Методология ARISE переосмысляет подход к успеху ИИ-проектов

Мы находимся на странном перекрестке в эволюции ИИ. Почти каждое предприятие хочет использовать его. Многие вкладывают огромные средства. Но большинство терпит неудачу. ИИ повсюду — в стратегических презентациях, модных словах в зале заседаний и привлекающих заголовки пилотных проектах (POC). И все же, за кулисами что-то не работает.

Свежие данные делают этот парадокс невозможным для игнорирования. Исследование MIT Состояние ИИ в бизнесе 2025 (State of AI in Business 2025) показывает, что, несмотря на 30–40 миллиардов долларов, вложенных в генеративный ИИ, 95% организаций видят нулевую измеримую окупаемость, и лишь 5% удается пересечь то, что исследователи называют «разрывом генеративного ИИ» (GenAI Divide).

Суть проблемы заключается не в качестве моделей или регулировании, а в неспособности большинства систем учиться, адаптироваться и интегрироваться в рабочие процессы. И дело не только в одном отчете. Исследование компаний Qlik и ESG показывает, что, хотя 94% бизнеса увеличивают инвестиции в ИИ, лишь 21% смогли успешно внедрить в работу что-то действительно значимое. Исследование Informatica’s CDO Insights вторит этому: качество данных, нехватка готовности и техническая незрелость являются основными причинами, почему большинство проектов в сфере ИИ не могут масштабироваться. Последний момент имеет решающее значение. Это не просто неудавшиеся эксперименты — это признаки того, что на более глубоком уровне что-то сломано.

Предприятия борются за успех не из-за отсутствия амбиций, а потому, что устаревшие фреймворки не учитывают структурную сложность ИИ — готовность данных, зрелость моделей, ожидания сотрудников, соответствие человека и ИИ, а также динамическое управление по-прежнему остаются во многом неизмеряемыми.

Одна из самых широко используемых моделей приоритизации в управлении продуктами — это RICE, которая оценивает инициативы на основе охвата (Reach), влияния (Impact), уверенности (Confidence) и затрат усилий (Effort). Это изящно. Это просто. И это устарело.

RICE никогда не разрабатывался для мира базовых моделей (foundation models), динамических конвейеров данных или непредсказуемости рассуждений во время инференса. Вот где он дает сбой:

• Охват (Reach) в RICE основан на абсолютных цифрах пользователей, что затрудняет нормализацию по командам и делает показатель уязвимым к раздуванию оценок.

• Уверенность (Confidence) часто является субъективной метрикой «на глаз». В сфере ИИ это опасно. Зрелость модели, готовность данных или риски галлюцинаций здесь не учитываются.

• Усилия (Effort) обычно предполагают сложность кода, а не колоссальные накладные расходы на сбор, очистку и управление данными, готовыми к ИИ.

• Влияние (Impact) считается прямым и измеримым. Но в ИИ «влияние» зависит от того, способна ли модель к обобщению, дополняет ли она решения человека или заменяет их, а также от того, ведет ли она себя стабильно в условиях реальной сложности.

Классические методы вроде RICE, ICE и MoSCoW оценивают охват, влияние, уверенность и усилия, но они упускают из виду специфические реалии ИИ. Они не учитывают готовность данных, предполагают, что влияние по своей сути измеримо и универсально, а также упускают из виду такие критические факторы, как целесообразность модели, риск галлюцинаций и соответствие ожиданиям сотрудников. В результате они часто отдают приоритет показным экспериментам в ущерб проверенным, надежным результатам. Чего не хватает, так это метрик, оценивающих зрелость моделей, управление данными, человеческий фактор и частые несоответствия между желаниями и возможностями — пробелов, которые регулярно приводят к провалу проектов в области ИИ.

Документ Apple Иллюзия мышления (The Illusion of Thinking) представляет собой отрезвляющую проверку реальностью ограничений современных больших моделей рассуждений (LRMs). Исследование показывает, что эти модели часто дают сбой при столкновении со сложностью, не могут обобщать данные за пределами своего обучающего набора и ведут себя непоследовательно даже на задачах, которые кажутся похожими. Если ИИ-моделям нельзя доверять в плане обобщения, как мы можем с уверенностью расставлять приоритеты для функций ИИ, которые на них опираются? И как традиционные фреймворки вроде RICE, которые даже не задают вопрос о том, способна ли модель решить задачу на самом деле, могут быть достаточными?

Ответ: Никак.

Вдобавок ко всему, наблюдается растущее несоответствие между тем, что предприятия хотят автоматизировать, и тем, с чем ИИ может реально справиться. Исследование Стэнфордского университета 2025 года Будущее работы с ИИ-агентами (The Future of Work with AI Agents) открывает интересную перспективу. Исследователи сопоставили более 800 задач для более чем 100 ролей и выяснили: хотя сотрудники хотят, чтобы ИИ помогал им почти с половиной их рабочей нагрузки, большинство инициатив в сфере ИИ нацелены не на те задачи — либо на то, что работники не хотят автоматизировать, к чему ИИ-модели еще не готовы решить.

Они представили так называемую шкалу человеческого участия (Human Agency Scale) — от полного контроля человека до полной автономии ИИ. И оптимальная точка, как выясняется, находится где-то посредине: там, где ИИ помогает, но не заменяет. Этот нюанс редко учитывается при планировании наших продуктов.

Итак, давайте подытожим: у нас есть переинвестирование, недополучение результатов, несоответствие человеческим предпочтениям и фреймворки, которые не развивались уже десятилетие.

Что теперь?

Здесь на сцену выходит ARISE.

