Неуспешные пилотные проекты искусственного интеллекта, наблюдаемые в южноафриканских организациях, не являются следствием того, что ИИ — плохая бизнес-технология. Напротив, они отражают более глубокую проблему, которую ИИ выявляет, и именно счет за использование делает это отражение все более очевидным.
В штаб-квартирах в Южной Африке в этом квартале происходит отключение или откладывание концепции ИИ, которая шесть месяцев назад произвела впечатление на исполнительный комитет. Хотя демонстрация выглядела великолепно, проект так и не был внедрен в рабочую среду. Послеанализ, вероятно, обвинит модель, поставщика, хайп или саму технологию ИИ.
Однако этот инстинкт почти всегда ошибочен. Когда проект ИИ в крупной компании терпит неудачу, редко виновата сама интеллектуальная составляющая. Основная проблема заключается в том, что гораздо проще создать контролируемую и впечатляющую демонстрацию, чем масштабировать ее до производственного программного обеспечения. Проекты часто рушатся из-за непредвиденных затрат на инфраструктуру и вычисления, а также из-за отсутствия истинной готовности уровня предприятия.
Команды зачастую рассматривают эти инициативы как эксперименты, ориентированные на технологии, где успех измеряется технической точностью, а не ощутимой бизнес-ценностью, полностью игнорируя управление человеческими изменениями и особенности реального рабочего процесса, необходимые для ежедневного принятия сотрудниками. Экспериментальный энтузиазм и импульс затем уступают место суровой реальности. Эта проверка реальностью включает в себя как резкое пробуждение, так и трудную пилюлю: в более широком смысле, неудача проекта отражала более глубокие недостатки в готовности бизнеса к работе с ИИ.
Пилотный проект выступил зеркалом перед организацией, и организация не одобрила увиденное, возложив вину на зеркало (ИИ), которое затем было разбито. Масштаб этой проблемы не является просто анекдотическим. Инициатива NANDA от MIT проверила более 300 внедрений в крупных компаниях для своего исследования 2025 года, «Разрыв в генеративном ИИ» (The GenAI Divide), и обнаружила, что примерно 95% не оказали «измеримого влияния на чистую прибыль». Только около одной из двадцати достигли производства с реальной ценностью. MIT объясняет большую часть этого слабой интеграцией рабочих процессов и системами, которые никогда не обучаются.
По личному опыту работы в финансовом секторе, телекоммуникациях и государственном секторе Африки, существует более базовая нить, лежащая в основе всего: фрагментированные, нерегулируемые, плохо интегрированные данные. Неприятный момент в том, что большинство организаций не осознают, что это их проблема, поскольку они уверены в данных, к которым фактически не могут получить доступ. Согласно Индексу готовности к данным 2026 года от Cloudera, 89% ИТ-руководителей в регионе EMEA утверждали, что имеют полный обзор того, где находятся их данные, однако только 26% заявили, что эти данные полностью регулируются. Расстояние между тем, что руководители считают, что могут видеть, и тем, что они на самом деле могут контролировать, — это именно то отражение в зеркале, о котором идет речь.
Аналогичным образом, Gartner в 2025 году уже предсказал, что этот парадокс уничтожит 60% корпоративных проектов ИИ к концу 2026 года из-за отсутствия данных, готовых к ИИ. Столкнувшись с застопорившимся пилотом, возникает соблазн разбить зеркало и обвинить хайп вокруг ИИ в чрезмерном обещании бесполезного инструмента, а затем быстро сократить амбиции в области ИИ. В других случаях они могут заменить модель, просто потратить больше денег или добавить агента. Это кажется прогрессом, но в итоге ничего не меняет, потому что дефект, который отражается, находится выше по течению. Существует также неприятный поворот в экономике: более яркий ИИ обходится намного дороже в эксплуатации (и все равно автоматически не сделает картину в отражении красивее).
Именно здесь токенизация перестает быть незначительной статьей расходов и становится всей историей. Генеративный ИИ тарифицируется по токенам. Вы платите за объем текста и контента, поступающего внутрь и выходящего наружу, а не за то, стоила ли полученный ответ чего-либо. При чистой, регулируемой основе это доступно. На беспорядочной же основе это медленная утечка, которая пугающе быстро превращается в потоп.
Фрагментированные данные вынуждают вставлять больше контекста в каждый запрос для компенсации. Данные, которым никто не доверяет, подталкивают команды к маршрутизации всего через самую большую и дорогую модель, поскольку более дешевые модели нельзя полагать при вводе, который никто не проверил. Ненадежные ответы вызывают повторные попытки, и каждая повторная попытка — это еще один оплаченный вызов. Агенты также делают рост затрат экспоненциальным, а не линейным. ИИ-агент не спрашивает один раз и не останавливается. Он рассуждает, перечитывает, вызывает инструменты и циклически работает. Инженеры Anthropic обнаружили, что один агент потребляет примерно в четыре раза больше токенов, чем обычный чат, а многоагентная система — примерно в пятнадцать раз больше, прежде чем что-либо пойдет не так. Направьте эту машину на слабую основу данных, и плохим решением будет не единственным последствием. Она производит плохое решение со скоростью, а затем щедро выставляет вам счет за эту привилегию.
В своем последнем прогнозе Gartner теперь предсказывает, что более 40% проектов агентного ИИ будут отменены к концу 2027 года, и первой причиной, которую они приводят, является растущая стоимость. Таким образом, счет за токены — это не отдельный вопрос от вопроса о данных; по сути, это измеритель, который его ценообразует. Организация, возможно, сможет обсуждать управление данными в абстракции годами, но она не сможет спорить с выставленными счетами.
Местная картина подтверждает это для меня. В результатах исследования EMEA нашего собственного индекса 42% руководителей признали, что сложные требования к доступу были их основным препятствием для использования видимых данных, и только около трети имеют полностью интегрированные источники данных в различных средах. Добавьте к этому давление, характерное для этого рынка — обязательства POPIA, ограниченные бюджеты, нехватка навыков — и проведение дорогостоящих демонстраций на шатких основах становится расходом, который большинство южноафриканских организаций не смогут долго поддерживать.
Решение неброско, и именно поэтому оно работает. Прежде чем покупать больше интеллекта, сделайте данные, лежащие в его основе, доступными, интегрированными и регулируемыми, чтобы управление следовало за данными, а не находилось внутри платформы одного поставщика, и чтобы Закон о защите личной информации (POPIA) оставил вам аудиторский след, а не ответственность. Затем подведите ИИ к этим регулируемым данным, сохраняя открытые стандарты, и позвольте стоимости стать тем, что вы можете планировать, а не тем, что планирует вас. И ничто из этого не так захватывающе, как запуск модели или запуск агента. Но организации, получающие реальную, повседневную ценность от ИИ в этой стране, — это не те, которые проводят больше всего пилотов с наибольшими ресурсами. Это те, кто сначала починил водопроводную систему, независимо от всего остального.
Вы не можете винить зеркало за то, что в нем отражено, и более нарядное зеркало ничего не изменит. Это означает: успешный проект ИИ начинается с непритязательных частей. Он начинается с данных — всегда.
