ИИ съел бюджет и не подавился: почему 7 из 10 пилотов в ритейле не доходят до продакшена
Недавно наткнулся на статью о том, как 9 из 10 ИИ‑проектов так и не доходят до промышленной эксплуатации. Это редкий случай, когда топ‑менеджер не продаёт очередной «магический ИИ», а честно говорит: проблема не в нейросетях, а в том, что у бизнеса нет инфраструктуры, порядка в корпоративных знаниях и нормального MLOps. Для ритейла это не абстрактная аналитика, а очень точное описание того, что происходит внутри большинства компаний, которые уже «занимаются ИИ».
Картина неприятная. Бюджеты на ИИ есть, пилоты есть, красивые демо для совета директоров есть. Нет только системного эффекта на P&L по ключевым контурам: учёт, планирование, управление товарными запасами, оборотный капитал. Ниже разберу, почему 7 из 10 пилотов в ритейле объективно не имеют шансов выжить, и что меняется, когда компания сначала наводит порядок в данных, инфраструктуре и MLOps, а уже потом запускает ИИ‑инициативы.
Колонка цепляет именно потому, что совпадает с тем, что рынок видит на практике. Она говорит об очевидном, но обычно замалчиваемом факте: 9 из 10 ИИ‑инициатив не становятся промышленными системами, а застревают на уровне пилотов или обсуждений. Параллельные оценки российского рынка подтверждают ту же логику: более 80% ИИ‑проектов не достигают целей при внедрении.
Если убрать отраслевые детали, это почти дословное описание ритейла. Сети запускают пилоты по прогнозу спроса, оптимизации запасов, динамическим ценам, персонализации, чат‑ботам и ИИ‑ассистентам, но в операционной реальности всё остаётся по‑старому. Списания по фрешу почти не меняются, out-of-stock по ключевым SKU остаётся хронической проблемой, а оборотный капитал по‑прежнему заморожен в избыточном стоке. Каждый такой пилот — это не только прямые расходы, но и год упущенного эффекта, который можно было получить в рабочем контуре запасов и планирования.
Портфель пилотов, которые не меняют бизнес
Внутри типичной сети картина выглядит знакомо: пилот по прогнозированию спроса, пилот по управлению запасами, пилот по динамическому ценообразованию, пилот по промо, пилот по рекомендациям, пилот по ИИ‑ассистенту в поддержке. У каждого проекта есть свой чат, свой дашборд и свой владелец с KPI «запустить пилот». Но если спросить, какие управленческие решения компания перестала принимать по‑старому благодаря этим системам, ответ обычно оказывается разочаровывающим.
Типичный сценарий выглядит так. Модель по прогнозу спроса честно показывает хорошую точность на истории, но закупки продолжают делать «по прошлому году плюс X%» и ощущениям категорийщика. Алгоритм ценообразования выдаёт рекомендации, но категорийная команда правит всё руками, потому что не доверяет модели или не встроила её в процесс. Снаружи это выглядит как «инновационный ритейлер внедряет ИИ», а внутри — как набор R&D‑экспериментов без дороги в продакшен и без влияния на метрики бизнеса.
Основных причин три: инфраструктура, хаос в данных и знаниях, отсутствие MLOps и ownership.
Путятинский отдельно указывает на отсутствие DLP, ИИ‑шлюза и нормальных регламентов. В ритейле это означает, что данные под пилот выгружаются разово, ИБ‑служба тормозит любую попытку промышленного использования, а интеграция с ERP, WMS или TMS превращается в отдельный незапланированный проект. В таких условиях даже хороший пилот физически не может стать промышленной системой, потому что у него нет стабильной и безопасной среды для жизни.
У большинства ритейлеров ERP, WMS, TMS, касса, e‑commerce, CRM, маркетинг и Excel‑таблицы живут в разных мирах. Нет согласованных справочников, нет цельной истории по SKU, нет витрин данных, которые можно быстро использовать для ИИ‑контуров запасов, спроса и цен. Плюс значительная часть реального знания о принятии решений по заказам и акциям находится в головах людей, а не в системе. В итоге модель либо нечем обучать, либо её результат некуда встроить так, чтобы по нему реально начали работать.
Третья причина — отсутствие промышленного контура сопровождения модели. Очень часто модель живёт в ноутбуке data scientist, а максимум — в отдельном контейнере без понятной схемы обновления, мониторинга и контроля качества. Нет CICD для ML, нет процесса отслеживания деградации, нет владельца на стороне бизнеса, для которого эта модель — рабочий инструмент, а не «чужой проект из IT». В такой конструкции пилот завершить можно, а продукт — нельзя.
