AI Governance: чому більшість AI-проєктів у бізнесі провалюються і як цього уникнути

Чому більшість AI-проєктів стикаються з проблемами

За словами Яна Ховенка, сценарій впровадження AI у компаніях часто виглядає однаково.

Спочатку керівництво бачить потенціал нової технології, виділяє бюджет, знаходить підрядника та запускає пілотний проєкт. Перші результати зазвичай виглядають багатообіцяючими, але з часом система починає працювати з реальними даними, де з'являються нестандартні формати, винятки та людський фактор.

Саме в цей момент виникають перші труднощі.

Команда починає змінювати промпти, коригувати логіку та намагатися покращити результат. Але після кожного виправлення часто перестає працювати те, що працювало раніше.

Ян Ховенко: «У якийсь момент ви ловите себе на думці, що результат уже буквально за наступним кроком. Але насправді це нескінченна петля. Ви правите одне — ламається щось друге. Знову виправляєте — і щось знову ламається».

Проте Ян Ховенко вважає, що справжня проблема полягає зовсім не в цьому.

Від чого насправді залежить якість AI-автоматизації

На думку експерта, результат будь-якої AI-системи визначається чотирма ключовими факторами:

Потужністю моделі.
Складністю поставленого завдання.
Якістю інструкцій та промптів.
Якістю вхідних даних.

Саме останній фактор часто недооцінюють.

Ян Ховенко: «Навіть найпотужніша модель на ринку сама по собі не вирішує проблему, якщо до неї не застосовувати управління. Справа не в кращій моделі. Справа в тому, що автоматизація просто не використовує контролю».

За словами Ховенка, багато компаній не можуть точно відповісти на просте питання: чи покриває поточна AI-логіка всі можливі бізнес-сценарії.

Через відсутність контролю та системного підходу AI часто залишається експериментом, а не стає повноцінною частиною бізнесу.

Що таке AI Governance

AI Governance — це система управління штучним інтелектом, яка дозволяє контролювати логіку роботи AI-рішень, відстежувати якість результатів та забезпечувати передбачуваність автоматизації.

Саме відсутність такої системи, на думку Яна Ховенка, є однією з головних причин невдалого впровадження AI у компаніях.

Ян Ховенко: «Проблема не в технології. Проблема в тому, що сьогодні більшість компаній використовують некеровані системи».

Коли помилки AI стають проблемою для бізнесу

Проблема відсутності контролю стосується не лише малого чи середнього бізнесу. З нею вже зіткнулися великі міжнародні корпорації.

Одним із найвідоміших прикладів стала Air Canada. Компанія отримала судовий позов після того, як її AI-чатбот надав клієнту некоректну інформацію. Суд постановив, що якщо штучний інтелект говорить від імені компанії, відповідальність за його слова несе сама компанія.

Схожа ситуація сталася з DPD. Компанія була змушена повністю відключити свого AI-бота після серії неконтрольованих відповідей, які швидко поширилися в соціальних мережах і завдали репутаційної шкоди.

Ще один показовий випадок — McDonald's. Після року тестування компанія закрила проєкт автоматизованого прийому замовлень через регулярні помилки, внаслідок яких клієнти отримували не ті товари, які замовляли.

Такі приклади демонструють важливу закономірність: проблема полягає не в тому, що AI не працює.

Проблема полягає в тому, що бізнес часто впроваджує штучний інтелект без системи контролю, моніторингу та управління його рішеннями.

Чому бізнес і штучний інтелект мислять по-різному

Щоб зрозуміти, чому багато AI-рішень так і не виходять за межі пілотних проєктів, потрібно розділити два фундаментально різні поняття: бізнес-логіку та AI-логіку.

За словами Яна Ховенка, більшість проблем виникає саме через нерозуміння цієї різниці.

Уявімо звичайну життєву ситуацію. Ви заходите в ліфт, натискаєте кнопку 21-го поверху, а він раптом везе вас на 15-й.

Чи стали б ви довго користуватися таким ліфтом?

Навряд чи.

Саме так працює будь-який бізнес-процес: він має бути передбачуваним, стабільним і повторюваним.

