AI і консалтинг · Енергетика та інжиніринг
AI в консалтингу: зібрати дані легше, ніж правильно їх інтерпретувати
Клієнти дедалі частіше кажуть нам прямо або натякають, що багато чого тепер можна зробити самим, за допомогою AI. Це правда. Але питання не в тому, чи користуватися AI, а в тому, як використати цей інструмент так, щоб отримати якісний результат, правильну структуру відповідей і дані, яким можна довіряти.
Коротко
AI в консалтингу дає швидкий і корисний попередній ресерч. Для початкового розуміння ринку звичайних моделей достатньо. Але будувати стратегію лише на даних, які зібрала модель, ризиковано: AI не знає вашого бізнесу, не несе ваших ризиків і часто помиляється не стільки у фактах, скільки в їх інтерпретації.
Тому ключові навички сьогодні такі: розуміти, що саме означають дані, правильно їх інтерпретувати, перевіряти і валідувати. А в B2B вирішальними залишаються люди і відносини між ними.
Чи може компанія побудувати стратегію виключно на даних, зібраних за допомогою AI?
Почати з AI можна і варто. Але дані, зібрані моделлю, без перевірки та інтерпретації рідко стають надійною основою для стратегії.
Попередній ресерч з AI корисний: за годину ви отримуєте загальну картину ринку, перелік гравців, основні регуляторні рамки. Для початкового розуміння цього достатньо навіть тоді, коли ви користуєтеся звичайними загальнодоступними моделями.
Проблеми починаються, коли цю картину сприймають як основу для рішень. Відповідь моделі складена з того, що вже опубліковано, і усереднена до рівня, на якому вона правильна для всіх і ні для кого конкретно. Модель не знає вашого бізнесу, не бачить вашої економіки і, що найважливіше, не несе ваших ризиків. Якщо висновок виявиться хибним, гроші, час і репутацію втрачає компанія, а не інструмент.
Щоб AI дав якісний результат, його треба правильно використовувати: розуміти структуру галузі, ставити задачу у правильній формі, вимагати від моделі структурованої відповіді і потім цю відповідь перевіряти. Без розуміння того, з чого складається інформація і як досягається практичний результат, опиратися лише на дані, які зібрала модель, ризиковано.
Що AI реально змінив у роботі консультантів?
Найбільша зміна в роботі з даними: їх стало можливо структурувати й аналізувати значно швидше і глибше.
Ми, як і багато консультантів, почали працювати з більш структурованими даними. Власні дані або дані, які клієнт надає для аналізу, сьогодні можна опрацювати за дні, а не за тижні: звести різні джерела, побачити закономірності, перевірити гіпотези на більшому обсязі інформації. Це суттєво підняло рівень того, що можна зробити в межах одного проєкту.
Це збігається з тим, що фіксують дослідники. У роботі Університету Мюнстера 2026 року консультанти описують AI насамперед як засіб автоматизувати обробку й аналіз інформації, який звільняє час для роботи з клієнтом і складних задач. Загрозою для своєї основної цінності, яка тримається на людській взаємодії, більшість із них AI не вважає.
Чому головна проблема AI не в даних, а в їх інтерпретації?
Тому що модель бачить цифру, але не бачить, як вона виникла. Без цього одна й та сама цифра може означати протилежні речі.
Енергетика та інжиніринг є напрямками, з якими ми працюємо найчастіше, і саме тут різниця між даними та їх розумінням особливо помітна. Щоб працювати з даними в цих галузях, потрібні дві речі:
- Перше: розуміти, що таке ці дані
- Хто їх рахує, що до них входить, за якими правилами вони формуються і на якому етапі ланцюжка виникають: у девелопера, EPC-підрядника, оператора мережі чи регулятора.
- Друге: правильно їх інтерпретувати
- Зрозуміти, що ця цифра означає для конкретного бізнесу на конкретному ринку. Саме на цьому етапі моделі помиляються частіше, ніж при зборі даних.
Ось приклад з польського ринку відновлюваної енергетики, який ми добре знаємо:
Джерело: звіт Prezesa URE за 2025 рік, дані ARE та Міністерства енергетики, за публікацією Gramwzielone.pl від 11.05.2026.
Кожну з цих цифр легко прочитати неправильно, і саме так їх часто читають моделі:
| Дані | Поверхнева інтерпретація | Що вони означають насправді |
|---|---|---|
| ~240 ГВт зарезервованої потужності | Величезний портфель проєктів, отже великий попит на обладнання та EPC | Значна частина цих умов належить проєктам, які можуть ніколи не бути реалізовані. Реальний попит значно менший і зосереджений у тих, хто має фінансування та дозволи |
| Кількість відмов впала з 7 817 у 2024 до 4 897 у 2025 році | Ситуація з приєднанням до мережі покращується | Відмовлена потужність при цьому стала рекордною, 107 ГВт проти 73,6 ГВт. Відмов менше, але стосуються вони більших проєктів. Мережа залишається головним вузьким місцем |
| 107 ГВт у відмовах | Ринок закритий, заходити немає сенсу | Обмеження стосується доступу до мережі, а не попиту. Для частини компаній це саме можливість: накопичувачі, гібридні рішення, комерційне приєднання |
| Правила приєднання | Опис процедури зі статей минулих років | З 30 квітня 2026 року діє нова редакція Prawa energetycznego: коротший строк дії умов приєднання, вищі витрати на процедури, контрольні етапи для проєктів. Частина «портфеля» з цієї причини зникне |
Жодна з поверхневих інтерпретацій не є вигадкою. Кожна логічно випливає з цифри. Але кожна веде до неправильного рішення: куди йти, кому продавати, скільки вкладати. Правильне прочитання значно легше знайти, коли ви розумієте структуру галузі і знаєте, які питання поставити далі: про регуляторні акти, про конкурентне середовище, про економіку проєктів у цій конкретній країні.
