10 вопросов перед покупкой корпоративного ИИ-решения. FAQ

Корпоративный искусственный интеллект перестал быть экспериментом «на попробовать». Компании покупают готовые решения, запускают пилоты, подключают модели к внутренним данным — и все чаще сталкиваются с тем, что сама технология не гарантирует результата.

Перед покупкой не настолько важно понимать, какая модель лежит внутри продукта. Гораздо критичнее — какую задачу она решает, как встраивается в процессы, на каких данных работает, кто отвечает за качество и сколько будет стоить сопровождение после запуска. В этом материале собрали 10 вопросов, которые нужно задать до подписания договора.

Вопрос 1. Какую бизнес-задачу мы покупаем?

Покупать нужно не доступ к ИИ — решение конкретной задачи с измеримым эффектом: сокращением времени обработки, снижением стоимости операции, ростом качества, уменьшением нагрузки на команду или ускорением принятия решений.  Это важно, потому что, по данным IBM CEO Study, только 25% ИИ-инициатив дали ожидаемый ROI, а до масштабирования на уровне всей компании дошли всего 16%.

Что спросить у поставщика:

• какую метрику должно изменить решение;
• как будет считаться эффект до и после внедрения;
• какие кейсы похожего масштаба уже доведены до промышленной эксплуатации;
• где проходит граница между пилотом, MVP и полноценным запуском.

Вопрос 2. Готовы ли наши данные к работе с ИИ?

Если корпоративные данные разрознены, устарели, дублируются или закрыты непонятными правами доступа, решение быстро упрется в качество источников. Не случайно эксперты Gartner в этом году писали, что 38% I&O-лидеров, столкнувшихся с неудачами ИИ-проектов, называли плохое качество или ограниченную доступность данных прямой причиной провала.

Что спросить у поставщика:

• какие источники нужны для запуска;
• как решение работает с противоречивыми документами;
• кто отвечает за очистку и обновление данных;
• можно ли ограничивать выдачу по ролям и правам доступа.

Вопрос 3. Как решение будет встроено в реальные процессы?

Корпоративный искусственный интеллект не должен просто находиться рядом с процессом — он должен быть встроен в него: в CRM, ERP, Service Desk, BI, таск-трекере, базе знаний или внутреннем портале. McKinsey в State of AI 2025 подчеркивает, что ценность от ИИ не связана с одним инструментом. Важен весь набор управленческих практик: стратегия, таланты, операционная модель, технология, данные, внедрение, масштабирование.

Что спросить у поставщика:

• с какими системами есть готовые интеграции;
• что пользователь перестанет делать вручную;
• где будет храниться результат работы искусственного интеллекта;
• как решение встраивается в согласования, статусы и маршруты задач.

Вопрос 4. Как будет проверяться качество ответов?

Ответы ИИ нельзя принимать только потому, что они выглядят уверенно — нужны критерии качества, тестовые наборы, контроль источников, логи ошибок и сценарии передачи задачи человеку. NIST в профиле рисков GenAI прямо рекомендует периодически мониторить сгенерированный контент на возможное раскрытие чувствительных данных, а также иметь процессы для реакции на претензии по интеллектуальным правам.

Что спросить у поставщика:

• какие метрики качества используются;
• есть ли тестовые датасеты и эталонные ответы;
• как фиксируются галлюцинации и ошибки;
• где обязательно нужен человек в контуре, а где допустима автоматизация.

Вопрос 5. Как защищены данные, доступы и действия пользователей?

Решение должно поддерживать корпоративные политики безопасности: ролевой доступ, журналирование действий, изоляцию данных, настройку контуров и запрет на передачу чувствительной информации во внешние сервисы. Microsoft в 2025 году писала, что 71% сотрудников в Великобритании уже использовали неразрешенные потребительские ИИ-инструменты на работе, а 51% продолжали делать это еженедельно; IBM отдельно оценивала среднюю стоимость инцидентов с теневым ИИ выше, чем у других инцидентов, связанных с технологией.

Что спросить у поставщика:

• где физически и юридически обрабатываются данные;
• используются ли клиентские данные для обучения моделей;
• есть ли журнал запросов, ответов и действий;
• как настраиваются роли, группы и ограничения доступа.