Коли клієнт оплачує рахунок, система повинна сформувати замовлення. Коли надходить заявка — має створитися відповідний запис у CRM. Якщо змінюється статус замовлення, новий статус повинен коректно потрапити до бази даних.

У бізнесі немає понять «можливо», «приблизно» або «скоріше за все».

Процеси або працюють, або ні.

Ян Ховенко: «У бізнесі немає поняття "можливо", "плюс-мінус" або "або-або". Процес виконується за логікою, і ця логіка повинна бути стабільною».

Ймовірнісна природа AI

Штучний інтелект працює зовсім за іншими принципами.

Сучасні великі мовні моделі належать до так званих probabilistic systems — ймовірнісних систем.

Це означає, що вони не виконують інструкцію буквально, як класичний програмний код.

Замість цього модель кожного разу генерує найбільш імовірну відповідь, враховуючи контекст, інструкцію, приклади та вхідні дані.

Ян Ховенко: «Великі мовні моделі — це ймовірнісні системи. Якщо поставити одне й те саме запитання кілька разів, ви отримаєте трохи різні відповіді. Це не помилка. Це і є природа AI».

Хорошим прикладом є звичайна консультація клієнта.

Коли менеджер відповідає на однакові запитання різним людям, формулювання можуть відрізнятися. Проте зміст залишається тим самим.

AI працює аналогічно.

Він не відтворює заздалегідь прописану відповідь слово в слово, а формує її заново щоразу, виходячи з контексту.

У творчих задачах це є перевагою. Саме завдяки цьому AI здатний генерувати нові ідеї, створювати контент і знаходити нестандартні рішення.

Однак у бізнес-процесах така особливість створює серйозний виклик.

Де виникає конфлікт між бізнесом і AI

Проблема починається тоді, коли ймовірнісна система стає частиною процесів, де потрібна абсолютна передбачуваність.

Бізнес очікує:

повторюваності результатів;
контролю;
перевірки якості;
стабільності роботи.

AI працює через контекст, імовірність та варіативність результатів.

Те, що сьогодні працює ідеально, завтра може поводитися інакше через новий сценарій або нестандартні дані.

На практиці це виглядає дуже знайомо для багатьох компаній.

Команда знаходить проблему, коригує промпт або інструкцію, після чого новий кейс починає працювати правильно.

Але одночасно погіршується результат у сценаріях, які раніше працювали бездоганно.

Ян Ховенко: «Один приклад полагодили — інший зламали. Команда змінює інструкцію, новий сценарій починає працювати, але попередній результат може погіршитися».

Саме тут виникає ключове питання: як переконатися, що нова версія AI-логіки покращила систему, а не зруйнувала те, що вже працювало?

Чому проблема не в моделях і не в промптах

Багато компаній схильні шукати причину невдач у якості моделі або компетенції спеціаліста, який працює з AI.

Проте Ян Ховенко вважає, що проблема значно глибша.

Більшість AI-проєктів будуються на інтуїтивному підході:

експериментальних промптах;
ручних правках;
особистому досвіді фахівців;
суб'єктивному відчутті якості результату.

При цьому майже відсутні повноцінні процедури тестування та регресійної перевірки.

Ян Ховенко: «Хтось сидить і відчуває, що інструкція стала кращою. Але ніхто не може довести це цифрами».

На думку експерта, інструкція для AI — це не просто текстовий файл із підказками.

Фактично це бізнес-логіка всієї автоматизації.

Саме вона визначає, як система приймає рішення, реагує на різні сценарії та взаємодіє з користувачами.

Якщо така логіка не контролюється, компанія поступово втрачає розуміння того, що відбувається всередині системи.

Стає незрозуміло:

яка версія промпта зараз використовується;
що саме було змінено;
які сценарії покриває поточна логіка;
чи не було зламано раніше стабільні процеси.

Ян Ховенко: «Ви вже не розумієте, яка версія краща, які сценарії вона покриває, що саме змінилося після останньої правки. А найголовніше — чи не зламали ви те, що раніше працювало».

Чого AI має навчитися у класичної розробки

У традиційній розробці програмного забезпечення ця проблема була вирішена багато років тому.

