10/04/2026
Заместитель руководителя технологического блока ВТБ Сергей Безбогов в ходе конференции Data Fusion выделил пять ключевых препятствий, которые мешают проектам с искусственным интеллектом (ИИ) выйти из стадии пилотного тестирования и перейти к промышленной эксплуатации.
ВТБ придерживается концепции "бережливого ИИ", оценивая экономическую целесообразность проектов по искусственному интеллекту по единым критериям, применяемым ко всем технологическим трансформациям. Это включает оценку срока окупаемости и приоритизацию проектов в зависимости от этого показателя. ИИ и генеративные модели требуют значительных вычислительных мощностей, что приводит к высоким первоначальным затратам даже на этапе пилотных проектов. В результате дорогие решения, эффект от которых сложно оценить без пилотирования, отсеиваются.
Вторая проблема связана с высокой стоимостью инфраструктуры. Разработка и масштабирование решений на основе больших языковых моделей (LLM) требуют значительных вычислительных ресурсов и специализированных ИТ-кластеров. Даже использование высокоэффективных моделей может оказаться экономически нецелесообразным из-за стоимости необходимого оборудования. Дефицит средств производства, включая видеокарты и процессоры, также сдерживает развитие рынка.
Третье препятствие — так называемые "галлюцинации" моделей с генеративным ИИ. Эти модели могут создавать контент, который включает вымышленные факты, несуществующие ссылки или некорректные ответы. Такие ошибки создают финансовые и репутационные риски для бизнеса. Для минимизации этих рисков необходимы сложные каскадные решения и системы детекции, которые требуют отдельной разработки и настройки под каждую предметную область. Универсальных решений пока не существует.
Четвертая причина — дефицит качественных данных. На рынке наблюдается нехватка качественных данных для обучения ИИ-моделей. Создание качественных выборок требует дорогостоящей фильтрации и экспертной проверки данных на достоверность. Внутри одной отрасли, например, банковской, наборы данных часто идентичны, что ограничивает развитие уникальных моделей. Межотраслевой обмен данными мог бы решить эту проблему, но строгие правила передачи и обработки некоторых чувствительных категорий данных на законодательном уровне ограничивают свободный обмен информацией между компаниями.
Пятая причина — нехватка кадров с новыми компетенциями. Для промышленной эксплуатации ИИ требуется не только наличие разработчиков, но и специалистов по разметке данных и промпт-инженеров, способных правильно формулировать задачи для нейросетей. Также важно, чтобы пользователи были осведомлены о необходимости четко формулировать вопросы и критически относиться к ответам, не перекладывая ответственность за финальное решение на ИИ.
