The post has been translated automatically. Original language: Russian
Annotation
Over the past few years, artificial intelligence has become one of the key areas of digital business transformation. Companies are actively investing in the creation of AI solutions, launching pilot projects and experimenting with generative models. However, a significant part of the initiatives has not moved to the stage of industrial operation. Why do some projects become part of everyday business processes, while others remain a demonstration of the technology's capabilities? Let's look at the main reasons for the failures of AI projects and the approaches that make it possible to successfully bring them to production.
From hype to real value
Interest in artificial intelligence continues to grow. According to Gartner's "Survey Finds Generative AI is Now the Most Frequently Deployed AI Solution in Organizations" (2024), generative AI has become the fastest-deployed technology among enterprise AI solutions. At the same time, Gartner predicts that up to 30% of generative AI projects will be closed after the Proof of Concept stage due to the lack of expected effect, high cost of implementation, or insufficient business readiness to scale.
This trend is observed all over the world and is no exception for Kazakhstan. Many organizations successfully create prototypes, but face difficulties when integrating solutions into existing IT infrastructure and business processes.
Why do AI projects stop at the pilot stage?
Lack of a clear business objective
One of the most common reasons for failure is an attempt to introduce artificial intelligence for the sake of the technology itself.
The project begins with the question: "Where can I use AI?", although it is more correct to ask another question: "What business problem do we want to solve?".
Gartner's research shows that the lack of measurable business value is one of the main reasons for the rejection of further development of AI initiatives. If a project does not reduce costs, increase revenue, reduce risks, or improve customer experience, the likelihood of scaling up is significantly reduced.
Therefore, even before the start of development, it is necessary to determine:
* Expected economic impact;
* Performance indicators (KPIs);
* criteria for successful implementation.
Low-quality data
Contrary to popular belief, the success of an AI project depends not so much on the chosen model as on the quality of the data.
In practice, companies face a number of challenges:
* duplication of information;
* outdated data;
* lack of unified reference books;
* Inconsistency of data between systems.
According to estimates by Gartner and Stanford AI Index, data preparation often takes more time and resources than the development of the model itself.
Even the most modern algorithms are not able to compensate for the poor quality of the source information.
The gap between PoC and industrial operation
Many organizations successfully demonstrate the functionality of a solution based on a limited data set, but face problems with scaling.
In international practice, this phenomenon has been called "Pilot Purgatory" — a situation where a project demonstrates good results in a pilot, but cannot be put into real operation.
The main reasons:
* Lack of a scaling architecture;
* difficulties of integration with corporate systems;
* Lack of computing resources;
* Lack of model maintenance processes.
It is at this stage that many promising projects stop developing.
Lack of AI control
According to the McKinsey study "The State of AI: How Organizations Are Rewiring to Capture Value" (2025), companies that get the most out of AI are creating centralized mechanisms for managing artificial intelligence initiatives.
The most successful organizations:
* appoint an AI product owner;
* define areas of responsibility;
* create common standards for working with data;
* implement quality control processes for models.
Without such a system, even a technically successful project often remains a local initiative of individual departments.
### Automation of inefficient processes
Another common mistake is trying to automate the process without first analyzing and optimizing it.
If an existing process contains redundant approvals, manual operations, or duplicate actions, implementing AI only speeds up the execution of inefficient operations.
Practice shows that the greatest effect is achieved when, along with the introduction of AI, the business processes themselves are reviewed.
Kazakhstan's experience: from experimentation to scaling
The financial sector
According to a study by the National Bank of the Republic of Kazakhstan "Artificial Intelligence in the Financial Market of Kazakhstan" (2024), more than a third of financial market participants already use artificial intelligence technologies in their activities.
The most common applications:
* credit scoring;
* fight against fraud;
* Risk analysis;
* personalization of customer offers;
* Customer service automation.
The experience of digital ecosystems of Kazakhstani banks is indicative. Success is achieved not by implementing a separate AI model, but by integrating technology into key business processes of the company. Artificial intelligence is becoming part of the decision-making process, rather than a separate experimental tool.
Government digital services
A good example of scaling AI solutions is the introduction of intelligent video monitoring and traffic situation analysis systems in major cities of Kazakhstan.
Such projects demonstrate an important principle: most of the effort is spent not on developing computer vision algorithms, but on organizing high-quality data flow, storage infrastructure, processing, and model maintenance.
It is the quality of data and operational processes that determines the success of such systems in the long term.
Development of Kazakh-speaking language models
Recent years have been marked by the active development of AI solutions for the Kazakh language. KazMMLU's research and projects on teaching language models based on state and cultural data of Kazakhstan show that even when using modern architectures, the quality of the result directly depends on the volume and quality of the training data.
