How to cut through AI hype and choose solutions with confidence

AI is exciting. Urgent, even.

AI — это увлекательно. И, пожалуй, безотлагательно.

But after working with countless companies on AI adoption in my role as a Senior Solutions Engineer, I’ve noticed a few common challenges – regardless of company size, budget, or ambition. Too often, teams jump in with the right intentions and still end up with disappointing results.

Но за годы работы с множеством компаний по внедрению AI в роли Senior Solutions Engineer я заметил несколько общих сложностей — независимо от размера компании, бюджета или амбиций. Слишком часто команды берутся за дело с правильными намерениями и всё равно получают разочаровывающие результаты.

The problem isn’t that AI doesn’t work. The problem is that AI done wrong wastes time, money, and trust – and most teams aren’t equipped to vet tools, ask the right questions, or structure implementation for success.

Проблема не в том, что AI не работает. Проблема в том, что неправильно внедрённый AI тратит впустую время, деньги и доверие — а большинство команд не готовы оценивать инструменты, задавать правильные вопросы и выстраивать внедрение так, чтобы оно было успешным.

To help support teams evaluate and deploy AI with confidence, we just released The AI Agent Blueprint. It’s a practical roadmap for a moment when everyone’s trying to figure out what comes next.

Чтобы помочь командам поддержки оценивать и внедрять AI с уверенностью, мы только что выпустили The AI Agent Blueprint. Это практическая дорожная карта для момента, когда все пытаются понять, что будет дальше.

In this post, I’ll break down my personal learnings of what companies consistently get wrong at the start of their AI journey and how to avoid those traps. Whether you’re evaluating a solution like Intercom’s Fin or just exploring the space, these are the lessons I wish every team had before they started.

В этом посте я разберу свои личные наблюдения — что компании последовательно делают не так в начале своего AI-пути и как избежать этих ловушек. Оцениваете ли вы решение вроде Intercom's Fin или просто исследуете пространство — это уроки, которые я хотел бы, чтобы каждая команда знала до старта.

Core concepts to help you vet AI solutions like an expert

Ключевые понятия, которые помогут вам оценивать AI-решения как эксперт

Before we get into the common pitfalls, let’s cover a few key concepts. You don’t need to become an engineer to thoroughly evaluate AI Agents, but you do need to understand a few foundational terms. This knowledge will help you:

Прежде чем разобрать типичные ошибки, охватим несколько ключевых понятий. Вам не нужно становиться инженером, чтобы тщательно оценивать AI-агентов, но необходимо понимать несколько базовых терминов. Это знание поможет вам:

Задавать более точные вопросы на демо. Замечать тревожные сигналы в питчах вендоров. Выбирать масштабируемые, готовые к будущему решения. Управлять внутренним согласованием и поддержкой. Уверенно принимать финальное решение.

A little technical fluency goes a long way. Keep in mind these are just a few of the many terms out there. But here are the ones I’d suggest getting comfortable with today:

Немного технической грамотности даёт многое. Учтите, что это лишь несколько из множества существующих терминов. Но вот те, с которыми я бы рекомендовал освоиться уже сегодня:

Retrieval-Augmented Generation (RAG)

Retrieval-Augmented Generation (RAG)

RAG enhances generative AI by pulling in real-time, relevant information from your company’s data sources before generating a response.

RAG усиливает генеративный AI, подтягивая в реальном времени релевантную информацию из источников данных вашей компании перед формированием ответа.

Why it matters: Most AI tools claiming to “know your business” only use pre-uploaded or static training data. RAG-based systems dynamically search live sources like help centers, product docs, or internal wikis, making them far more accurate and adaptable (assuming your data hygiene and permissions are in good shape).

Почему это важно: Большинство AI-инструментов, утверждающих, что «знают ваш бизнес», используют только заранее загруженные или статичные обучающие данные. Системы на базе RAG динамически ищут по живым источникам — справочным центрам, продуктовой документации, внутренним вики — что делает их гораздо точнее и адаптивнее (при условии, что у вас в порядке гигиена данных и права доступа).

Easy way to remember: Think of RAG as an AI assistant with an open-book exam. Instead of relying only on memory (pre-trained data), it searches for the latest, most relevant information before responding. This makes RAG especially useful for AI Agents, customer support systems, and AI-driven search engines, ensuring responses are more accurate and up to date.

Как легко запомнить: Представьте RAG как AI-ассистента, сдающего экзамен с открытой книгой. Вместо опоры только на память (предобученные данные) он ищет самую свежую и релевантную информацию перед ответом. Это делает RAG особенно полезным для AI-агентов, систем поддержки клиентов и AI-поисковиков, обеспечивая более точные и актуальные ответы.

Vector search

Векторный поиск

Vector search enables AI to match by meaning, not just keywords. It converts both the user’s question and your documentation into numerical vectors and retrieves the closest semantic match even when the phrasing differs.

Векторный поиск позволяет AI сопоставлять по смыслу, а не только по ключевым словам. Он преобразует и вопрос пользователя, и вашу документацию в числовые векторы и находит ближайшее семантическое совпадение, даже если формулировки различаются.

Why it matters: Without vector search, your AI may only work if the user phrases things “just right.” With it, users can speak naturally and still get the correct response.

Почему это важно: Без векторного поиска ваш AI может работать только при условии, что пользователь сформулирует вопрос «именно так». С ним пользователи могут говорить естественно и всё равно получать правильный ответ.

Easy way to remember it: Vector search is like finding a song by its vibe, not its title. It works by intent, not exact match – essential for intuitive AI experiences.

Как легко запомнить: Векторный поиск — это как искать песню по вайбу, а не по названию. Он работает по намерению, а не по точному совпадению — это критично для интуитивного AI-опыта.

Agentic AI

Агентный AI

Agentic AI goes beyond answering simple questions; it can initiate actions, pursue goals, and carry out multi-step tasks.

Агентный AI выходит за рамки ответов на простые вопросы; он умеет инициировать действия, преследовать цели и выполнять многошаговые задачи.

Why it matters: Most AI tools today are passive. They only respond when prompted. Agentic AI drives outcomes. For example, Intercom’s Fin is evolving to handle actions like checking order status, triggering refunds, or escalating issues, all without human involvement.

Почему это важно: Большинство сегодняшних AI-инструментов пассивны. Они отвечают только когда к ним обращаются. Агентный AI приводит к результатам. Например, Fin от Intercom развивается так, чтобы выполнять действия вроде проверки статуса заказа, инициирования возвратов или эскалации проблем — всё без участия человека.

Easy way to remember it: Agentic AI is like a rockstar project manager, not just a note-taker. It doesn’t just reply with information when simple questions are asked. It plans, acts, and follows through to get the job done.

Как легко запомнить: Агентный AI — это как звёздный проект-менеджер, а не просто стенографист. Он не просто отвечает информацией на простые вопросы. Он планирует, действует и доводит дело до конца.

MCP (Model Context Protocol) Server / Client

MCP (Model Context Protocol) