В 2023 году объем рынка систем видеонаблюдения с элементами ИИ в России вырос на 25%, достигнув 70 млрд рублей. Компании массово внедряют «умные» камеры для всего: от анализа очередей в ритейле до детекции проникновения на критических объектах. Однако зачастую дорогостоящие технологии не оправдывают ожиданий. По данным международного исследования Deloitte, до 70% компаний сталкиваются с трудностями при интеграции ИИ-решений, а 53% проектов так и не выходят из стадии пилота.

Почему же перспективная технология буксует? Руководители традиционно винят «сырые» алгоритмы, недостаточную вычислительную мощность или недобросовестных поставщиков. Однако серия новых академических исследований указывает на другую, более глубокую причину: проблема кроется не в искусственном, а в человеческом интеллекте. Ключ к успешному внедрению ИИ лежит не в апгрейде серверов, а в психологии сотрудников и их готовности к диалогу с технологией.

Портрет проблемы: Почему ИИ «не работает»? Данные исследований

Чтобы понять корни проблемы, обратимся к данным. Масштабный отчет Уортонской школы бизнеса (Wharton GBK AI Adoption Report, 2025), основанный на опросе более 2000 компаний, дает четкое разделение на «чемпионов» и «аутсайдеров» в гонке внедрения ИИ.

У кого ИИ работает?

Что же делают эти 15% компаний, которые уже получают измеримую финансовую отдачу от ИИ?

В чем заключается их подход:

— Стратегия, а не тактика: Такие компании рассматривают ИИ, как стратегический актив, интегрированный во все бизнес-процессы. Для них ИИ-видеонаблюдение — не просто «замена глазам охранника», а источник данных для аналитики отдела маркетинга, функций службы безопасности, операционного управлении и др.

— Инвестиции в людей: Они тратят на переобучение сотрудников и изменение процессов до 40% от общего бюджета на внедрение ИИ.

— Культура экспериментов: Они понимают, что ИИ — не читает мысли, а живой инструмент, который нужно настраивать. Они готовы к поэтапному внедрению и не ждут 100% точности в первый же день.

У кого ИИ не работает?

Остальные 85% компаний действуют по принципу «попробовал – не получилось – бросил». Их ключевые ошибки:

1. Ожидание «волшебной таблетки»: Они верят, что ИИ решит все проблемы мгновенно и автономно. Когда система требует тонкой настройки под специфику объекта (например, чтобы не путать падающий снег с движением человека), наступает разочарование.
2. Экономия на главном: Они инвестируют в «железо» и софт, но экономят на обучении персонала. В результате дорогая система используется на 10% от своего потенциала.

Важен также психологический барьер: мы ждем от ИИ человечности

Проблему усугубляет фундаментальная особенность человеческой психики. Новаторское исследование Стэнфордского университета «Computers Are Social Actors» (Nass, Steuer, Tauber) доказало: люди бессознательно наделяют компьютеры (а теперь и ИИ) чертами социальных объектов. Мы применяем к ним те же правила вежливости, ожидаем проявления «личности» и бессознательно приписываем им намерения.

На практике это выглядит так: Когда ИИ-камера выдает ложное срабатывание, оператор воспринимает это не как сбой алгоритма, а как «глупость» или «вредность» системы. Это вызывает эмоциональное отторжение — технология кажется ненадежной и непредсказуемой, и сотрудник просто отключает «капризную» функцию, вместо того чтобы разобраться в причине сбоя (например, в изменившемся освещении).

Цифры подтверждают: люди хотят контроля

О необходимости человеческого контроля и понятности ИИ говорит и масштабный опрос Ada Lovelace Institute и The Alan Turing Institute (2023). Согласно ему, 62% респондентов в Великобритании заявили, что для комфорта с ИИ им необходимы четкие законы и регулирование, а 59% хотят иметь процедуры для апелляции к человеку против решения ИИ. Это прямое указание на то, что люди не готовы безоговорочно доверять машине и требуют сохранения человеческого контроля, особенно в такой чувствительной сфере, как видеонаблюдение.

Таким образом, исследования сходятся в одном: ИИ «не работает» не из-за фатальных ошибок в коде, а из-за системных ошибок в подходе: нетерпеливости, недостатка стратегии и непонимания психологии взаимодействия человека и машины.