These initiatives confirm one of the key conclusions of modern AI practice: data remains the main asset of any AI project.
How to increase the probability of successful implementation
The analysis of international and Kazakhstani experience allows us to identify several principles of successful transition from pilot to industrial operation.
Start with a business effect
Every initiative must have a measurable result.:
* Cost reduction;
* reduction of operation execution time;
* improving the quality of service;
* Increased revenue.
Invest in data
Data preparation and management should be considered as a separate project area.
Practice shows that quality data is often more important than choosing a specific model.
Plan the scaling in advance
Even before the pilot is launched, it is necessary to understand:
* where the solution will be placed;
* how will it integrate with existing systems;
* who will accompany the model after implementation;
* How the effectiveness will be measured.
Create an AI management system
The organization must determine the product owner, decision-making procedures, safety requirements, and quality control mechanisms for the models.
Change processes, not just technologies
Artificial intelligence creates the greatest value when it becomes part of a business process and influences decision-making, rather than existing as a separate tool.
Conclusion
Despite the rapid development of artificial intelligence technologies, the main reasons for the failures of AI projects are not technical limitations, but organizational and managerial factors.
class="paragraph"> Global and Kazakhstani experience shows that successful projects combine four key components: clear business value, high-quality data, a mature management system, and a company's willingness to review existing processes.Companies that view AI not as an experimental technology, but as a business transformation tool gain a competitive advantage and are able to translate pilot initiatives into full-fledged industrial solutions.
Аннотация
За последние несколько лет искусственный интеллект стал одним из ключевых направлений цифровой трансформации бизнеса. Компании активно инвестируют в создание AI-решений, запускают пилотные проекты и экспериментируют с генеративными моделями. Однако значительная часть инициатив так и не переходит в стадию промышленной эксплуатации. Почему одни проекты становятся частью повседневных бизнес-процессов, а другие остаются демонстрацией возможностей технологии? Рассмотрим основные причины неудач AI-проектов и подходы, позволяющие успешно доводить их до продакшена.
От хайпа к реальной ценности
Интерес к искусственному интеллекту продолжает расти. Согласно исследованию Gartner «Survey Finds Generative AI is Now the Most Frequently Deployed AI Solution in Organizations» (2024), генеративный ИИ стал наиболее быстро внедряемой технологией среди корпоративных AI-решений. Одновременно Gartner прогнозирует, что до 30% проектов в области генеративного ИИ будут закрыты после стадии Proof of Concept из-за отсутствия ожидаемого эффекта, высокой стоимости внедрения или недостаточной готовности бизнеса к масштабированию.
Эта тенденция наблюдается во всем мире и не является исключением для Казахстана. Многие организации успешно создают прототипы, но сталкиваются со сложностями при интеграции решений в существующую ИТ-инфраструктуру и бизнес-процессы.
Почему AI-проекты останавливаются на этапе пилота
Отсутствие четкой бизнес-задачи
Одна из самых распространенных причин неудач — попытка внедрить искусственный интеллект ради самой технологии.
Проект начинается с вопроса: «Где можно использовать AI?», хотя правильнее задавать другой вопрос: «Какую проблему бизнеса мы хотим решить?».
Исследования Gartner показывают, что отсутствие измеримой бизнес-ценности является одной из основных причин отказа от дальнейшего развития AI-инициатив. Если проект не позволяет сократить расходы, увеличить выручку, снизить риски или улучшить клиентский опыт, вероятность его масштабирования существенно снижается.
Поэтому еще до начала разработки необходимо определить:
* ожидаемый экономический эффект;
* показатели эффективности (KPI);
* критерии успешности внедрения.
Некачественные данные
Вопреки распространенному мнению, успех AI-проекта зависит не столько от выбранной модели, сколько от качества данных.
На практике компании сталкиваются с целым рядом проблем:
* дублирование информации;
* устаревшие данные;
* отсутствие единых справочников;
* несогласованность данных между системами.
По оценкам Gartner и Stanford AI Index, подготовка данных зачастую занимает больше времени и ресурсов, чем разработка самой модели.
Даже самые современные алгоритмы не способны компенсировать низкое качество исходной информации.
Разрыв между PoC и промышленной эксплуатацией
Многие организации успешно демонстрируют работоспособность решения на ограниченном наборе данных, однако сталкиваются с проблемами при масштабировании.
В международной практике это явление получило название «Pilot Purgatory» — ситуация, когда проект демонстрирует хорошие результаты в пилоте, но не может быть внедрен в реальную эксплуатацию.
