[Зміст]Показати зміст
У нашому портфоліо: 14 AI-проєктів у продакшні, 11 працюють. Три вбиті. Демо на 300 cherry-picked, продакшн на 50k брудних. Це справжня пропорція, а не маркетинговий слоган про «90% AI-проєктів помирає». Ці 11 працюють, бо кожен пройшов через той самий фільтр: конкретний процес, конкретна метрика, конкретний fallback.
У Do More Soft ми комерційно впровадили AI у 14 клієнтів за останні два роки. Ті три вбиті коштували більше уроків, ніж одинадцять успіхів. Нижче методологія, що з цього виросла.
Чому 90% AI-проєктів помирають після демо
VP of Operations думає, що AI замінить людину. Реально: 70% випадків коректно, 20% human review, 10% ескалації. Треба передумати org chart, перш ніж підписати SOW. Без цього рішення «впроваджуємо AI» — це рішення про перебудову команди, якого ще ніхто не ухвалив.
Друга причина: демо на чистих даних, впровадження на брудних. Модель, що дає 94% accuracy на тестовому наборі, падає на реальних даних із друкарськими помилками, пропусками й неузгодженостями. Третя: AI як окрема система з власним логіном. Ніхто нею не користується.
AI PoC to Production: методологія крок за кроком
Дні 1-2: діагностика, а не мозковий штурм
Перше питання: яка метрика змінюється? Редукція часу на 50% чи редукція помилки на 95%? Інша проблема. Інша модель. Інший бюджет. Клієнт каже «хочемо AI в обслуговуванні клієнтів» — це не проблема, це побажання. Проблема: «запити з вебформи чекають у середньому 14 годин на першу відповідь, втрачаємо 22% лідів через ghosting». Ось це проєкт.
Ця розмова усуває половину хибних ідей на старті й дозволяє приписати PoC реальний KPI, яким будемо міряти go/no-go.
Дні 3-5: аудит даних і proof of feasibility
Візьміть 200-500 реальних випадків із продакшну. Не очищених, не відібраних — реальних, з усіма дефектами. Пропустіть через модель (починайте з готових API, не тренуйте власну). Виміряйте accuracy, час відповіді та вартість запиту. Якщо результати нижче 70% — цей use case не спрацює з поточними даними.
Дні 6-8: прототип інтеграції
Побудуйте мінімальну інтеграцію з наявною системою. Не лендінг із текстовим полем, а справжню інтеграцію. AI як шар у наявному flow: дані заходять із системи, обробляються моделлю, результат повертається до системи. Користувач не має знати, що AI задіяний.
Дні 9-10: тести з користувачами та звіт-рішення
Дайте прототип 3-5 реальним користувачам. Збирайте фідбек не про технологію, а про процес: чи швидше? Чи результати достовірні? Чи довірили б цьому в щоденній роботі? На цій основі звіт go/no-go/pivot — з цифрами, не з думками.
Архітектура інтеграції: AI як шар, а не заміна
У Textio: перша версія мала Claude як SPOF. API timeout, редактор дивиться в порожній draft, клієнт пише листа. Тепер: кеш із fallback на шаблон, черга коли API повільне, редактор завжди має draft. Два тижні outage, щоб спроєктувати це нормально. Сьогодні Gemini 2.0 Flash генерує першу версію, шар LangChain + RAG доклеює tone-of-voice з профілю бренду, редакторський workflow вимагає підтвердження, перш ніж щось потрапить на Facebook, WooCommerce чи WordPress. Коли LLM падає, редактор отримує draft із кешу або шаблон на основі структури даних. Писання ніколи не зупиняється.
Це архітектурне правило, а не оздоба. AI endpoint є опціональним. Немає відповіді за 3 секунди — fallback на бізнес-правило. Confidence score нижче порогу — ескалація до людини. Система стійка, користувачі довіряють.
Один use case, розкладений на множники
П’ять use case’ів із чистими цифрами ROI звучить привабливо, але нічого не вчить. Подивіться, як це виглядає на одному деплої.
