В спешке внедрения искусственного интеллекта организации совершают критическую ошибку, которая может стоить им миллионов в виде проваленных проектов и упущенных возможностей. Недавние данные по рынку труда показывают тревожную тенденцию: компании нанимают специалистов по ИИ с беспрецедентной скоростью, пренебрегая при этом ролями в области базовой инфраструктуры данных, которые делают успех ИИ возможным. Это сродни найму гонщиков до того, как построена гоночная трасса — впечатляет на бумаге, но обречено на провал.
Тревожная статистика провалов проектов в сфере ИИ
Цифры рисуют суровую картину текущего состояния внедрения ИИ в корпоративной среде. Согласно исследованиям RAND, более чем четыре из пяти проектов в области ИИ не оправдывают ожиданий. Этот уровень неудач, превышающий 80%, примерно в два раза выше по сравнению с традиционными технологическими проектами, что вызывает серьезные вопросы о том, как организации подходят к внедрению ИИ.
Что движет этими неудачами? Ответ кроется вовсе не в сложности моделей ИИ или возможностях алгоритмов машинного обучения. Напротив, виновник кроется в гораздо более фундаментальном аспекте: в качестве, доступности и управлении данными, которые питают эти системы. Почти две трети (63%) организаций признают, что не уверены в своих возможностях управления данными для инициатив в сфере ИИ, однако схемы найма показывают, что многие так и не связали эти точки воедино.
Недавние данные о занятости в США от DoubleTrack предоставляют конкретные доказательства этого несоответствия. В период с 2024 по 2025 год американские работодатели разместили 111 296 вакансий для специалистов по ИИ и машинному обучению, но только 76 271 роль была сосредоточена на инфраструктуре данных. Этот разрыв в 46% между ролями в области ИИ и позициями инженеров данных отражает фундаментальное непонимание того, что обеспечивает успех проектов в сфере ИИ.
Феномен «найма роботов раньше механиков»
Этот дисбаланс в найме можно понять с помощью простой аналогии: компании по сути нанимают роботов, предварительно не убедившись в наличии механиков для их обслуживания. Специалисты по ИИ — это заметное, захватывающее лицо цифровой трансформации, новаторы, которые обещают революционизировать бизнес-процессы и открыть новые потоки доходов. Инженеры данных, напротив, работают за кулисами, создавая конвейеры, обеспечивая качество данных и поддерживая инфраструктуру, которая делает ИИ возможным.
Проблема проявляется по-разному в разных отраслях, но закономерность остается неизменной. В отделах продаж компании разместили на 232% больше вакансий в сфере ИИ по сравнению с позициями по инфраструктуре данных. Это вызывает особую тревогу, учитывая, что данные управления взаимоотношениями с клиентами (CRM) неизменно оказываются хаотичными, несогласованными и фрагментированными. Данные о продажах часто содержат дубликаты записей, несогласованное форматирование, неполную информацию и противоречивые записи в разных системах — именно те проблемы с качеством данных, которые обрекают проекты ИИ на провал с самого начала.
Маркетинговые отделы демонстрируют более сбалансированный подход, но все же отдают предпочтение ролям в области ИИ на 54%. Хотя это лучше, чем в продажах, подобная ситуация по-прежнему представляет собой тревожную приоритизацию возможностей ИИ в ущерб работе по обеспечению качества данных, необходимой для эффективной поддержки этих возможностей.
Инженерные, юридические и технологические сектора продемонстрировали аналогичные модели, причем найм в сфере ИИ стабильно опережает найм в области инфраструктуры данных. Каждый из этих отделов генерирует различные типы данных и опирается на них, сталкиваясь с уникальными проблемами качества, однако акцент при найме по-прежнему делается на внедрение ИИ, а не на создание фундамента данных.