Коли інженери змінюють код, його не одразу відправляють у продакшн. Спочатку система проходить через набір тестів.

Якщо всі перевірки успішні — зміни потрапляють у робоче середовище.

Якщо хоча б один тест не пройдено — код повертається на доопрацювання.

Цей підхід забезпечує передбачуваність, контроль і стабільність.

За словами Яна Ховенка, саме такого підходу сьогодні критично бракує багатьом AI-проєктам.

Ян Ховенко: «Потрібно довести, що AI-автоматизація проходить набір перевірок і працює стабільно. Якщо цього не зробити, всі проблеми проявляться вже в реальному бізнесі».

Експерт зазначає, що проблема часто пов'язана з особливостями розвитку індустрії. Багато фахівців із prompt engineering чудово розуміють мову, контекст і поведінку моделей, але не мають досвіду класичної інженерної розробки.

Через це інструкції сприймаються як текст, а не як код, який потребує контролю версій, тестування та системного управління.

Для бізнесу такого підходу недостатньо.

Саме тому значна частина AI-проєктів так і залишається на стадії пілотного запуску.

І причина полягає не у відсутності потенціалу технології.

Причина полягає у відсутності контролю.

Коли автоматизація дійсно має сенс

Перш ніж впроваджувати будь-яке AI-рішення, компанія повинна чесно відповісти на запитання: який бізнес-показник воно покращить?

На думку Яна Ховенка, будь-яка автоматизація має сенс лише тоді, коли позитивно впливає хоча б на один із трьох ключових параметрів:

Собівартість — чи можемо ми виконувати процес дешевше?
Швидкість — чи можемо ми виконувати процес швидше?
Ризики — чи можемо ми знизити ймовірність помилок і втрат?

Саме через призму цих трьох критеріїв і потрібно оцінювати будь-яку AI-ініціативу в компанії.

Як оцінювати ефективність AI в бізнесі

Після розуміння природи AI виникає наступне важливе питання: як оцінити, чи справді впровадження штучного інтелекту приносить користь бізнесу?

На думку Яна Ховенка, AI-автоматизацію потрібно оцінювати за тими самими принципами, що й будь-який інший інвестиційний проєкт.

Якщо технологія допомагає знизити собівартість, прискорити процеси або зменшити ризики, вона має бізнес-цінність і заслуговує на подальший розвиток.

Ян Ховенко: «Якщо AI знижує собівартість, прискорює процес або зменшує ризик — це має бізнес-сенс. І тоді варто рухатися далі».

Однак існує ще один критерій, який часто залишається поза увагою керівників компаній.

Вартість моделі та вартість результату — це різні речі

Багато дискусій навколо штучного інтелекту зосереджені на вартості токенів, підписок або окремих моделей.

Проте для бізнесу значення має зовсім інше.

Компанію цікавить не те, скільки коштує використання моделі, а скільки коштує отримання готового результату.

Таким результатом може бути:

оброблений документ;
створена презентація;
оновлений запис у CRM;
змінений статус замовлення;
сформований звіт;
завершена бізнес-операція.

Ян Ховенко: «Бізнесу важливо не те, скільки коштують токени. Бізнесу важливо, скільки коштує завершена задача».

Саме тут багато компаній стикаються з несподіваною проблемою.

AI може виконувати завдання правильно, але робити це дорожче за людину.

На перший погляд це здається парадоксальним, проте на практиці такі ситуації трапляються регулярно.

Особливо в умовах, коли ринок переповнений універсальними AI-агентами, які обіцяють повністю самостійну роботу без участі людини.

Чому універсальні AI-агенти не завжди вигідні

Ян Ховенко наводить власний приклад підготовки до виступу.

Для створення презентації він вирішив використати новий інструмент Claude Design. Спочатку система показала чудові результати: швидко проаналізувала матеріал виступу та автоматично розподілила його по слайдах.

Однак після початку редагування виникла знайома проблема.

Виправлення одного блоку призводило до помилок в іншому.

Після завершення роботи виявилося, що загальні часові витрати перевищили той час, який був би потрібен для створення презентації вручну в PowerPoint.

