17.08.2026  Новости, Бизнес-практикум, Искусственный интеллект, Менеджмент, ОС и разработка приложений

Внедрение ИИ обещает бизнесу сокращение издержек, но на практике его рекомендации не всегда приводят к ожидаемому финансовому результату и могут требовать дополнительной проверки. Проблема не в алгоритмах, а в данных — противоречивых или некорректных. Как неподтвержденные данные превращают любую ML-модель или языкового агента в генератор ошибок и что с этим делать бизнесу, разбираемся вместе с Арутюном Саргсяном, руководителем направления по управлению данными компании «Навикон». Два пути плохих данных: ML и LLM Российские компании одна за другой запускают пилоты с генеративным ИИ. По данным Ассоциации больших данных (АБД) и Аналитического центра при Правительстве РФ, объем российского рынка искусственного интеллекта (ИИ) по итогам 2025 года составил 520 млрд рублей, а его доля в ВВП достигла 0,22%. Однако уже в 2026–2027 годах часть этих проектов рискует пополнить статистику провалов. В вопросе качества данных для ИИ важно различать два класса систем. Классический machine learning (ML) — это прогнозные модели: скоринг, управление цепочками поставок, рекомендательные движки. Большие языковые модели (LLM), которые сейчас у всех на слуху, — это другое: поиск по базе знаний, генерация отчетов, text-to-sql агенты. Некачественные данные бьют по их эффективности одинаково, но механизмы разные. В случае ML модель обучается на исторических выборках. Если в исторических данных присутствуют дубли, нарушены связи между сущностями или показатели искажены аномалиями, результат прогноза ... читать далее.