География хайпа вокруг ИИ: где проблема стоит наиболее остро
География рассказывает интересную историю о том, кто совершает эту ошибку наиболее серьезно. Штаты с самыми высокими соотношениями ролей в области ИИ к ролям в инфраструктуре данных — это вовсе не традиционные технологические хабы, такие как Калифорния, Нью-Йорк или Массачусетс. Вместо этого речь идет о регионах, которые обычно воспринимаются как менее технологически зрелые:
- Миссисипи лидирует с поразительным превышением количества ролей в ИИ над позициями по данным на 264%
- Миссури следует позади с показателем 179%
- Канзас демонстрирует дисбаланс в 176%
- Монтана фиксирует на 175% больше ролей в области ИИ, чем в области данных
Это географическое распределение предполагает, что регионы с менее устоявшимися технологическими экосистемами могут быть более восприимчивы к хайпу вокруг ИИ, спеша нанять специалистов без предварительного создания необходимой инфраструктуры. В этих областях может не хватать опытного руководства, понимающего, что успех ИИ зависит от качества данных, или на них может оказываться давление с целью продемонстрировать инновационность без полного понимания технических требований.
Более устоявшиеся технологические центры, хотя и демонстрируют дисбаланс, как правило, имеют лучшие показатели соотношения. Вероятно, это отражает более глубокие институциональные знания о реалиях внедрения сложных технологических систем и важности базовой инфраструктуры.
Дилемма компенсаций
Ситуация усугубляется тем, что специалисты по ИИ получают надбавку к средней зарплате примерно в 15 000 долларов по сравнению с инженерами данных. Организации платят больше профессионалам, которые не могут обеспечить результаты без надлежащего фундамента. Этот разрыв в оплате труда сигнализирует рынку о том, что работа с ИИ ценнее инженерии данных, что отвлекает таланты от фундаментальных ролей и подкрепляет организационные предрассудки, отдающие предпочтение захватывающей и заметной работе с ИИ в ущерб важнейшей инфраструктуре данных.
Понимание причин происходящего
Несколько факторов способствуют этому широко распространенному несоответствию между приоритетами найма и реальными техническими требованиями:
Проблема видимости
Проекты в сфере ИИ весьма заметны. Когда организация объявляет о новой инициативе в области ИИ, это вызывает энтузиазм у заинтересованных сторон, впечатляет инвесторов и создает убедительные маркетинговые истории. Проекты по инфраструктуре данных, напротив, невидимы для большинства стейкхолдеров. Создание надежных конвейеров данных, внедрение систем управления и обеспечение качества данных не создают поводов для захватывающих пресс-релизов.
Непонимание сложности
Многие лица, принимающие решения, недооценивают сложность работы по инженерии данных. Они могут рассматривать ее как простые процессы ETL (извлечение, преобразование, загрузка), которые можно выполнить быстро, в то время как ИИ требует специализированных экспертных знаний. На самом деле современная инженерия данных чрезвычайно сложна и включает в себя распределенные системы, обработку в реальном времени, фреймворки качества данных, внедрение управления и интеграцию в различных системах и форматах.
Дефицит экспертизы у руководства
Многие руководители, принимающие решения о найме и бюджете, не имеют технического бэкграунда, который дал бы им представление о требованиях к данным для успешного внедрения ИИ. Возможно, они читали о трансформационном потенциале ИИ в бизнес-изданиях, но им не хватает понимания технических предпосылок. Этот пробел в знаниях приводит к решениям, которые ставят во главу угла захватывающий результат (ИИ) вместо необходимого фундамента (инфраструктуры данных).
Давление необходимости казаться инновационными
Организации испытывают колоссальное давление, стремясь казаться инновационными и мыслящими наперед. Наем специалистов по ИИ сигнализирует об инновациях так, как наем инженеров по работе с данными не сигнализирует. Это особенно верно для компаний на конкурентных рынках или тех, которые пытаются привлечь инвестиции. Внешний вид ИИ-найма часто превалирует над практическими требованиями для успеха.
