Чистка «авгиевых конюшен» перед внедрением GenAI

Метафора «авгиевых конюшен» полезна тем, что она точно описывает реальную проблему внедрения GenAI в компаниях: узкое место почти никогда не находится в выборе модели. На практике организации чаще упираются в накопленный организационный долг — в данные, процессы, права доступа, риски, роли и управляемость.

Если опираться на свежие отчеты и исследования (август 2025 – февраль 2026), подготовительная работа перед масштабированием GenAI обычно сводится к шести типовым зонам:

BCG в своем отчете “AI at Work: Is Asia Pacific Leading the Way?” говорит о том, что значимая часть внедрения GenAI происходит не через централизованные программы, а неформально, на уровне отдельных сотрудников. И это важно воспринимать не как нарушение дисциплины, а как нормальное поведение системы: люди выбирают самый удобный инструмент, если официальный путь слишком медленный или неудобный.

Один из самых показательных сигналов — цифра, о которые мы писали и в предыдущих статьях: 58% сотрудников заявляют, что будут использовать AI-инструменты даже в том случае, если компания официально их не предоставляет.

Почему это критично:

• у компании появляется несанкционированный канал обработки данных;
• растет риск утечки чувствительной информации;
• появляются локальные автоматизации, которые невозможно наблюдать и поддерживать;
• ИТ, ИБ и бизнес начинают видеть разную картину происходящего.

При этом проблема не сводится к запретам. BCG говорит об еще одной важной вещи: даже при высокой готовности сотрудников использовать AI, только 57% респондентов говорят, что их компании реально перестраивают рабочие процессы под этот сдвиг. То есть инструмент уже в работе, а организационная модель — еще нет.

Перед масштабированием GenAI компании обычно нужно сделать три базовых шага:

• дать санкционированный корпоративный канал доступа к AI (иначе shadow AI станет нормой);
• встроить текст правил использования ИИ в пользовательский путь — что можно, что нельзя, что можно при каких условиях;
• реализовать процессы мониторинга: логирование, типовые сценарии использования, источники данных, инциденты.

Иными словами, задача здесь — сделать безопасный путь самым удобным.

Один из новых трендов по управлению корпоративными знаниями дает Gartner: организации больше не могут по умолчанию считать, что данным можно доверять или что они созданы человеком. Это фундаментальный сдвиг, который произошел на наших глазах.

Почему это важно:

• объем AI-сгенерированного контента быстро растет;
• внутри компании все сложнее отличить проверенное знание от непроверенного;
• старые “базы знаний” часто создавались без владельцев, SLA и требований к актуальности.

Для многих организаций это и есть настоящая «конюшня»: документы копились годами, но не было ни единого стандарта происхождения данных, ни статусов актуальности, ни понятного источника истины.

Отдельно важен еще один риск, на который указывает Gartner: рост объема непроверенных AI-данных повышает вероятность того, что ответы моделей начинают хуже отражать реальность. На уровне корпоративных систем это выглядит очень понятно: падает качество ответов RAG-систем, растет шум, снижается доверие пользователей.

Что обычно входит в “чистку” слоя знаний перед RAG и агентными сценариями?
В практической работе это почти всегда означает:

• реестр критических источников под приоритетные бизнес-кейсы;
• появление владельцев контента и понятный цикл обновления;
• метаданные и каталогизацию;
• маркировку AI-сгенерированных материалов;
• правила доступа и использования для разных ролей.

Здесь важно не стремиться “очистить все документы компании”. Рабочий путь — идти от кейсов, а не от абстрактной идеальной базы знаний.

Deloitte в январском отчете 2026 года фиксирует сдвиг, который сейчас виден почти во всех крупных организациях: они все планируют быстрое движение от экспериментов к масштабу, а механизмы управления и защиты не успевают за темпом внедрения.

Особенно показателен разрыв в агентных сценариях:

• 74% компаний планируют внедрить agentic AI в течение двух лет;
• только 21% сообщают о зрелой модели управления автономными агентами.

Это и есть типичная типичная проблема перед масштабированием: организация хочет автономность и скорость, но не подготовила:

• границы полномочий;
• правила доступа к системам;
• аудит и журналирование;
• процедуры эскалации;
• kill-switch и обработку инцидентов.

Важно и то, что ключевые опасения компаний в отчетах Deloitte — это не качество промптов, а именно governance-риски: приватность, безопасность данных, юридические и регуляторные ограничения, надзор, объяснимость.

Что меняется в подходе? На этом этапе полезно перейти от логики “страхи и запреты” к логике конвейера управления рисками. Иначе governance превращается в узкое место и начинает тормозить любой полезный кейс.

Рабочий вариант — встроить управление рисками в стандартный путь разработки и внедрения:

• risk review как часть цикла разработки, а не как отдельный комитет раз в квартал;
• RBAC и ограничения действий для AI-агентов по умолчанию;
• аудит, логирование и эскалации как базовый слой платформы;
• kill-switch и fallback-сценарии для критичных процессов.

Именно здесь проходит граница между экспериментами и реальной эксплуатацией.