Основные причины:
* отсутствие архитектуры масштабирования;
* сложности интеграции с корпоративными системами;
* нехватка вычислительных ресурсов;
* отсутствие процессов сопровождения моделей.
Именно на этом этапе многие перспективные проекты прекращают развитие.
Отсутствие управления AI
Согласно исследованию McKinsey «The State of AI: How Organizations Are Rewiring to Capture Value» (2025), компании, получающие максимальную отдачу от AI, создают централизованные механизмы управления инициативами в области искусственного интеллекта.
Наиболее успешные организации:
* назначают владельца AI-продукта;
* определяют зоны ответственности;
* формируют единые стандарты работы с данными;
* внедряют процессы контроля качества моделей.
Без такой системы даже технически успешный проект часто остается локальной инициативой отдельных подразделений.
### Автоматизация неэффективных процессов
Еще одна распространенная ошибка — попытка автоматизировать процесс без его предварительного анализа и оптимизации.
Если существующий процесс содержит избыточные согласования, ручные операции или дублирующие действия, внедрение AI лишь ускоряет выполнение неэффективных операций.
Практика показывает, что наибольший эффект достигается тогда, когда вместе с внедрением AI пересматриваются сами бизнес-процессы.
Казахстанский опыт: от экспериментов к масштабированию
Финансовый сектор
Согласно исследованию Национального Банка Республики Казахстан «Artificial Intelligence in the Financial Market of Kazakhstan» (2024), более трети участников финансового рынка уже используют технологии искусственного интеллекта в своей деятельности.
Наиболее распространенные направления применения:
* кредитный скоринг;
* борьба с мошенничеством;
* анализ рисков;
* персонализация клиентских предложений;
* автоматизация обслуживания клиентов.
Показательным является опыт цифровых экосистем казахстанских банков. Успех достигается не за счет внедрения отдельной AI-модели, а благодаря интеграции технологий в ключевые бизнес-процессы компании. Искусственный интеллект становится частью процесса принятия решений, а не отдельным экспериментальным инструментом.
Государственные цифровые сервисы
Хорошим примером масштабирования AI-решений является внедрение интеллектуальных систем видеомониторинга и анализа дорожной обстановки в крупных городах Казахстана.
Подобные проекты демонстрируют важный принцип: большую часть усилий занимает не разработка алгоритмов компьютерного зрения, а организация качественного потока данных, инфраструктуры хранения, обработки и сопровождения моделей.
Именно качество данных и процессов эксплуатации определяет успешность таких систем в долгосрочной перспективе.
Развитие казахскоязычных языковых моделей
Последние годы ознаменовались активным развитием AI-решений для казахского языка. Исследования KazMMLU и проекты по обучению языковых моделей на государственных и культурных данных Казахстана показывают, что даже при использовании современных архитектур качество результата напрямую зависит от объема и качества обучающих данных.
Эти инициативы подтверждают один из ключевых выводов современной AI-практики: данные остаются главным активом любого AI-проекта.
Как повысить вероятность успешного внедрения
Анализ международного и казахстанского опыта позволяет выделить несколько принципов успешного перехода от пилота к промышленной эксплуатации.
Начинать с бизнес-эффекта
Каждая инициатива должна иметь измеримый результат:
* снижение затрат;
* сокращение времени выполнения операций;
* повышение качества обслуживания;
* увеличение доходов.
Инвестировать в данные
Подготовка и управление данными должны рассматриваться как отдельное направление проекта.
Практика показывает, что качественные данные зачастую важнее выбора конкретной модели.
Планировать масштабирование заранее
Еще до запуска пилота необходимо понимать:
* где будет размещено решение;
* каким образом оно будет интегрироваться с существующими системами;
* кто будет сопровождать модель после внедрения;
* как будет измеряться эффективность.
Создавать систему управления AI
Организация должна определить владельца продукта, порядок принятия решений, требования к безопасности и механизмы контроля качества моделей.
Менять процессы, а не только технологии
Наибольшую ценность искусственный интеллект создает тогда, когда становится частью бизнес-процесса и влияет на принятие решений, а не существует в виде отдельного инструмента.
Заключение
Несмотря на стремительное развитие технологий искусственного интеллекта, основными причинами неудач AI-проектов остаются не технические ограничения, а организационные и управленческие факторы.
Мировой и казахстанский опыт показывает, что успешные проекты объединяют четыре ключевых компонента: понятную бизнес-ценность, качественные данные, зрелую систему управления и готовность компании пересматривать существующие процессы.
Компании, которые рассматривают AI не как экспериментальную технологию, а как инструмент трансформации бизнеса, получают конкурентное преимущество и способны переводить пилотные инициативы в полноценные промышленные решения.
Share