Как мы в БизнесМатике делаем иначе
В БизнесМатике мы работаем с ритейлом и FMCG в задачах прогнозирования спроса, управления запасами, ценообразования и персонализации. За последние годы вывод для нас стал простым: если относиться к пилоту как к демо ради демо, он почти гарантированно умрёт. Поэтому пилот по запасам и планированию нужно с самого начала проектировать как первую итерацию промышленного продукта.
• Сначала считаем бизнес‑кейс: сколько компания теряет на списаниях, сколько денег заморожено в запасах, сколько стоит out-of-stock по ключевым SKU.
• Затем проводим ИИ‑аудит готовности: стратегия, данные, технологии, люди, процессы, governance.
• Только после этого запускаем PoC с целевой архитектурой, MLOps‑контуром и закреплённым владельцем со стороны бизнеса.
Этот путь менее эффектно продаётся как «быстрый эксперимент», зато именно он позволяет доводить проекты до продакшена и измеримого результата.
Кейсы, где ИИ дошёл до продакшена
Практика показывает, что ИИ в ритейле работает, если работать по‑взрослому.
DIY‑сеть: ценообразование без Excel
В федеральной DIY‑сети с 50+ магазинами и около 15 000 SKU ценообразование велось в Excel, что замедляло реакцию на рынок и перегружало команду ручной работой. После консолидации данных, запуска ML‑модели ценовых рекомендаций и встраивания её в рабочий контур сеть получила рост маржинальности в ключевых категориях и снижение доли ручных операций. Здесь сработала не только модель, но и то, что рекомендации стали частью процесса, а не отдельной «аналитической игрушкой».
FMCG‑поставщик: прогноз спроса и меньше списаний
У крупного FMCG‑поставщика с портфелем около 1500 SKU, включая фреш, основной проблемой были списания и out-of-stock. После очистки данных, внедрения ML‑прогноза спроса и встраивания модели в процесс планирования точность прогноза выросла до 85–90%, списания по фрешу сократились на 17%, а out-of-stock снизился примерно на 5 п.п. Это уже не история про «интересный пилот», а про прямой финансовый эффект и высвобождение оборотного капитала.
Fashion‑ecommerce: рекомендации, которые влияют на выручку
У fashion‑компании с 120 магазинами и онлайн‑каналом базовые рекомендации почти не влияли на чек и конверсию. После построения Customer 360 и запуска рекомендательной модели рост выручки в задействованных сегментах составил 15–30%, а средний чек вырос на 7%. Этот кейс важен как доказательство того, что промышленный подход переносится и на другие ИИ‑контуры, а не только на запасы и спрос.
Есть ситуации, когда следующий пилот запускать не нужно.
•Если нет нормальной истории продаж и остатков, проект по прогнозированию или запасам обречён.
•Если нет владельца бизнес‑процесса, система останется «проектом IT».
•Если ERP, WMS, касса и e‑commerce не интегрированы, модели просто некуда встраиваться.
•Если компания ждёт от LLM‑агентов того, что ей пока может дать обычный supervised ML, она рискует заплатить за моду вместо результата.
Мы в БизнесМатике не раз останавливали проекты после аудита, когда было видно, что в текущей архитектуре и зрелости данных пилот не доедет до прома. Для интегратора это потерянная быстрая выручка, для клиента — экономия бюджета и сохранённое доверие к ИИ на будущее.
Если у вас уже есть 5–10 ИИ‑инициатив, которые годами висят в статусе пилотов, самый разумный следующий шаг — не запускать ещё одну. Гораздо полезнее сначала понять, какие из текущих и планируемых проектов вообще имеют шанс доехать до промышленной эксплуатации и отбиться по экономике.
Для этого мы в БизнесМатике делаем ИИ‑аудит готовности. За одну–две недели он даёт:
•профиль зрелости по шести измерениям: стратегия, данные, технологии, люди, процессы, governance;
•карту use case’ов: какие проекты по запасам, планированию, ценам и промо стоит усиливать, а какие лучше заморозить;
•матрицу приоритизации и дорожную карту на 3–6 месяцев, чтобы ИИ начал работать на P&L, а не на имидж.
Этот аудит бесплатный и ни к чему не обязывает. На рынке, где 7–9 пилотов из 10 не доживают до прома, это самая дешёвая страховка от очередного «мертвого» проекта.
Если вы узнали себя в этой картине, можно начать именно с этого шага. А если хочется больше практики, кейсов и разборов по ИИ для ритейла и FMCG — загляните в Telegram‑канал БизнесМатики.