Вопрос 6. Можно ли масштабировать решение без ручной поддержки на каждом шаге?

Покупать стоит только то решение, которое можно встроить в корпоративную архитектуру и масштабировать без постоянного ручного сопровождения поставщика. Эксперты Gartner прогнозировали, что к концу 2026 года 40% корпоративных приложений будут включать узкоспециализированных ИИ-агентов — против менее 5% в прошлом году. Значит, ИИ быстро становится частью прикладного ландшафта, а не отдельным экспериментальным интерфейсом.

Что спросить у поставщика:

• как решение выдерживает рост пользователей и запросов;
• какие есть ограничения по нагрузке, latency и стоимости;
• можно ли переносить сценарии между подразделениями;
• кто поддерживает интеграции после запуска.

Вопрос 7. Как решение работает с корпоративными знаниями?

Если искусственный интеллект должен отвечать по внутренним документам, нужно проверять не только модель, но и весь контур RAG: извлечение данных, обработку, поиск, генерацию и обновление источников. Исследование проблем качества данных в RAG прошлого года на основе 16 интервью с практиками выделило 15 измерений качества данных на четырех этапах RAG-пайплайна и показало, что проблемы качества распространяются по всей цепочке.

Что спросить у поставщика:

• как загружаются и обновляются документы;
• умеет ли система показывать источники ответа;
• как решаются конфликты между старыми и новыми версиями документов;
• можно ли ограничивать поиск по правам сотрудника.

Вопрос 8. Кто и как будет учить сотрудников работать с решением?

Без обучения корпоративный ИИ часто превращается в дорогой чат: сотрудники используют его хаотично, не понимают, как правильно ставить задачу — и далеко не всегда проверяют результат. BCG в AI at Work 2025 показывает, что доля сотрудников, позитивно относящихся к GenAI, растет с 15% до 55% при сильной поддержке руководителей; при этом только около трети сотрудников считают, что получили достаточное обучение.

Что спросить у поставщика:

• входит ли обучение в проект;
• есть ли сценарии для разных ролей;
• как собирается обратная связь пользователей;
• кто собирает инструкции, промпты и примеры хороших ответов.

Вопрос 9. Какая полная стоимость владения, а не только цена лицензии?

Считать нужно не только лицензию и токены, а полную стоимость владения — интеграции, доработки, хранение данных, поддержку, обучение, мониторинг, ревью, безопасность и переработку процессов. Представители Gartner писали, что как минимум 50% GenAI-проектов были остановлены после PoC из-за плохого качества данных, слабого контроля рисков, растущих расходов или неясной бизнес-ценности.

Что спросить у поставщика:

• из чего складывается стоимость после пилота;
• как меняется цена при росте пользователей и запросов;
• какие работы не входят в базовый контракт;
• сколько будет стоить один обработанный кейс после масштабирования.

Вопрос 10. Как мы будем управлять рисками после запуска?

Покупка ИИ-решения не заканчивается внедрением: нужны мониторинг качества, аудит действий, управление изменениями, контроль данных, план реакции на ошибки и регулярная переоценка рисков. Особенно это важно для агентных сценариев, где система может выполнять действия в корпоративном контуре. Deloitte в State of AI in the Enterprise 2026 отмечает, что только 21% компаний имеют зрелую модель управления ИИ-агентами. Остальным не хватает понятных границ автономности, мониторинга поведения, фиксации аномалий и контрольного журнала по действиям системы.

Что спросить у поставщика:

• какие риски решение помогает контролировать;
• какие логи доступны заказчику;
• как обновления модели влияют на качество ответов;
• что происходит при ошибочном ответе, утечке, сбое или жалобе пользователя.

Заключение

Покупка корпоративного ИИ-решения — это не выбор «самой умной» модели. Желая сделать искусственный интеллект частью рабочей системы, вы принимаете решение о том, как компания будет менять процессы, работать с данными, контролировать качество и управлять рисками после запуска.

Если не задать эти вопросы заранее, технология превратится в дорогой эксперимент.  Чем точнее бизнес понимает задачу, контекст, стоимость владения и зону ответственности, тем выше шанс, что внедрение дойдет до реальной пользы, а не остановится на уровне красивого демо.