Оценка зрелости AI в компании

Чему научитесь. Различать уровни AI-зрелости — от разрозненных пилотов до AI-native — и определять, на каком уровне находится компания; диагностировать текущее состояние по пяти измерениям (данные, команда, процессы, governance, культура); строить дорогу вверх по уровням без перепрыгивания; связывать оценку зрелости с целями Нацстратегии ИИ (готовность отраслей 12%→95%).

Ориентировочное время: 24–28 минут чтения + задание.

1. Зачем CAIO измерять зрелость

Первая ошибка нового CAIO — начать с проектов. Совет директоров требует «внедрить AI», и руководитель бросается запускать кейсы, не понимая, на каком фундаменте они стоят. Через год выясняется: пилоты есть, а воспроизводимой способности нет — каждый новый кейс делается с нуля, дорого и долго, потому что под ними не было ни данных, ни конвейера, ни процессов приёмки.

Оценка зрелости — это диагностика перед лечением. Она отвечает на вопрос «где мы сейчас и что именно нас тормозит», и тем самым задаёт приоритеты инвестиций. Без неё бюджет распыляется: компания покупает модную LLM-платформу, хотя её узкое место — отсутствие единого источника данных, и платформа простаивает.

Зрелость — это не про количество запущенных моделей. Это про способность компании повторяемо превращать AI-идею в работающий, безопасный и окупаемый продукт. Низкая зрелость означает, что десятый кейс будет стоить столько же, сколько первый. Высокая — что десятый дешевле первого, потому что данные, инфраструктура, команда и процессы переиспользуются.

2. Пятиуровневая модель зрелости

Удобно держать в голове пять уровней. Между соседними — качественный скачок, а не косметика. Перепрыгивать уровни нельзя: компания на уровне 1 не станет AI-native за один бюджетный цикл, как бы этого ни хотел совет.

Большинство средних российских компаний сегодня находятся между уровнями 1 и 2 — отдельные пилоты, борьба за выход в production. Цель Нацстратегии ИИ до 2030 — поднять долю приоритетных отраслей с высокой готовностью к внедрению ИИ с 12% до 95% — на языке этой модели означает массовый переход отраслей с уровней 0–1 на уровни 2–3. Затраты организаций на ИИ при этом должны вырасти со 123 до 850 млрд ₽/год: рост в семь раз — это и есть стоимость подъёма по уровням в масштабах страны. Для CAIO это аргумент перед советом: движение вверх по зрелости — не личная инициатива, а государственный курс.

3. Диагностика по пяти измерениям

Уровень — это интегральная оценка, но складывается она из пяти независимых измерений. Зрелость компании равна минимуму по измерениям, а не среднему: можно иметь отличные данные и сильную команду, но без governance первый же инцидент с персональными данными обнулит прогресс. Диагностировать нужно каждое измерение отдельно.

Данные. Есть ли единый источник правды? Каталогизированы ли данные, описано ли их происхождение (data lineage)? Доступны ли они командам без месячных согласований? На низком уровне данные разбросаны по десяткам систем, дублируются и противоречат друг другу. На высоком — есть data-платформа, и подключить новый кейс к данным — вопрос дней.

Команда. Кто делает AI — внешний подрядчик, один энтузиаст или собственная команда с ролями DS/ML/MLOps? Есть ли носители знания внутри или всё уйдёт вместе с подрядчиком? На высоком уровне компания умеет нанимать, развивать и удерживать AI-специалистов (об этом — отдельный урок).

Процессы. Как кейс проходит путь от идеи до прода? Есть ли воронка приоритизации, единый MLOps-конвейер (обучение, деплой, мониторинг, откат), процедура приёмки? На уровне 1 каждый кейс — герой-проект. На уровне 3 — конвейер: новый кейс идёт по накатанной.

Governance. Кто отвечает за решения AI? Есть ли реестр AI-систем, классификация по риску, точки «человек в контуре», логирование и аудиторский след? Это измерение чаще всего проваливается: компания запускает кейсы, но не может ответить регулятору, какие данные использует модель и кто отвечает за её ошибку. Здесь работают NIST AI RMF (функции Govern/Map/Measure/Manage) и ISO/IEC 42001 (система управления AI по циклу PDCA) как референсные рамки.

Культура. Доверяют ли сотрудники AI-инструментам или саботируют их? Принимают ли руководители решения по данным или по интуиции? Есть ли спонсор на уровне совета? Культура — самое медленное измерение: данные можно купить за квартал, культуру меняют годами. До 70% AI- и цифровых трансформаций буксуют именно на людях, а не на технологиях.

4. Как проводить оценку на практике

Оценка — это не опросник на полстраницы. Рабочая процедура CAIO выглядит так:

1. По каждому из пяти измерений выставьте уровень 0–4 на основе фактов, а не самооценки руководителей. Факт для данных — «сколько дней занимает подключить новый кейс к данным», а не «у нас хорошие данные».
2. Найдите узкое место — измерение с минимальным уровнем. Именно оно определяет интегральную зрелость и именно в него идут первые инвестиции.
3. Зафиксируйте свидетельства. Для каждого уровня нужны доказательства: реестр систем, схема конвейера, журнал инцидентов. Без свидетельств оценка превращается в благие пожелания.
4. Повторяйте раз в квартал. Зрелость — движущаяся цель; оценка без регулярного пересмотра устаревает за один релиз.