Реальные последствия
Последствия этого перевернутого приоритета найма выходят далеко за рамки проваленных пилотных проектов. Организации сталкиваются с несколькими серьезными последствиями:
Потраченные впустую инвестиции
Когда проекты в области ИИ терпят неудачу из-за слабой базы данных, организации тратят впустую значительные инвестиции не только на зарплаты специалистов по ИИ, но и на всю экосистему, построенную вокруг этих специалистов — облачную инфраструктуру, лицензии на ПО, программы обучения и альтернативные издержки. Эти провальные проекты могут стоить миллионы, не принося никакой пользы бизнесу.
Разочарование талантов и текучесть кадров
Талантливые специалисты по ИИ, которые приходят в организации в ожидании новаторской работы, быстро разочаровываются, когда обнаруживают, что их деятельность ограничена плохим качеством данных. Они могут обнаружить, что тратят 80% своего времени на очистку и подготовку данных — работу, для которой они слишком квалифицированы и на которую они не подписывались. Это приводит к низкой удовлетворенности работой и высокой текучести кадров, создавая порочный круг найма, потери талантов и нового найма.
Конкурентное преимущество
В то время как организации борются с неудачными ИИ-инициативами, построенными на шатких основах данных, конкуренты, которые должным образом инвестировали в инфраструктуру данных, добиваются реальных результатов. Эти конкуренты могут быстрее проводить итерации, развертывать более сложные модели и достигать подлинных бизнес-результатов, оставляя компании с концепцией «сначала ИИ, а данные потом» все дальше позади.
Организационное разочарование
Повторяющиеся неудачи ИИ-проектов порождают цинизм внутри организаций. Команды становятся скептически настроенными по отношению к новым инициативам, руководители теряют веру в инвестиции в технологии, а в организации вырабатываются антитела против инноваций. Этот культурный ущерб может сохраняться долгое время после того, как технические проблемы будут решены.
Путь вперед: создание стратегий ИИ на основе данных
Решение этого кризиса заключается не в том, чтобы полностью прекратить найм специалистов по ИИ — организации нуждаются как в экспертизе в области ИИ, так и в возможностях инженерии данных. Тем не менее, последовательность и пропорции имеют огромное значение. Вот как организации могут создать более устойчивые возможности ИИ:
Начните с оценки данных
Прежде чем нанимать хотя бы одного специалиста по ИИ, организации должны провести тщательную оценку своего текущего ландшафта данных. Эта оценка должна включать в себя анализ качества данных в ключевых системах, возможностей доступности и интеграции данных, нормативно-правовой базы и политик, технической инфраструктуры для обработки данных, а также разрывов между текущим состоянием и готовностью к ИИ.
Эта оценка предоставляет дорожную карту того, что необходимо построить до того, как ИИ-инициативы смогут увенчаться успехом, и помогает расставить приоритеты в инвестициях в инфраструктуру данных.
Установите правильные пропорции найма
Вместо дисбаланса в 46%, наблюдаемого в текущих данных о занятости в США, организации должны стремиться по крайней мере к паритету между ролями инженеров по работе с данными и ИИ-ролями на ранних этапах создания возможностей. Более подходящим соотношением может быть 2:1 или даже 3:1 в пользу инженеров по данным по сравнению со специалистами по ИИ до тех пор, пока не будет создана надежная инфраструктура данных.
Это не значит, что наем специалистов по ИИ должен прекратиться, но он должен быть пропорционален существующей инфраструктуре инженерии данных, способной поддержать его.
Инвестируйте в управление данными на раннем этапе
Управление данными — это не просто соблюдение нормативных требований, это обеспечение того, чтобы данные были надежными, последовательными и заслуживающими доверия для обучения моделей ИИ. Организации должны создать структуры управления данными до запуска ИИ-инициатив, включая четкое владение данными и подотчетность, стандарты качества данных и мониторинг, практики управления метаданными, возможности отслеживания происхождения данных, а также средства контроля безопасности и конфиденциальности.
