Sber Life Insurance: Why AI Without Processes Does Not Speed Up Product Launches

Компании все чаще ждут от ИИ мгновенного ускорения запуска продуктов, но на практике эффект нередко оказывается обратным. Сергей Абрамович объясняет: без выстроенных процессов и понятной ответственности AI-инструменты не сокращают Time-to-Market, а добавляют новый слой хаоса.

Почему скорость не растёт Главная ошибка — пытаться лечить технологией организационные проблемы.

Если команда не умеет быстро согласовывать требования, долго передает задачи между отделами и не фиксирует владельцев решений, ИИ не уберет эти узкие места. Он лишь ускорит отдельные операции внутри сломанной системы, а итоговый цикл может стать даже длиннее из-за новых проверок, ручной доработки и споров о качестве результата. Именно здесь чаще всего и теряется обещанное бизнесу ускорение.

Абрамович пишет, что в большинстве случаев AI внедряют слишком рано — еще до того, как компания разобралась с базовой операционной дисциплиной. Отсюда и разочарование: бизнес покупает инструмент, ожидает сокращения сроков, а получает больше артефактов, промежуточных версий и зависимостей между людьми. Скорость в такой системе падает не из-за слабого ИИ, а из-за отсутствия понятного процесса, в который его вообще можно встроить без лишнего трения.

Где возникают потери Потери обычно начинаются не в модели, а в стыках между людьми и функциями.

Когда продукт, разработка, юристы и маркетинг живут в разном ритме, любой AI-сервис начинает тиражировать несогласованность. Он быстро пишет тексты, сводки и варианты решений, но эти материалы застревают в очередях, уходят на бесконечные правки или дублируют уже сделанное. В результате команда выглядит занятой, а релиз по-прежнему движется медленно.

• Требования формулируются слишком поздно или меняются без фиксации Результаты ИИ некому быстро проверить и принять в работу Команды дублируют задачи, потому что не видят общий контекст * Метрики скорости сводятся к активности, а не к реальному выходу релизов > «В 8 из 10 случаев компании внедряют ИИ туда, где ещё не выстроены базовые процессы». Еще одна ловушка — путать локальную автоматизацию с ускорением вывода на рынок. Если AI помог написать бриф или черновик спецификации за час вместо дня, это не означает, что продукт выйдет раньше. Выигрыш исчезнет, если документ неделями лежит без решения, а соседняя команда не готова брать его в работу. Поэтому мерить нужно не производительность модели отдельно, а зрелость всей цепочки принятия решений и исполнения.

С чего начинать

Вместо ставки на очередной инструмент автор предлагает дорожную карту, которая начинается не с модели, а с устройства работы. Сначала компания описывает путь идеи до релиза и находит реальные задержки: согласования, очереди на ревью, долгие передачи между аналитикой, разработкой, юридическим и маркетингом. Только после этого можно решать, на каком шаге ИИ действительно экономит время, а где он просто создаст еще один поток контента на проверку.

Следующий шаг — назначить владельцев и договориться о правилах использования. Для AI-задач особенно важно заранее определить формат входных данных, критерии приемки, допустимый уровень ошибки и момент, когда человек обязан вмешаться. Тогда технология становится сервисным слоем поверх процесса: помогает готовить варианты, собирать материалы, ускорять анализ и сокращать рутину без подмены ответственности.

Для руководителей ключевой вывод простой: работает связка из культуры, процесса и технологии, причем именно в таком порядке.

Что это значит Для рынка это важный сигнал: ставка только на модель уже не работает.

Компании, которые хотят реально сократить Time-to-Market, должны сначала навести порядок в маршруте принятия решений, ежедневном взаимодействии команд и критериях качества. Лишь после этого AI становится ускорителем, а не дорогой надстройкой над хаотичным процессом. Иначе даже лучший инструмент останется дорогим экспериментом без заметного влияния на сроки и качество релизов.