В опросе «Корус Консалтинг» 47% участников сообщили о планах внедрять и развивать ИИ для прогнозов и аналитики в ближайшие два года. В исследовании участвовали более 30 руководителей агропромышленных компаний; это не оценка всех предприятий отрасли.
Среди участников опроса 47% планируют внедрять и развивать ИИ для прогнозов и аналитики в ближайшие два года. При этом 56% используют отдельные ИИ-решения как пилотные проекты, у 9% ИИ работает в нескольких подразделениях, у 3% — в ключевых процессах.
Данные опубликованы CNews 28 октября со слов представителей «Корус Консалтинг». Пилот — ограниченная проверка решения на выбранной задаче до более широкого применения.
Эти показатели отвечают на разные вопросы. Намерение внедрить прогноз не подтверждает, что прогноз уже работает. Работа отдельного пилота не означает, что предприятие получило экономический эффект или распространило решение на все подразделения.
Опрос охватывает более 30 руководителей и ИТ-директоров агропромышленных компаний. Среди них представители растениеводства, животноводства, обрабатывающей промышленности и агрохолдингов. Публикация не даёт оснований считать такую выборку точным отражением всех предприятий отрасли.
В материале нет полной методики отбора участников и оценки погрешности. Поэтому заголовок о намерениях опрошенных нельзя превращать в утверждение, что почти половина всего агробизнеса уже внедряет ИИ.
Полезнее рассматривать результаты как описание вопросов определённой группы компаний. Например, 76% респондентов назвали барьером высокую стоимость программ и внедрения. Это мнение участников, а не измеренная цена любого проекта.
Качество исходных данных определяет, на что вообще сможет опереться прогноз. В публикации «Корус» отдельно связывает сложности ИИ с полнотой и достоверностью сведений, интеграцией, надёжностью результата и экономической эффективностью.
Представим условную задачу: оценить будущую потребность в запасах. До модели нужно разобраться, что означает каждая запись, одинаково ли учитываются возвраты и списания, за какие периоды есть сопоставимые данные. Если определения меняются от таблицы к таблице, красивый ответ может скрыть исходную путаницу.
Это редакционный пример, не результат испытания в агрокомпании. Такой порядок помогает подготовить вопросы исполнителю и не начинать обсуждение с названия нейросети. Более общий подход есть в статье о начале внедрения ИИ в компанию.
Выберите одну задачу, доступный набор данных и способ сравнить результат с текущей работой. Заранее определите, кто проверит ответ, какая ошибка недопустима и какое решение человек сможет принять по итогам проверки.
Для условного прогноза запасов предлагаем записать:
Здесь важен весь путь до действия. Полученная таблица ещё не доказывает, что запасами стали управлять лучше. Условия приёмки стоит включить в техническое задание.
Результаты опроса показывают интерес участников к ИИ, но не дают готового расчёта окупаемости конкретной компании. Его придётся строить на собственных данных и проверяемой задаче.