Одна из самых частых проблем корпоративного AI — большое количество пилотов и очень ограниченное количество production-систем. Deloitte формулирует это достаточно конкретно: переход от пилота к production — один из ключевых шагов для извлечения ценности, и именно здесь многие компании застревают.

Пилот легко запустить, потому что он локальный:

• можно обойти часть правил;
• можно сделать ручную интеграцию;
• можно временно не думать о поддержке и масштабируемости.

Deloitte дает полезную числовую рамку:

• только 25% респондентов перевели 40% и более своих AI-экспериментов в production;
• при этом 54% ожидают достичь этого уровня в ближайшие 3–6 месяцев.

Это означает, что в ближайший период многие компании будут массово переносить эксперименты в промышленный контур. И именно на этом этапе отсутствие платформенного подхода начинает дорого стоить.

McKinsey дополняет картину с другой стороны: AI используется широко, но почти две трети организаций еще не начали масштабирование на уровне предприятия.
Проблема здесь чаще всего не в отсутствии идей, а в отсутствии инфраструктурного фундамента для повторяемого внедрения.

Что обычно означает платформенная чистка? Если упростить, речь идет о четырех слоях:

• единый слой доступа к моделям и политик безопасности;
• интеграции с корпоративными системами, чтобы кейсы не оставались “ручными”;
• наблюдаемость (качество, риски, стоимость, инциденты);
• стандартный путь “POC → production” с критериями готовности.

Хороший маркер зрелости: команда не каждый раз собирает внедрение с нуля, а использует типовой, повторяемый контур.

Даже если платформа есть, а доступ к инструментам выдан, остается самый сложный слой — сама работа. И здесь Deloitte в том же отчете показывает очень важную цифру: 84% компаний еще не перепроектировали рабочие места и природу работы под AI. Это ключевой разрыв. Многие организации делают ставку на обучение (AI literacy) — что хорошо — но не меняют:

• саму логику процесса;
• точки контроля;
• распределение ролей;
• критерии результата.

В другой части отчета Deloitte мы видим следующее:

• 34% в целом глубоко переосмысляют свои продукты и бизнес модели, а 30% организаций перепроектируют ключевые процессы вокруг AI;
• 37% используют AI поверхностно, почти не меняя базовую операционную механику.

На практике это дает локальные улучшения, но не системный эффект. Люди действительно могут работать быстрее, но компания в целом не получает нового уровня производительности, потому что процесс остается спроектирован под старую архитектуру труда.

BCG показывает похожий разрыв с другой стороны: готовность сотрудников высокая, а организационная перестройка запаздывает. Это и создает эффект, когда инструменты есть, а управляемого результата — нет.

Что обычно делают компании, которые выходят из этого тупика? Обычно они идут от пересборки конкретного процесса:

• проектируют новый контур процесса (где AI, где человек, где проверки и эскалации);
• пересматривают роли и ответственность (включая ИТ, ИБ, юрблок, владельцев процесса);
• меняют KPI — с метрик использования инструмента на метрики результата процесса.

Именно здесь GenAI начинает работать как часть операционной модели.

Отдельная проблема, которую часто недооценивают, — разрыв между доступом к AI и реальным использованием. Отчет Deloitte содержит следующие данные:

Это важный управленческий сигнал. Выдать доступ — это еще не внедрение. Это только техническое условие, но не изменение поведения и не доказанный бизнес-эффект.

Дополнительную трезвость дает исследование NBER (февраль 2026): при высоком уровне использования AI в компаниях (около 70%) большинство руководителей оценивают эффект за последние три года как минимальный, а ожидаемый прирост продуктивности в ближайшие три года — как умеренный (в среднем около 1,4%).

Именно поэтому тема доверия к данным и знаниям (в логике Gartner) напрямую связана с adoption: если пользователи не уверены в качестве ответов, источниках и границах использования, ежедневная работа не закрепляется.

Обычно имеет смысл заранее запустить базовый набор измерений по четырем контурам:

• Качество: точность, привязка к источникам, корректные отказы, доля ручных исправлений.
• Риск: нарушения политик, PII/IP-инциденты, эскалации, исключения.
• Процесс: время цикла, throughput, узкие места, частота возвратов.
• Стоимость: юнит-экономика на запрос/кейс, стоимость контроля качества, стоимость поддержки.

Зрелая система метрик здесь нужна не для отчетности ради отчетности, а как санитарный контроль: без нее масштабирование почти всегда теряет управляемость.

Если собрать все вместе, то подготовка к масштабируемому внедрению GenAI обычно выглядит не как “проект по внедрению модели”, а как последовательная пересборка организационного контура:

Если компания идет в сторону агентных сценариев, этот порядок становится еще более критичным. И здесь хорошо ложится тезис Bain: агентность требует модернизации архитектуры, данных и governance; без этого безопасное масштабирование не взлетает.

Если у вас есть потребность организовать дорожную карту внедрения ИИ или обучения сотрудников компании, достаточно позвонить нам или заполнить форму на нашей главной странице, и мы с вами свяжемся.

Также приходите знакомиться лично на наши бесплатные мероприятия.