Как найти баланс между AI и человеком в управлении данными
Разбираемся, как компании, которые осознанно внедряют AI, решают, где можно положиться на алгоритмы, а где решение обязательно должен принимать человек
В 2025 году мировой уровень использования искусственного интеллекта в бизнесе вырос с 55 до 72%, а компании, системно внедряющие генеративный AI, фиксируют рост производительности на 35–40%. При этом, по данным Gartner, 85% AI-проектов не достигают целей - и причина чаще всего не в технологиях, а в качестве данных и отсутствии зрелых процессов Data Governance.
Этот парадокс отражает реальность: AI - не волшебная кнопка, а инструмент, который требует правильного применения. Опыт работы с MDM- и Data Governance-проектами показывает, что успех AI напрямую зависит от понимания, где ему можно доверить руль, а где требуется человеческий контроль.
Где AI уже приносит измеримую пользу
Алгоритмы отлично справляются с рутинными задачами, которые раньше отнимали сотни человеко-часов.
Обработка больших объемов данных. В MDM AI-помощник способен обрабатывать свыше 50 000 объектов в час, снижая трудозатраты в разы или даже на порядок. Система автоматически определяет категорию номенклатуры, выделяет атрибуты и показывает уровень уверенности в решении. Средняя точность для категорий, обученных на 200 примерах, превышает 90%.
Навигация по данным и метаданным. ИИ-ассистенты помогают искать нужные показатели, писать SQL-запросы и объяснять, откуда взялось то или иное поле в отчете. Это резко снижает барьер входа в Data Governance для бизнес-пользователей.
Сопоставление и дедупликация. Алгоритмы машинного обучения сопоставляют записи из разных источников, находят дубли и предлагают объединить записи, если это один и тот же объект. В финансовом секторе AI-скоринг сокращает просроченные платежи на 15% и увеличивает одобрения кредитов на 30%.
Автоматизация Data Governance. AI ускоряет наполнение каталогов данных, формирует глоссарий, размечает атрибуты и строит связи между объектами (Data Lineage).
Компании, системно применяющие такие инструменты, отмечают снижение операционных затрат.
Где AI пока несет риски
Применение AI опасно там, где ошибка влечет юридические, финансовые или репутационные последствия. При этом AI, как правило, не может «объяснить» свое решение.
Регуляторные решения. Центральный банк РФ через Положения 716-П и 483-П требует от банков прозрачности в управлении рисками и качеством данных. Модель, которая не может объяснить, почему клиент отнесен к высокому риску, создает проблемы при проверках.
Критические финансовые решения. Известен кейс, когда AI-система страховой компании занижала стоимость ремонта автомобилей в 80% случаев. Для страховой это стоило потерей доверия клиентов. Другая компания была вынужден заблокировать AI-инструмент для рекрутинга, который дискриминировал женщин.
Семантика и политика данных. Опр