AI и ML
Что проверить в CRM и 1С до старта ИИ-проекта, чтобы не потратить бюджет впустую
Большинство неудачных ИИ-проектов упираются не в модель, а в данные, о качестве которых заказчик узнаёт только после того, как деньги уже потрачены.
Коротко
Прежде чем платить подрядчику за ИИ-проект, стоит самостоятельно проверить четыре вещи в собственной CRM или 1С: заполненность обязательных полей на реальных, а не тестовых записях; согласованность форматов данных (даты, статусы, категории) между разными сотрудниками и отделами; отсутствие дублей записей о клиентах или сделках; и наличие вообще достаточного объёма исторических данных для задачи. Проект, запущенный поверх данных с этими проблемами, почти гарантированно даст разочаровывающий первый результат, который спишут на «ИИ не работает», хотя причина — в данных, а не в модели.
Почему ИИ-проекты чаще спотыкаются о данные, чем о модель
Модель, даже не самая совершенная, обычно справляется с задачей достаточно хорошо, если данные, на которых она работает, чистые, полные и последовательные. Обратное тоже верно: даже лучшая модель на грязных, неполных или противоречивых данных даёт плохой, непредсказуемый результат. Именно поэтому диагностика готовности данных — это самостоятельная задача, которую заказчик может и должен выполнить сам, до того как платить подрядчику за то, что тот обнаружит те же проблемы на первой неделе проекта.
Чек-лист из четырёх пунктов
| Пункт | Как проверить самостоятельно |
|---|---|
| Заполненность обязательных полей | Выгрузить 100 случайных реальных записей и посчитать долю пустых полей |
| Согласованность форматов | Сравнить, как разные сотрудники заполняют один и тот же тип поля (даты, статусы) |
| Дубли записей | Проверить наличие клиентов или сделок, продублированных вручную |
| Достаточный объём истории | Посчитать число релевантных записей за последние 6–12 месяцев |
Почему тестовые записи вводят в заблуждение
Проверка на нескольких аккуратно заполненных карточках, которые сотрудник показывает на демонстрации системы, почти всегда даёт ложно позитивную картину. Реальная база, накопленная за годы разными людьми с разной дисциплиной ввода данных, выглядит иначе — часть полей пропущена, часть заполнена в свободной форме там, где ожидался стандартный формат, часть содержит клиентов, добавленных дважды под слегка разными именами. Именно поэтому выборку для проверки нужно брать случайно из реальных, боевых данных, а не из показательных примеров.
Что делать, если данные оказались не готовы
Обнаружить проблему с данными до подписания договора с подрядчиком — не повод отказываться от ИИ-проекта, а повод изменить его первый этап: вместо того чтобы сразу переходить к разработке модели, первым платным этапом становится приведение данных в порядок — либо силами внутренней команды, либо как отдельная, явно обозначенная часть работы подрядчика с собственным сроком и стоимостью, а не скрытая внутри общей сметы на «внедрение ИИ».
Частые вопросы
Почему ИИ-проект может провалиться даже с хорошей моделью?
Потому что даже лучшая модель даёт плохой, непредсказуемый результат на грязных, неполных или противоречивых данных. Диагностика готовности данных — задача, которую заказчик может выполнить сам до старта проекта, а не то, что обнаруживается постфактум за деньги подрядчика.
Как проверить готовность данных, не привлекая подрядчика?
Выгрузить случайную выборку из 100 реальных записей и проверить заполненность обязательных полей, согласованность форматов между сотрудниками, наличие дублей и достаточный объём истории за последние 6–12 месяцев. Это можно сделать силами внутренней команды за один-два дня.
Почему проверка на демонстрационных записях вводит в заблуждение?
Потому что несколько аккуратно заполненных карточек, показанных на демонстрации, почти всегда выглядят лучше реальной базы, накопленной за годы разными сотрудниками с разной дисциплиной ввода. Выборку для проверки нужно брать случайно из боевых данных, а не из показательных примеров.
Что делать, если данные оказались не готовы к ИИ-проекту?
Не отказываться от проекта, а сделать приведение данных в порядок отдельным, явно обозначенным первым этапом со своим сроком и стоимостью — своими силами или как выделенная часть работы подрядчика, а не скрытая внутри общей сметы на внедрение ИИ.
Нужна помощь с этой задачей?
Мы делаем это на практике, а не только пишем об этом. Опишите задачу — разберём и пришлём смету по этапам.
Услуги по теме
- AI-стратегия для бизнесаБольшинство компаний уже запустили хотя бы один пилот с ИИ. Меньшинство довело хоть один пилот до устойчивой эксплуатации. Разница обычно не в модели, а в том, выбрали ли процесс с измеримым эффектом и посчитали ли реальную стоимость эксплуатации до старта. Мы помогаем выбрать правильную точку входа и не потратить бюджет на демо, которое так и останется демо.
- Внедрение CRM и автоматизация продажЗаявки в мессенджерах, почте и звонках теряются, если единственное место, где они собираются, — память менеджера. CRM закрывает это, но только если её настроили под ваш процесс продаж, а не поставили «как есть из коробки». Мы внедряем amoCRM и Битрикс24, настраиваем автоматизацию и связываем всё с сайтом, телефонией и аналитикой.
- Разработка AI и ML-решенийМы делаем AI, который решает конкретную задачу и окупается, а не демо ради демо. Классификаторы, рекомендации, обработка текста и документов, ассистенты на LLM, интеграция моделей в существующий продукт.
Читать дальше
- Почему ИИ-пилоты не доходят до продакшена: разбор на цифрахРазрыв между «попробовали ИИ» и «ИИ реально работает в компании» — не про технологию. Три конкретные, воспроизводимые причины и как их закрыть до старта пилота.
- С какого отдела начинать внедрение ИИ при ограниченном бюджете«Начните с пилота» — универсальный совет, который не отвечает на главный практический вопрос: с пилота в каком именно отделе. Разбираем, как расставить приоритеты.
- AmoCRM или Битрикс24: что выбрать для отдела продаж в 2026AmoCRM и Битрикс24 — не «лучше/хуже», а разные инструменты под разную структуру бизнеса. Сравниваем воронки, автоматизацию, стоимость и обучение, чтобы выбор не пришлось переделывать через год.