Ян Ховенко: «Коли я проаналізував результат, зрозумів, що витратив значно більше часу, ніж якби просто відкрив PowerPoint і зробив усе самостійно».

Цей приклад добре демонструє різницю між універсальними AI-агентами та AI-автоматизацією бізнес-процесів.

Менше амбіцій — кращий результат

На думку експерта, найбільш ефективні AI-рішення будуються не навколо ідеї створити універсального помічника, який може виконувати все одразу.

Натомість вони зосереджуються на конкретних процесах із чіткими межами відповідальності.

Такі системи працюють із задачами меншої складності, мають зрозумілу мету та передбачуваний результат.

Ян Ховенко: «Менше амбіцій, більше передбачуваності та значно краща економіка».

Саме тому під час впровадження AI необхідно оцінювати не лише якість результату, а й реальну вартість його отримання.

Лише тоді можна зрозуміти, чи дійсно автоматизація вигідна для бізнесу.

Де AI приносить найбільшу користь

Найбільший ефект штучний інтелект демонструє в процесах, де людина постійно працює з інформацією.

Йдеться про ситуації, коли співробітник:

читає документи;
аналізує повідомлення;
перевіряє заявки;
шукає необхідні дані;
переносить інформацію між різними системами.

Подібні завдання присутні практично в будь-якому бізнесі.

Це можуть бути рахунки від постачальників, статуси замовлень, клієнтські звернення, договори, заявки чи внутрішня документація.

У таких процесах головна цінність AI полягає не в тому, що він генерує відповідь.

Його справжня сила — у здатності розуміти зміст інформації та перетворювати неструктуровані дані на структурований результат.

Ян Ховенко: «Цінність AI полягає в тому, що він може розпізнати повторюване семантичне ядро задачі й перетворити неструктуровану мову на структурований результат».

Що таке AI Governance на практиці

Після цього виникає закономірне питання: якщо AI працює через імовірності, то як ним керувати?

Відповіддю є AI Governance.

За словами Яна Ховенка, AI Governance — це система контролю поведінки штучного інтелекту та його логіки.

Її головне завдання — допомогти бізнесу перейти від хаотичних експериментів до керованого впровадження AI.

На практиці це означає, що компанія отримує відповіді на ключові запитання:

який процес автоматизується;
які сценарії перевірені;
яка версія логіки використовується зараз;
які зміни були внесені;
як ці зміни вплинули на результат.

Ян Ховенко: «Мета AI Governance полягає в тому, щоб рішення про впровадження приймалися не на основі суб'єктивних вражень, а на основі перевірених фактів».

Три ключові переваги AI Governance

На думку експерта, AI Governance забезпечує бізнесу три критично важливі речі.

1. Прозорість

Компанія чітко розуміє, які саме функції виконує AI та як він впливає на процеси.

2. Перевірка

Будь-яка нова логіка тестується на реальних або синтетичних даних до того, як потрапить у робоче середовище.

3. Контроль

Після внесення змін бізнес може точно визначити, що стало кращим, а що погіршилося.

Ян Ховенко: «Є велика різниця між фразою "ми трохи підкрутили інструкцію" та фразою "ми підготували AI-логіку до впровадження в бізнес-процес". Перше — це експеримент. Друге — це вже інженерія».

Чи може AI Governance прибрати невизначеність?

Ні.

AI Governance не робить штучний інтелект детермінованою системою.

Ймовірнісна природа AI нікуди не зникає.

Проте система управління дозволяє працювати з цією невизначеністю в контрольованих межах і робити поведінку моделей достатньо прогнозованою для реальних бізнес-процесів.

Ян Ховенко: «AI залишається ймовірнісною системою — це його природа. Але AI Governance дозволяє працювати з цією ймовірністю в межах контролю».

Як AI Governance працює на практиці

Одне з головних завдань AI Governance — не зробити штучний інтелект безпомилковим. Це неможливо через саму природу великих мовних моделей.

Натомість система управління повинна обмежувати AI від неконтрольованих рішень і гарантувати, що він працює лише в тих межах, які визначив бізнес.

Якщо ситуація виходить за межі дозволеного сценарію або рівень впевненості недостатній, рішення не повинне прийматися автоматично.

