Забудьте про промпти. AI-система 70/30

Більшість AI-проектів зазнають невдачі через одне питання, яке ніхто не ставить: хто вирішує і коли.

Невдача — не в моделі. Модель здебільшого працює. Невдача в тому, що після запуску система потрапляє в прогалину, де вже ніхто не несе відповідальності. Аналітик даних пішов до наступного конвеєра. Інженер з експлуатації моделей дивиться на дашборди моніторингу, пороги яких він сам і виставив. …

Тренувальні дані для машинного навчання без еталонної істини — це шлях до провалу. Те, що модель може забезпечити, почи­нається лише там, де істина задоку­мен­тована.

Є надія, яка з'являється майже в кожному AI-проекті. Її рідко висловлюють, але вона структурує очікування всіх учасників. Надія звучить так: якщо модель буде достатньо великою, вона виправить погані вхідні дані. …

Позов проти AI-продукту рідко є позовом проти моделі. Він спрямований проти слів, якими продукт описано, і проти професійного регламенту, який ці слова захищає.

Навесні 2026 року Steuerberaterkammer Berlin (Палата податкових консультантів Берліна) подає позов проти компанії Accountable. Звинувачення спрямоване не проти інструмента. Не йдеться про шкоду клієнтам, не про неправильні консультації, не про витоки даних. Оскаржується одне-єдине слово на сайті: AI-Steuerberater (AI-податковий консультант). …

Цей розділ — регуляторна проекція розриву між машинною генерацією і людською верифікацією. EU AI Act, GDPR і їхні аналоги по інший бік Атлантики не усувають когнітивну асиметрію — вони фіксують її юридично.

EU AI Act набув чинності в серпні 2024 року. Перехідні періоди для більшості категорій високого ризику вже вийшли в активну фазу або входять у неї в найближчому горизонті після набуття чинності. Більшість виробників машинобудування у DACH-просторі ще не відчули його повної ваги. …

Існує асиметрія, яка виникає майже в кожному індустріальному AI-проєкті і яку рідко проговорюють. Вона стосується людей, які тримають систему у продуктиві, та місця, яке цій ролі відведено в організаційній і економічній структурі компанії, а не архітектури, вибору моделі чи технологічного стеку.

Виклик, який в індустрії розкривається не одразу — а на горизонті місяців після запуску — і поступово набуває ваги, лежить у фазі утримання AI-системи у передбачуваному стані, а не у фазі її побудови. …

Кожен з чотирьох кейсів — конкретна реалізація одного й того ж механізму: помилка чи нестандартний результат на шарі моделі доходить до шару юридичних і фінансових наслідків, бо жоден з проміжних шарів — сигнал, оператор, мандат, документація, контракт — поширення не зупинив. Шари не випадкові; нижче кожен з кейсів показує, який саме шар лишився порожнім.

Коли AI-інцидент уже стався, дуже зручно сформулювати його так: модель «галюцинувала», модель «зламалась», модель «не була готова». Зручно — бо такі формулювання переносять відповідальність на технологію і знімають її з тих організаційних рішень, що передували інциденту. Цей розділ пропонує зворотну оптику: дивитися на ті рішення, які лишились непринятими, і на ті ролі, які лишились не зайнятими. …

Bain & Company у дослідженні 2025 року показало: компанії, що поєднують генеративний AI з реальною перебудовою процесів, скорочують витрати до 25%. Ті, що додають AI поверх існуючих процесів без перебудови, отримують одиничні відсотки або взагалі нічого. Цифра 25% в економії витрат є найсильнішим зовнішнім доказом на користь 70/30-підходу: технологія сама по собі економіки не дає, її дає конструкція людських і технічних шарів разом.

Більшість архітектурних діаграм AI-систем показують технічний шар: модель, конвеєр обробки даних, інфраструктуру, інтеграції. Іноді ще інтерфейс кінцевого користувача, тобто UI (user interface). …