McKinsey & Company. "From Pilots to Performance: How COOs Can Scale AI in Manufacturing." McKinsey Operations Insights, 2025. https://www.mckinsey.com/capabilities/operations/our-insights/from-pilots-to-performance-how-coos-can-scale-ai-in-manufacturing
- Sculley, D. et al. "Hidden Technical Debt in Machine Learning Systems." Google Research, NIPS 2015. https://research.google/pubs/hidden-technical-debt-in-machine-learning-systems/
- RAND Corporation. "The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed." RAND Research Report, 2024. https://www.rand.org/pubs/research_reports/RRA2680-1.html