У такому випадку процес передається людині.

Ян Ховенко: «AI Governance не гарантує, що AI ніколи не помилиться. Але він обмежує його від самодіяльності. Якщо ситуація виходить за межі дозволеного сценарію, AI не має права вирішувати самостійно».

Фактично AI отримує право діяти автономно лише там, де його поведінка перевірена та контрольована.

Для підвищення точності можуть використовуватися додаткові механізми:

розширений контекст;
спеціалізовані навички (skills);
багатоетапна перевірка результатів;
повторна валідація відповідей.

Саме тому між звичайним використанням AI та повноцінною AI-автоматизацією існує принципова різниця.

Ян Ховенко: «Без AI Governance AI просто генерує відповіді. З AI Governance він стає частиною бізнес-процесу».

Як з'явився Genome AI Governance Layer

За словами Яна Ховенка, власний AI Governance Layer компанії Genome виник не як дослідницький проєкт, а як відповідь на реальний бізнес-запит клієнта.

На початку 2024 року один із клієнтів поставив завдання автоматизувати обробку листування з виробниками автозапчастин та інтегрувати результати безпосередньо в ERP-систему.

Йшлося про одного з найбільших дилерів автозапчастин на ринку, який входить до числа топових гравців галузі та працює напряму з виробниками.

Роль людини як семантичного мосту

У цьому процесі менеджер фактично виконував роль посередника між двома світами.

З одного боку була неструктурована комунікація у вигляді листів від виробників.

З іншого — ERP-система, яка потребувала чітко структурованих даних.

Менеджер виконував кілька послідовних дій:

Читав лист.
Аналізував зміст.
Визначав потрібну інформацію.
Витягував дані.
Вносив їх до ERP вручну.

Саме цей шар роботи команда Genome вирішила автоматизувати.

Основна формула залишилася тією самою, про яку Ян Ховенко говорив раніше:

Неструктурований вхід → Семантичне розуміння → Структурована схема → Інтеграція в бізнес-систему

У ролі структурованої схеми використовувався формат JSON, який дозволяв системі коректно передавати інформацію в ERP.

Економічний ефект

Окрім технологічного результату, проєкт продемонстрував і значний економічний ефект.

Автоматизація дозволила скоротити понад 15 000 годин ручної роботи на рік.

Для клієнта це означало приблизно 380 000 євро щорічної економії операційних витрат.

Однак фінансовий ефект не обмежився лише скороченням витрат.

Завдяки більш швидкій обробці листів і своєчасним відповідям компанія отримала додаткове зростання доходу.

Ян Ховенко: «Клієнт отримав близько 6% додаткового зростання доходу лише завдяки тому, що відповіді почали приходити вчасно».

Саме цей кейс став для Genome доказом того, що AI Governance може бути не просто концепцією, а практичним інструментом управління AI в реальних бізнес-процесах.

Запитання учасників: чи підходить AI для креативних індустрій?

Після основної частини виступу учасники вебінару обговорили практичні сценарії використання штучного інтелекту в різних сферах бізнесу.

Одне з перших запитань стосувалося шоу-продакшну та творчих проєктів.

Представниця компанії зазначила, що її команда займається створенням шоу, концертних програм та унікальних сценаріїв для заходів. Вони вже експериментують зі штучним інтелектом, однак поки що не бачать можливості повністю покластися на нього у творчих процесах.

На думку Яна Ховенка, це закономірна ситуація.

Ян Ховенко: «Ми не займаємося креативом. Наша задача — автоматизувати процеси, які мають циклічний характер».

Експерт пояснює, що компанія Genome спеціалізується не на генерації творчих ідей, а на автоматизації повторюваних бізнес-процесів, де існують чіткі правила, структура та можливість контролю результатів.

Йдеться насамперед про:

роботу з документами;
обробку електронної пошти;
аналіз текстів;
перенесення даних між системами;
операційні процеси.

Саме в таких завданнях підхід AI Governance дозволяє досягати стабільних результатів.

Ян Ховенко: «За допомогою AI Governance ми можемо настільки обмежити й контролювати процес, що отримуємо дуже високий рівень точності. У нашому кейсі він досяг 92%».

