ИИ-камеры на автобусах помогли выписать 375 тысяч штрафов — где эффект?

Представьте, что ваш ИИ отлично находит ошибки пользователей, а оплачивают его работу за каждую найденную ошибку. Продажи растут, отчёты радуют заказчика. Только пользователи продолжают ошибаться, а исходная проблема остаётся. Камеры на американских школьных автобусах дают вполне осязаемый пример такой продуктовой ловушки: автоматизировать обнаружение опасного поведения удалось, а доказать улучшение безопасности оказалось сложнее.

В округе Монтгомери, штат Мэриленд, программа накопила более 375 тысяч штрафов на $92 млн. Это сумма выписанных требований, её нельзя считать собранными деньгами или выручкой поставщика. По расследованию Bloomberg Businessweek и Type Investigations, опубликованному ещё в апреле 2026 года, нарушения сократились незначительно, а свидетельств снижения числа столкновений возле остановившихся автобусов журналисты не нашли.

Как камера превращает проезд в дело для полиции

Задача понятная: автобус остановился, включил красные сигналы и выдвинул боковой знак остановки, а автомобиль проехал мимо. Камеры фиксируют эпизод и номер машины. Дальше начинается процесс, в котором распознавание — лишь один этап.

Школьный округ Аллентаун описывает такую схему: видео вместе с координатами и временем сохраняется на бортовом регистраторе, затем передаётся по защищённому соединению в облако. ИИ фильтрует материалы, специалист проверяет предполагаемое нарушение и собирает доказательства. Полиция изучает пакет и решает, отправлять ли владельцу автомобиля уведомление.

Например, на записи машина пересекает участок рядом с автобусом. Одного распознанного номера недостаточно: проверяющему нужны последовательность событий, состояние сигналов, расположение машины и дорожная обстановка. Поэтому качество продукта зависит и от модели, и от полноты записи, и от того, сколько времени человек может потратить на проверку. Автоматизация отбора не снимает необходимости разбираться в спорных случаях.

Когда бизнес растёт вместе с проблемой

Поставщик BusPatrol объясняет финансовую модель просто: компания покрывает установку и эксплуатацию оборудования за счёт поступлений от штрафов. Заказчик получает систему без первоначальной покупки камер. Для муниципалитета с ограниченным бюджетом это привлекательное предложение.

Однако такая конструкция создаёт конфликт стимулов. Если опасные проезды исчезнут, источник оплаты сократится. Это не доказывает намеренного завышения числа нарушений, но требует отдельно проверять результат для жителей. Рост поступлений сам по себе ничего не говорит о том, насколько безопаснее стала посадка детей.

Здесь полезно разделить три показателя: сколько эпизодов система обнаружила, сколько нарушений подтвердили проверяющие и как изменился риск на дороге. Первый описывает объём работы, второй помогает оценивать качество отбора, третий отвечает на обещание заказчику. Подменить последний первыми двумя очень легко, особенно когда именно они обеспечивают денежный поток.

Для разработчика отсюда следует конкретная задача: сохранять основания решения и возможность восстановить весь эпизод. Для продакта — заранее договориться, что будет считаться успехом через год. Например, сокращение опасных проездов при сопоставимом числе остановок автобусов, а также стоимость проверки и доля отменённых решений. Это предлагаемые критерии оценки, а не опубликованные результаты программы.

Почему 19 случаев Waymo ничего не доказывают без знаменателя

В исходном посте штрафы обычным водителям сопоставляются с 19 эпизодами Waymo. NPR сообщало, что столько случаев задокументировал школьный округ Остина. Федеральное расследование началось после сообщения об отдельном эпизоде; сводить его начало именно к числу 19 неточно.

Сравнение привлекает внимание, но для вывода о безопасности нужны одинаковые периоды, условия и число встреч с остановившимися автобусами. Сотни тысяч штрафов людям не оправдывают ошибку беспилотника. И отсутствие доказанного снижения аварийности ещё не означает, что камеры бесполезны: требуется подходящая оценка эффекта.

Практический вывод для команды ИИ-продукта простой: до масштабирования проверьте, связана ли ваша выручка с решением проблемы клиента. Иначе можно построить успешный сервис, которому для дальнейшего роста нужно, чтобы проблема сохранялась.