Чому верифікація даних важливіша за швидкість аналізу?
Бо швидкий аналіз неперевірених даних лише швидше приводить до помилки.
Верифікація, перевірка і валідація даних сьогодні не є додатковим етапом після роботи з AI. Це умова, без якої на результат цієї роботи складно спиратися в рішеннях. Кожна цифра, на якій тримається висновок, має бути зведена до першоджерела, перевірена на актуальність і, бажано, підтверджена людьми, які працюють на цьому ринку.
Навіть спеціалізовані інструменти не звільняють від цього. Передреєстроване дослідження Стенфорда, опубліковане в Journal of Empirical Legal Studies, показало, що провідні юридичні AI-сервіси давали неправильні або необґрунтовані відповіді в 17-33% випадків, хоча й рідше, ніж універсальні чат-боти. Регуляторика в енергетиці не простіша за юридичні бази даних, а змінюється частіше.
AI не знає ваш бізнес і не несе ваших ризиків. Тому відповідальність за те, які дані лягають в основу рішення, залишається на людині.
Дмитро Нечипоренко, засновник the nech
Чому в B2B вирішальною залишається людина?
Тому що B2B-угоди укладають люди з людьми, і довіра між ними не виникає з листування.
Дослідження ринку закінчується звітом, але бізнес на цьому тільки починається. Компаніям треба знайти одна одну, познайомитися і, що найважливіше, зрозуміти одна одну: як ухвалюються рішення, що для партнера важливо, де межа компромісу. Через імейли, повідомлення в LinkedIn чи месенджерах цього досягти дуже складно.
В енергетиці та інжинірингу це відчувається особливо сильно. Цикл угоди довгий, суми великі, а ризики для обох сторін вимірюються роками. В одній країні ключове рішення ухвалює технічний директор, в іншій закупівельний комітет, у третій вирішальною буде позиція банку чи інвестора проєкту. Модель може описати ці відмінності в загальних рисах. Відчути їх у конкретній розмові значно краще може людина, яка там працювала.
У бізнесі залишилося багато людського: відносини, присутність, розуміння ментальності і культурних особливостей ринків, реальний життєвий досвід. Цих елементів немає у відповіді моделі, а саме вони часто вирішують, чи буде угода.
Як AI змінює індустрію консалтингу?
Швидко і глибоко. Ми оцінюємо ці зміни як дуже позитивні.
Частина роботи, яка колись займала більшість часу консультанта, тобто пошук, збір і первинна обробка інформації, сьогодні виконується значно швидше. Це не робить консалтинг непотрібним, а змінює те, в чому полягає його цінність: у розумінні галузі, правильній інтерпретації, верифікації даних і роботі з людьми.
Для нас це означає можливість робити набагато складніші речі за коротший час і допомагати клієнтам досягати результатів у Європі швидше. Інструмент став сильнішим. Відповідальність за те, як ним користуватися, залишилася там, де й була.
Питання і відповіді
Чи можна побудувати стратегію виходу на ринок виключно на даних, зібраних за допомогою AI?
Як відправна точка такі дані корисні: для попереднього розуміння ринку звичайних моделей зазвичай достатньо. Але стратегія потребує перевірених даних і правильної інтерпретації, а саме в інтерпретації моделі помиляються часто.
Чому AI неправильно інтерпретує дані?
Модель бачить цифру, але не бачить, як вона виникла: хто її рахує, що в неї входить, які правила за нею стоять. Без розуміння структури галузі одна й та сама цифра може означати зростання попиту або вузьке місце, і модель часто обирає неправильне прочитання.
Чи можна довіряти AI в питаннях регуляторики?
Як відправній точці так, як остаточному джерелу ні. Навіть спеціалізовані юридичні AI-інструменти в дослідженні Стенфорда помилялися в 17-33% відповідей. Норму треба перевіряти в чинному тексті закону з урахуванням дати набрання чинності.
Дмитро Нечипоренко
Засновник the nech
Понад 18 років у стратегії та розвитку бізнесу в енергетиці і B2B на ринках України, Польщі, ЄС, Канади та ОАЕ. Керував розвитком бізнесу EPC-компаній у проєктах великої сонячної та традиційної енергетики, працював стратегічним директором у канадській інженерній компанії RWDI.
Джерела
- Urząd Regulacji Energetyki, звіт про діяльність Prezesa URE за 2025 рік; дані Agencji Rynku Energii та Ministerstwa Energii. За публікацією: Gramwzielone.pl, 11.05.2026.
- Magesh V., Surani F., Dahl M., Suzgun M., Manning C. D., Ho D. E. Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools. Journal of Empirical Legal Studies, 2025. arXiv:2405.20362.
- Proux C., Berger B. The Impact of AI Systems on Management Consultancy Work. Advanced Studies in Consulting Research and Digitalization, 2026. Університет Мюнстера.
