# Виновата не модель. Виноваты твои данные.

Большинство ИИ-проектов проваливаются — MIT нашёл, что 95% генеративных пилотов не дали измеримой прибыли, а RAND оценил общий процент провалов примерно в 80%. Когда что-то идёт не так, инстинкт — винить модель: недостаточно умна, не та, плохие промпты. Данные говорят иначе. Самая часто называемая причина провала — плохое качество данных, и лишь около 12% организаций имеют данные, достаточно чистые, чтобы вообще тянуть ИИ. У тебя, скорее всего, не проблема с моделью. У тебя проблема с данными в одежде проблемы с моделью. Как это распознать.

- **Author:** Фёдор Чищин
- **Published:** 2026-06-15
- **Tags:** architecture, methodology
- **Source:** https://fedorthinks.com/ru/blog/it-wasnt-the-model-it-was-your-data

---

Цифры провалов корпоративного ИИ беспощадны, и их стоит произнести вслух. Исследование MIT нашло, что
[95% генеративных пилотов не дали измеримого влияния на прибыль](https://trullion.com/blog/why-95-of-ai-projects-fail-and-why-the-5-that-survive-matter/),
а RAND оценил
[общий процент провалов ИИ-проектов примерно в 80%](https://talyx.ai/insights/enterprise-ai-implementation-failure).
Большинство ИИ-проектов не тихо недотягивают. Они проваливаются.

Когда это случается, почти все тянутся к одному объяснению: модель. Выбрали не ту, недостаточно умна,
промпты были кривые, надо попробовать новый релиз. Этот инстинкт утешает, потому что чинится заменой.
И он же обычно неверен. Самая часто называемая причина провала ИИ-проектов — вовсе не модель,
[а плохое качество данных, названное примерно в 85% провальных проектов, и лишь около 12% организаций вообще имеют данные, достаточно чистые, чтобы тянуть ИИ](https://talyx.ai/insights/enterprise-ai-implementation-failure).
Доказываю, потому что это разница между починкой, которая работает, и годом, потраченным на замену
моделей.

## Модель — видимая часть, поэтому на неё и валят

Когда ИИ-фича даёт плохие ответы, ты видишь, как косячит именно модель, — на неё и валишь. Но модель —
последнее звено цепи, и она может быть хороша лишь настолько, насколько хорошо то, что в неё втекает.
Скорми блестящей модели разрозненные, противоречивые, устаревшие, наполовину недоступные данные — и
она выдаст уверенную чушь. Не потому что модель плохая, а потому что она честно отражает плохой вход.

Вот почему замена модели так часто ничего не меняет. Ты переходишь с одной фронтир-модели на более
новую, демка всё равно разочаровывает, и ты делаешь вывод, что ИИ «ещё не готов». А на деле ты
проапгрейдил единственную часть, которая не была сломана. Данные были узким местом до замены и остаются
им после, потому что новая модель теперь читает тот же бардак, что и старая.

## Данные скучные, поэтому их работу никто не хочет делать

Это повторяется не зря: чинить данные нудно и невидимо, а выбирать модель — увлекательно и быстро.
Выбор модели ощущается как прогресс — есть лидерборд, релиз, демка. Разобраться, где живут твои данные,
что они значат, актуальны ли и может ли система до них вообще дотянуться, — это чёрная работа без
красивой нарезки. Так что команды делают весёлую часть и пропускают ту, что реально решает исход.

И цифры показывают цену пропуска. Gartner ожидает, что большую долю ИИ-проектов
[забросят в течение 2026-го именно потому, что данные не были готовы](https://www.folio3.ai/blog/ai-project-failure-rate-stats).
Не потому что модели были слишком слабы — они никогда не были сильнее, — а потому что неэффектный
фундамент под ними так и не построили. Фронтир умчался вперёд; трубопровод данных остался там, где был.

## Что сделать, прежде чем винить модель

В следующий раз, когда ИИ-проект недотянет, прогони чек-лист по данным, прежде чем трогать модель:

- **Данные точные и актуальные?** Если источник неверен или устарел, более умная модель просто выдаст
  тебе неверные ответы быстрее и убедительнее.
- **Система реально до них дотягивается?** Данные, запертые в PDF, силосах и системах, которые ИИ не
  может запросить, всё равно что не существуют. Доступ — половина дела.
- **Они значат то, что ты думаешь?** Несогласованные определения, дубли и потерянный контекст ломают
  ИИ тихо — вывод выглядит правдоподобно и тонко неверен.
- **И только потом смотри на модель.** В девяти случаях из десяти ты найдёшь проблему раньше, чем
  дойдёшь сюда.

Чинить данные медленно и неэффектно. И именно там живёт результат.

## Итог

Фронтир-модели поразительны — ровно поэтому они так редко являются причиной провала твоего ИИ-проекта.
Слабое звено почти всегда — скучный слой под ними.

**Прежде чем винить модель, проверь данные — потому что самая частая причина провала ИИ это вход, а не
интеллект.** Замена моделей — починка, которая ощущается продуктивной и обычно ею не является. Чистка
данных — починка, которую никто не хочет, и та, что работает.