5 роковых ошибок личности при работе с ИИ-видеонаблюдением

Итак, провал внедрения ИИ — это часто не технический сбой, а закономерный результат поведения человека. На основе исследований в области психологии, социологии и управления можно выделить пять типичных поведенческих паттернов, которые обрекают проект на провал.

Ошибка 1: Нетерпеливость и «синдром мгновенного результата»

В чем суть: Сотрудник ожидает, что ИИ с первого дня будет работать как идеальный, всевидящий робот из фантастических произведений. Столкнувшись с необходимостью тонкой настройки (например, обучения системы отличать сумку, оставленную надолго, от просто брошенной на минуту куртки), он быстро разочаровывается и маркирует систему как «неработающую».

Что говорят исследования:

Исследование Wharton четко разделяет компании, которые рассматривают ИИ как стратегический долгосрочный проект, и тех, кто ждет быстрых тактических побед. Успеха добиваются именно первые, потому что они готовы к периоду «обучения» системы и сотрудников, не ожидая мгновенной отдачи. Нетерпеливость — это отказ от стратегического подхода в пользу сиюминутного, но иллюзорного результата.

Пример из видеонаблюдения: Функция «детекция оставленных предметов» в аэропорту первые две недели дает 80% ложных срабатываний на забытые зонты и чемоданы ожидающих пассажиров. Нетерпеливый руководитель службы безопасности отключает ее как бесполезную, вместо того чтобы вместе с техниками «дообучить» алгоритм, добавив в его модель примеры статичных, но не опасных предметов в зоне ожидания.

Ошибка 2: Ригидность мышления и сопротивление новому

В чем суть: «Раньше охранник смотрел на мониторы и всё видел, и так было 20 лет, зачем мне эти ваши нейросети?». Сотрудник подсознательно воспринимает ИИ как угрозу своему профессиональному статусу, опыту и привычному укладу, активно или пассивно саботируя нововведение.

Что говорят исследования:

Исследование Ada Lovelace Institute показало, как отношение к технологиям меняется с возрастом. Люди 45 лет и старше значительно чаще настаивают на том, что окончательные решения должны принимать люди, способные их объяснить. Хотя это разумное требование к контролю, но в своем крайнем проявлении оно превращается в тотальное недоверие к любому новому инструменту. В контексте видеонаблюдения это выражается в отказе от использования новых возможностей аналитики, возвращаясь к ручному, «проверенному» методу.

Ошибка 3: Слепая вера в «объективность» алгоритма

В чем суть: Обратная сторона недоверия. Сотрудник считает, что решение принимает машина, так как оно априори беспристрастно и математически точно. Он отключает критическое мышление и принимает каждое срабатывание системы как истину в последней инстанции.

Что говорят исследования:

Это самая опасная ошибка, прямо ведущая к этическим скандалам. Статья «Когда ИИ выбирает фаворитов» в The Conversation подробно разбирает кейсы Amazon и HireVue, где слепая вера в ИИ привела к усилению гендерной и расовой дискриминации. Алгоритмы наследуют предвзятость из данных, на которых обучаются. Исследование «Computers are Social Actors» косвенно подтверждает эту проблему: если люди склонны применять гендерные стереотипы даже к компьютерным голосам (мужской голос кажется более авторитетным), то что говорить об алгоритмах, обученных на исторических данных, полных человеческих предубеждений?

Ошибка 4: Нежелание вникать в контекст и диалог с системой

В чем суть: ИИ — не оракул. Его работа зависит от контекста: освещения, погоды, угла обзора, появления новых объектов в кадре (рекламных щитов, строительных лесов). Сотрудник воспринимает систему как статичный черный ящик, не пытаясь понять, почему она ошиблась, и не давая ей обратную связь для улучшения.

Что говорят исследования:

Исследование «Computers are Social Actors» показало, что люди склонны применять к компьютерам социальные нормы, но при этом часто забывают, что для эффективного взаимодействия нужна обратная связь. В социальном мире, если коллега не понял задачу, мы ему объясняем. С ИИ происходит то же самое, но сотрудники редко имеют инструменты или мотивацию давать системе такую «обратную связь» — помечать ложные срабатывания, корректировать зоны детекции.

Ошибка 5: Эмоциональное отторжение и персонификация ошибок

В чем суть: «Эта глупая система опять сработала из-за кошки!» — типичная фраза, демонстрирующая, что человек бессознательно приписывает ИИ злой умысел или глупость. Ошибка алгоритма воспринимается не как технический сбой, а как личная «выходка» неодушевленного объекта, что вызывает раздражение и ведет к полному отказу от взаимодействия.