Антипаттерн — оценивать зрелость по числу купленных лицензий или по слайду вендора. Лицензия на платформу не повышает зрелость, если нет данных, процессов и людей, чтобы её использовать.

5. Дорога вверх: переходы между уровнями

Каждый переход требует своего управленческого действия — и его нельзя пропустить.

• 0 → 1. Запустить первые пилоты, но с дисциплиной: у каждого пилота заранее определён критерий «дошёл/не дошёл до прода». Цель уровня 1 — не накопить демо, а научиться отличать жизнеспособный кейс.
• 1 → 2. Главный скачок: построить MLOps-конвейер и довести хотя бы 1–2 кейса до production с измеримым эффектом. Здесь компания впервые получает воспроизводимость.
• 2 → 3. Создать единую data-платформу и AI-офис, ввести portfolio-управление и governance. Кейсы перестают быть героическими — появляется поток.
• 3 → 4. AI встраивается в бизнес-модель и в культуру принятия решений. Это уже не проект CAIO, а изменение всей компании; CAIO здесь — архитектор, а не исполнитель.

Типовая ошибка совета — требовать «сразу уровень 4». CAIO обязан вернуть разговор к реальности: показать текущий уровень с доказательствами и предложить достижимый следующий шаг. Обещание перепрыгнуть два уровня за год — кратчайший путь к сожжённому бюджету и репутации.

6. Мини-кейс: оценка зрелости «Контур»

«Контур» — средняя производственно-розничная компания (~2000 сотрудников, контакт-центр, e-commerce, документооборот, склад). Совет требует «стать AI-компанией за год». CAIO проводит диагностику.

• Данные — уровень 1: данные о заказах, клиентах и складе живут в трёх несвязанных системах, выгрузки делаются вручную.
• Команда — уровень 1: один аналитик и подрядчик на пилот чат-бота.
• Процессы — уровень 0: единого пути «идея → прод» нет, пилот делается «на коленке».
• Governance — уровень 0: реестра AI-систем нет, кто отвечает за решения бота — не определено, риск по 152-ФЗ не оценён.
• Культура — уровень 2: спонсор в совете есть, операторы контакт-центра к идее AI-помощника относятся настороженно, но не враждебно.

Интегральная зрелость = 0 (по минимуму — governance и процессы). Вывод CAIO для совета: «AI-native за год невозможно. Реалистичная цель — выйти на уровень 2 за 12–18 месяцев». Первые инвестиции — не в LLM-платформу, а в governance (реестр систем, классификация риска, точка "человек в контуре" для возвратов) и в один доведённый до прода кейс — RAG-ассистент поддержки. В похожей production-практике автора RAG-агент по каталогу 134K+ товаров на 19 тенантов закрывает порядка 81% обращений без оператора — но это плод уровня 2–3, а не стартовый пилот. Сначала фундамент, потом масштаб.

7. Антипаттерны

• «Средняя зрелость 3». Зрелость считается по минимуму, не по среднему: одно проваленное измерение (governance) обнуляет всё.
• «Купим платформу — поднимем зрелость». Платформа без данных, процессов и людей повышает только расходы.
• «Перепрыгнем с уровня 1 сразу на 4». Уровни не перескакиваются; каждый переход — отдельная управленческая работа.
• «Оценим зрелость один раз». Без квартального пересмотра оценка устаревает; зрелость — движущаяся цель.
• «Зрелость = число моделей». Десять разрозненных моделей при уровне 1 хуже двух, встроенных в конвейер уровня 2.

Ключевые выводы

• Зрелость AI — это способность повторяемо доводить AI до окупаемого продукта, а не число пилотов.
• Пять уровней (0 — отсутствие … 4 — AI-native) не перепрыгиваются; каждый переход требует своего действия.
• Диагностируйте пять измерений (данные, команда, процессы, governance, культура); интегральная зрелость = минимум, а не среднее.
• Цель Нацстратегии 12%→95% готовности отраслей — это массовый подъём с уровней 0–1 на 2–3; движение вверх — государственный курс, а не личная инициатива.

Практическое задание

Возьмите знакомую компанию (свою или условную) и на 1 страницу:

1. Выставьте уровень 0–4 по каждому из пяти измерений, приведя по одному факту-доказательству на каждое (не самооценку).
2. Определите интегральную зрелость (по минимуму) и назовите узкое место.
3. Сформулируйте достижимую цель по зрелости на 12–18 месяцев и первое управленческое действие для перехода.
4. Подготовьте одну фразу, которой вы вернёте совету директоров реалистичность, если он требует «сразу AI-native».

Вопросы для самопроверки

1. Почему интегральная зрелость считается по минимуму измерений, а не по среднему?
2. Перечислите пять уровней зрелости и пять измерений диагностики.
3. Какой переход между уровнями самый трудный и почему?
4. Как связана цель Нацстратегии «12%→95%» с моделью уровней зрелости?
5. Почему покупка LLM-платформы сама по себе не повышает зрелость?