Класифікація рахунків FMCG. 450k рахунків на рік, ручний роутинг 2-3 години на 100 документів. Три людини full-time в бухгалтерії. Модель GPT-4o з prompt engineering на схемі рахунків: 87% accuracy в першій ітерації. Недостатньо — 13% помилки в бухгалтерії це кошмар для аудитора. Перевстановлено: модель робить pre-screen і пропонує рахунок, людина робить final routing із готовою рекомендацією. Час упав до 45 хвилин на 100 рахунків. ROI +45k PLN/рік при вартості впровадження 110k PLN, повернення за 2.5 року — але справжній виграш це редукція помилок розрахунків і час бухгалтерів, перенесений на controlling.
Аналогічні патерни повторюються в чотирьох інших use case’ах, які тримаємо в продакшні:
- Інтелектуальний чат-бот RAG на базі знань компанії: редукція навантаження на обслуговування 40-60%, вартість 50-120k PLN
- Прогнозування відтоку в SaaS з >1000 клієнтів: ROI 200-400%, вартість 100-200k PLN
- Контроль якості computer vision на виробничій лінії: редукція браку 30-70%, вартість 150-350k PLN
- Генерація та персоналізація контенту (референс: Textio): економія 15-25 годин на тиждень, вартість 40-80k PLN
Матриця витрат
PoC (2 тижні): 15-40k PLN. MVP (6-8 тижнів): 60-180k PLN. Продакшн-впровадження (3-6 місяців): 120-500k PLN. Щорічне обслуговування: 15-25% від вартості впровадження. Витрати на API (OpenAI/Anthropic/Azure): 500-5000 PLN/місяць залежно від обсягу. Ці цифри стосуються МСП, enterprise починається від x3.
Типові пастки — з наших вбитих проєктів
Пробували custom-модель для клієнта з e-commerce. Мали 8k labeled записів, модель потребує 50k, щоб мати сенс. Втрачено 3 тижні та 40k PLN, перш ніж хтось сказав стоп. Fine-tune OpenAI на тому самому датасеті: 2 дні, 92% accuracy.
Другий вбитий проєкт: VP Sales хотів AI у всій компанії одразу. Чотири відділи, чотири різні процеси, один бюджет. Через пів року пілота кожен був на 60% готовності, жоден у продакшні. Pivot на один процес, один відділ, один вимірюваний KPI — працює донині.
Третій: «дані розберемо потім». Клієнт мав CRM із даними за 12 років, 40% полів заповнено «ASAP», «TBD» або порожні. Модель учиться хаосу. Шість тижнів чищення даних перед першим промптом.
Я це бачив. CTO вирішує Q1: «Ми AI company». Q2: три пілоти, команда вигоріла, технічний борг росте. Q3: board убиває всі AI-проєкти разом із бюджетом. Виберіть один use case з цифрами. Доведіть. Потім масштабуйте.
FAQ
Чим відрізняється AI PoC від продакшн-деплою? PoC працює на 200-500 cherry-picked записах протягом 2 тижнів. Продакшн обслуговує 50k+ брудних записів на місяць, має SLA, observability, fallback і human-in-the-loop. Інша архітектура, інша вартість, інша метрика успіху.
Скільки триває перехід від AI-прототипу до продакшну? PoC 2 тижні, MVP 6-8 тижнів, продакшн-деплой 3-6 місяців. Разом 4-9 місяців від першої розмови до системи, що заробляє. Скорочення нижче 4 місяців зазвичай означає пропущений аудит даних — і потім коштує вдвічі більше.
Які топ-5 ROI-позитивних use case AI? Класифікація документів (ROI 120-180%), чат-бот RAG на базі знань (80-150%), прогнозування відтоку (200-400%), контроль якості computer vision (150-300%), генерація контенту з редакторським workflow (100-200%). Цифри з наших 11 продакшн-впроваджень.
Чому більшість AI-проєктів помирає після демо? Демо на 300 cherry-picked записах, продакшн на 50k брудних. Відсутня чітка бізнес-проблема, відсутній план інтеграції з наявним стеком, архітектурне рішення «AI замість» замість «AI як шар». Три вбиті проєкти в нашому портфоліо впали саме на цьому.