Что говорят исследования:

Это прямое следствие выводов «Computers are Social Actors». Авторы доказали, что люди автоматически и бессознательно применяют социальные правила к компьютерам, которые демонстрируют даже минимальные социальные сигналы (голос, использование языка). ИИ-видеонаблюдение, которое «кричит» тревогой (аудиосигнал) или выдает текстовое описание события («обнаружено проникновение»), получает в сознании пользователя статус одушевленного. Поэтому его ошибки вызывают не рациональное желание исправить настройку, а эмоциональную реакцию, как на некомпетентного или вредного коллегу.

Пример из области видеонаблюдения: Система громко оповещает о «нарушении периметра» каждый раз, когда ветер раскачивает ветку дерева, попадающую в зону детекции. Оператор, вместо того чтобы логически пересмотреть настройку «маски» на эту зону (исключить ветку), начинает ненавидеть «истерику» и «глупость», иногда в порыве отключая звуковые оповещения вообще, что сводит на нет одну из ключевых функций безопасности.

Какой общий вывод можно сделать? Эти пять ошибок — не отдельные недостатки персонала, а симптомы системной проблемы в подготовке и управлении. Они показывают, что компания не смогла создать среду, в которой сотрудник понимает природу ИИ, обучен с ним взаимодействовать и мотивирован на это взаимодействие. Следующий шаг — понять, как избежать ошибок и построить такую среду.

Как избежать этих ошибок: инструкция для руководителя

Смените подход с «внедрения» на «внедрение и обучение». Выделите до 30-40% бюджета проекта (как это делают «успешные компании» по данным Wharton) не на технологию, а на обучение команды. Объясняйте не только как нажимать кнопки, но и как устроен ИИ, почему он может ошибаться и как эти ошибки исправить. Это поможет убрать страх и некий “мистический ореол” вокруг работы искусственного интеллекта, превращая сотрудников из пассивных пользователей в понимающих операторов.

Внедряйте поэтапно. Запускайте пилот на одном объекте или с одной функцией (например, только подсчет посетителей). Установите реалистичный KPI не на «100% точность с понедельника», а на «снижение ложных срабатываний на 15% за первый месяц через дообучение модели». Это поможет бороться с «синдромом мгновенного результата».

Создайте подход с регулярной обратной связью «человек → ИИ». Внедрите простой процесс, где оператор может в один клик пометить ложное срабатывание или указать на пропущенное событие. Эта обратная связь должна не просто фиксироваться, а использоваться для периодической тонкой настройки системы. Что дает сотруднику ощущение контроля и инструмент для «диалога» с ИИ, нейтрализуя эмоциональное отторжение.

Проектируйте гибридные процессы, а не полную замену. Четко пропишите в регламентах: ИИ делает предварительный анализ и фильтрацию (охватывает 100% потока видео), а человек делает окончательную верификацию и принимает решение (работает с 1-5% отфильтрованных системой событий). Это развенчивает миф о полной «объективности» алгоритма и сохраняет критический контроль, человека за происходящим, о необходимости которого говорят данные опроса Ada Lovelace Institute.

Ищите и поощряйте «агентов цифровой трансформации». Ваша цель — не переучить всех, а найти в команде или при подборе людей с правильным складом ума: любознательных, терпеливых, склонных анализировать. Именно они станут агентами изменений и связующим звеном между технологией и коллективом. Инвестируйте в их развитие.

Заключение

История с ИИ-видеонаблюдением повторяет судьбу многих прорывных технологий: главным барьером на пути оказывается не сложность алгоритмов, а глубина человеческих привычек, страхов и когнитивных искажений. Исследования от Уортона до Стэнфорда сходятся в одном — успех определяет человеческий фактор.

Будущее эффективной безопасности и аналитики принадлежит не тем, кто купит самое дорогое «железо», а тем, кто сможет инвестировать в симбиоз человеческого и искусственного интеллекта.

Это означает, что нужно искать и растить терпеливых стратегов, любознательных аналитиков и ответственных операторов, которые не будут ни слепо верить машине, ни яростно ее отвергать, а смогут грамотно ей управлять, учить и учиться у нее. В этом и заключается новый, критически важный навык XXI века: способность к содержательному альянсу с технологиями и ИИ.

Реклама ООО «ДССЛ-Первый». ИНН 7701081730. Erid 2VtzqwMQ4NQ