ARISE расшифровывается как AI Readiness and Impact-Scoring Evaluation (Оценка готовности и влияния ИИ). Это новый фреймворк, который мы предлагаем продуктовым командам, сталкивающимся со сложностью ИИ. Созданный как эволюция RICE под нужды ИИ, он соединяет амбиции с реализмом с помощью структурированного и многомерного подхода.

Фундамент знаком: вы по-прежнему оцениваете охват, влияние, уверенность и усилия. Но даже они модернизированы.

• Уверенность больше не берется «с потолка»; она основывается на реальных проверках осуществимости.

• Усилия измеряются в человеко-месяцах с учетом всего конвейера, а не только модели.

Но ARISE добавляет три важнейших слоя, которые упускают традиционные фреймворки:

Во-первых, желательность ИИ (AI Desire) — добавляет ли решение этой проблемы с помощью ИИ реальную ценность, или мы просто «притягиваем за уши» ИИ туда, где в нем нет необходимости?

Во-вторых, возможности ИИ (AI Capability) — есть ли у нас на самом деле данные, зрелость моделей и инженерная готовность для реализации этой задумки?

И в-третьих, намерение (Intent) — должен ли ИИ действовать самостоятельно или помогать человеку? Проактивные системы имеют больший потенциал, но они также несут в себе гораздо больше рисков. ARISE позволяет отразить это в приоритизации.

Итоговый балл рассчитывается как базовый балл RICE, умноженный на эти три специфичных для ИИ фактора. Это осознанный выбор дизайна. Если ваши возможности ИИ слабы — даже если охват и влияние выглядят отлично — ваш балл ARISE падает. Хватит давать зеленый свет амбициозным проектам только потому, что они звучат захватывающе.

Итоговая формула ARISE выглядит так:

Оценка ARISE = (Охват * Влияние * Уверенность / Усилия) × Желательность ИИ × Возможности ИИ × Множитель намерения

Эта мультипликативная модель заставляет мыслить реалистично. Инициатива с высоким влиянием и низким уровнем возможностей ИИ получит низкий балл — именно так, как и должно быть.

·      

Давайте перейдем от теории к практике.

Представьте, что ваша команда хочет внедрить ИИ-помощника по написанию кода для каждого разработчика в компании. Охват? 100%. Влияние? Скажем, 2.0 (повышение производительности на 50%). Уверенность? Достаточно высокая — это интегрированное вендорское решение, а не фантастический проект — 1.0. На реализацию уйдет два человеко-месяца. С точки зрения ИИ, желание зашкаливает (5). Возможности? Надежные (4). Но ИИ реактивен — он помогает, а не действует автономно — поэтому намерение равно 1.0

Подставьте эти цифры в ARISE, и вы получите результат 20.

Теперь возьмем другой проект: созданная с нуля проактивная система ИИ, которая отслеживает логи и автоматически устраняет неполадки разработчиков в разных системах. Огромный охват (1.0), высокий потенциал влияния (2.5) — но лишь умеренная уверенность (0.5). Это сложно, требует 12-месячной разработки, а возможности ИИ сомнительны (2). К тому же она действует автономно.

Несмотря на свои перспективы, ARISE дает ей балл 1.0. Это не категоричное «нет», а четкий сигнал разбить задачу на более мелкие этапы или отложить ее до тех пор, пока ваши данные и модели не созреют.

Итак, чему же следует отдать приоритет в первую очередь?

Сила ARISE заключается не в математике — она проста. Сила в том мышлении, которое этот фреймворк поощряет.

Он заставляет команды столкнуться с реальностью, а не только с тем, что вызывает восторг. Он удерживает вас от траты ресурсов на эксперименты, которые никогда не масштабируются. И он побуждает к более глубокому обсуждению вопросов сотрудничества человека и ИИ, технической целесообразности и организационной готовности.

Что еще важнее, он позволяет твердо опираться на ценность. Когда генеративный ИИ находится на пике завышенных ожиданий, ARISE — это трезвый взгляд, необходимый продуктовым командам, чтобы отделить шум от реальных возможностей.

Мы видели слишком много команд, попавших в ловушку создания впечатляющих демо-версий, которые никогда не покидают стен лаборатории. ARISE помогает им задавать правильные вопросы раньше — о данных, этике, намерениях — и соответствующим образом корректировать курс.

ИИ — это не просто еще один технологический слой. Это новый способ создания, рассуждения и сотрудничества. Это требует нового взгляда на управление продуктом.

RICE, ICE, MoSCoW — они были хороши для своего времени. Но они не создавались для вероятностных систем, автономных агентов или двусмысленности больших языковых моделей (LLMs).

А вот ARISE — создана.

Это не серебряная пуля, но это компас. Способ внести структуру в хаос. Инструмент, который помогает вам создавать то, что является не просто возможным, но жизнеспособным, ценным и ответственным.

Потому что в мире ИИ самый большой риск — это не двигаться слишком медленно. Самый большой риск — расставлять приоритеты совсем не для того.

Хита Кишоре (Hitha Kishore) — руководитель направления управления продуктами в области аналитики и ИИ в компании Docusign.

Добро пожаловать в сообщество VentureBeat!

Наша программа гостевых публикаций — это площадка, где технические эксперты делятся идеями и предоставляют непредвзятый, глубокий анализ ИИ, инфраструктуры данных, кибербезопасности и других передовых технологий, формирующих будущее бизнеса.

Читайте далее в нашей программе гостевых постов — и ознакомьтесь с нашими рекомендациями, если вы хотите сами написать статью!