Создайте кросс-функциональные команды
Наиболее успешные внедрения ИИ предполагают тесное сотрудничество между инженерами по данным, специалистами по ИИ, экспертами в предметной области и бизнес-стейкхолдерами. Вместо изоляции ИИ-команд, организации должны создавать интегрированные команды, где инженеры по данным и специалисты по ИИ работают вместе от зарождения проекта до развертывания и обслуживания.
Отдавайте приоритет инфраструктуре перед инновациями
Организации должны сопротивляться искушению сразу переходить к передовым методам ИИ. Вместо этого они должны сначала построить надежные конвейеры данных, которые могут надежно собирать, очищать и подготавливать данные, внедрить мониторинг качества данных и оповещения, создать масштабируемую инфраструктуру хранения и обработки данных, создать инструменты самообслуживания для доступа к данным для аналитиков и специалистов по работе с данными, а также обеспечить наличие систем безопасности данных и соблюдения нормативных требований.
Только после того, как эти основы будут заложены, организации должны приступать к амбициозным ИИ-инициативам.
Просвещайте руководство
Возможно, самое главное — организации должны просвещать свое руководство относительно технических реалии внедрения ИИ. Это обучение должно охватывать то, как модели ИИ зависят от качества данных, почему инженерия данных является обязательным условием успеха ИИ, типичные сроки и инвестиции, необходимые для создания инфраструктуры данных, и риски приоритизации найма ИИ над инженерией данных.
Когда руководители понимают эти основы, они с большей вероятностью будут принимать решения, ведущие к успешным результатам.
Роль моделей зрелости ИИ
Организации должны принять модели зрелости ИИ, которые признают инфраструктуру данных обязательным условием для передовых возможностей ИИ. Типичные этапы включают:
Этап 1: Основа данных — создание базовых процессов сбора, хранения и контроля качества данных.
Этап 2: Аналитические возможности — построение описательной и диагностической аналитики, которая предоставляет ценную информацию на основе имеющихся данных.
Этап 3: Предиктивная аналитика — внедрение моделей, которые прогнозируют будущие результаты на основе исторических закономерностей.
Этап 4: Предписывающая аналитика — разработка систем, которые рекомендуют действия на основе прогнозов.
Этап 5: Автономные системы — создание ИИ-систем, которые принимают и реализуют решения с минимальным вмешательством человека.
Организации должны честно оценить свой текущий этап и сопротивляться стремлению перепрыгнуть через ступени. Попытка реализовать передовые инициативы при уровне зрелости данных 1 гарантирует провал.
Предупреждение Gartner: Обрыв 2026 года
Фирма рыночных исследований Gartner выпустила суровое предупреждение, подтверждающее важность надлежащей основы данных: три из пяти проектов в области ИИ без готовых к ИИ данных могут быть закрыты к 2026 году. Это представляет собой огромную растрату организационных ресурсов и серьезную неудачу для инициатив цифровой трансформации.
Концепция «данных, готовых к ИИ» имеет решающее значение. Недостаточно просто иметь данные; эти данные должны быть чистыми, доступными, хорошо управляемыми, должным образом интегрированными, безопасными и соответствующими требованиям, а также достаточными по объему и разнообразию для предполагаемых ИИ-приложений.
Организации, которые сосредоточились на найме специалистов по ИИ, не убедившись, что их данные соответствуют этим критериям, скорее всего, окажутся частью статистики отказов в 60%.
Отраслевые особенности
Различные отрасли сталкиваются с уникальными проблемами при создании основ данных для ИИ. Финансовым институтам необходимо балансировать между инновациями, строгими нормативными требованиями и отслеживанием происхождения данных. Организациям здравоохранения нужно внедрять ИИ, сохраняя при этом соответствие требованиям HIPAA и объединяя изолированные пациентские данные. Ритейлерам требуется обработка данных в реальном времени по онлайн- и офлайн-каналам. Производственным компаниям необходимы надежные конвейеры интернета вещей и интеграция систем OT/IT для предиктивного обслуживания и контроля качества.