Водночас спікер не виключає, що в майбутньому можливості AI у творчих індустріях значно розширяться.

Однак сьогодні найбільшу бізнес-цінність штучний інтелект створює саме в процесах із високою повторюваністю та чіткою логікою.

Genome MailOps: новий підхід до роботи з електронною поштою

Під час дискусії Ян Ховенко також коротко розповів про ще один проєкт компанії — Genome MailOps.

Його концепція полягає в тому, щоб перетворити електронну пошту на повноцінну систему керування завданнями.

Традиційно електронна пошта використовується як потік повідомлень, де важливі листи легко губляться серед десятків менш важливих.

У MailOps кожен лист розглядається як окреме завдання.

Система дозволяє:

автоматично визначати пріоритет;
контролювати дедлайни;
призначати відповідальних осіб;
працювати з корпоративними поштовими скриньками як із Task Manager.

Ян Ховенко: «Ви працюєте з листами як із завданнями. Найпріоритетніші завжди знаходяться нагорі, а команда бачить дедлайни, відповідальних та статус виконання».

Особливо корисним такий підхід є для компаній, які працюють із shared inboxes — спільними корпоративними поштовими скриньками, доступними кільком співробітникам одночасно.

Які AI-інструменти краще підходять для творчих задач

Повертаючись до теми шоу-продакшну, учасники поцікавилися, які моделі штучного інтелекту сьогодні краще використовувати для генерації ідей, концепцій та творчих сценаріїв.

У відповідь Ян Ховенко наголосив, що різні моделі мають різні сильні сторони.

На його думку, для творчих завдань варто звернути увагу на рішення компанії Anthropic.

Ян Ховенко: «У вашому випадку я б рекомендував Claude від Anthropic. Різні моделі заточені під різні задачі».

Водночас експерт підкреслив, що сьогодні AI все ще не здатний повноцінно замінити професіонала в творчій сфері.

Натомість він може значно посилити компетенції людини.

Ян Ховенко: «AI поки що не замінює експерта. Але він дуже добре підсилює експерта».

Саме рівень компетенції користувача значною мірою визначає якість результату.

Чим глибше людина розуміє свою сферу діяльності, тим точніші запитання вона ставить і тим цінніші відповіді отримує від моделі.

Практичний лайфхак: комбінування різних моделей

Під час дискусії Ян Ховенко поділився власним підходом до роботи з великими мовними моделями.

Він звернув увагу на те, що різні системи можуть доповнювати одна одну.

Один із варіантів роботи полягає в тому, щоб використовувати відповідь однієї моделі як основу для роботи іншої.

Наприклад:

Сформувати запит у Claude.
Отриману відповідь передати в ChatGPT.
Результат знову використати як контекст для наступної моделі.
Повторювати цикл до отримання необхідного рівня деталізації.

На думку експерта, такий підхід дозволяє поступово підвищувати якість опрацювання матеріалу.

Ян Ховенко: «Коли ви працюєте між різними моделями, кожна наступна враховує попередній рівень опрацювання теми та може видавати більш глибокий результат».

Підсумок

Головна думка виступу Яна Ховенка полягає в тому, що майбутнє AI в бізнесі визначається не потужністю моделей, а якістю управління ними.

Сучасні великі мовні моделі вже достатньо сильні для вирішення багатьох практичних завдань.

Однак без системи контролю вони залишаються інструментом для експериментів.

AI Governance дозволяє перетворити ймовірнісну природу штучного інтелекту на керований бізнес-процес, де кожне рішення можна перевірити, протестувати та оцінити з точки зору економічного результату.

Ян Ховенко: «AI має не просто існувати в компанії. Він має знижувати витрати, прискорювати процеси або зменшувати ризики. Лише тоді технологія приносить реальну бізнес-цінність».

Саме тому ключовим питанням для будь-якої компанії сьогодні є не «Який AI використовувати?», а «Яку бізнес-задачу ми хочемо вирішити та як будемо контролювати результат?».

Відповідь на це запитання і є основою ефективного впровадження штучного інтелекту в сучасному бізнесі.