Передовой опыт успешных организаций
Организации, успешно внедрившие ИИ, обладают общими характеристиками: они начали с конкретных высокоприоритетных вариантов использования, а не пытались трансформировать все сразу; вложили значительные средства в инфраструктуру данных до масштабирования инициатив в области ИИ; создали кросс-функциональные команды, включающие инженеров данных, специалистов по ИИ и экспертов в предметной области; измеряли успех на основе бизнес-результатов, а не только точности моделей; и относились к качеству данных как к непрерывной дисциплине. Эти организации понимали, что успех ИИ строится на отличных основах инженерии данных.
Перспектива Artezio: Создание устойчивых возможностей ИИ
В Artezio мы наблюдали эти закономерности на собственном опыте при работе с клиентами. Организации, которые обращаются к нам с желанием «заниматься ИИ», часто должны услышать неприятную правду: они еще не готовы к ИИ. Их инфраструктура данных недостаточно зрелая для поддержки успешных инициатив в области ИИ.
Наш подход делает упор на разработку, в первую очередь ориентированную на фундамент. Мы помогаем клиентам оценить их текущую зрелость данных, создать надежную инфраструктуру данных, внедрить основы управления и только после этого развивать возможности ИИ, которые действительно могут принести пользу бизнесу. Этот подход может занять больше времени в начале, но он приводит к устойчивым возможностям, обеспечивающим реальную окупаемость инвестиций (ROI).
Мы также признаем, что успешное внедрение ИИ требует разнообразных навыков. Наши команды включают инженеров данных, архитекторов данных, инженеров по машинному обучению, специалистов по ИИ и экспертов в предметной области. Этот междисциплинарный подход гарантирует, что проекты имеют как базовую инфраструктуру, так и специализированный опыт в области ИИ, необходимый для успеха.
Заключение: Переосмысление приоритетов найма в сфере ИИ
Текущий дисбаланс в найме специалистов по ИИ и инженерии данных отражает фундаментальное непонимание того, что делает инициативы в области ИИ успешными. Организации по сути пытаются построить дом, начиная с крыши — подход, который неизбежно рухнет под собственным весом.
Путь вперед требует честной оценки текущей зрелости данных, стратегического найма с приоритетом ролей в инфраструктуре данных, инвестиций в управление и качество данных, терпеливого наращивания возможностей в правильной последовательности и просвещения руководства о технических реалиях.
Компании, которые продолжают нанимать специалистов по ИИ без соответствующих инвестиций в инженерию данных, окажутся частью статистики с 80-процентным показателем неудач. Те, кто признает инфраструктуру данных основой для успеха ИИ, будут теми, кто достигнет реальных бизнес-результатов и конкурентных преимуществ.
Вопрос не в том, стоит ли инвестировать в ИИ, а в том, как инвестировать с умом, гарантируя наличие основ для поддержки этих инвестиций. Как четко показывает исследование Gartner, у организаций есть время до 2026 года, чтобы сделать все правильно. После этого проекты, построенные на шатких основах данных, будут все чаще забрасываться, что приведет к огромным потерям инвестиций и упущенным возможностям.
Выбор очевиден: организации могут либо гнаться за шумихой вокруг ИИ, нанимая специалистов без инфраструктуры, либо они могут создавать устойчивые возможности, правильно инвестируя в основы данных. Организации, выбравшие второй путь, будут теми, кто останется стоять на ногах и преуспевать, когда шумиха вокруг ИИ неизбежно скорректируется и результаты станут важнее обещаний.
Об Artezio
Artezio — это компания по разработке программного обеспечения, которая специализируется на заказных программных решениях с глубокой экспертизой в области инженерии данных, аналитики и внедрения ИИ. Мы помогаем организациям создавать базовые возможности, необходимые для успешной цифровой трансформации, гарантируя, что инвестиции в ИИ приносят реальную пользу бизнесу, а не просто впечатляющие демо-версии. Свяжитесь с нами, чтобы узнать, как мы можем помочь вашей организации создать устойчивые возможности для работы с данными и ИИ.
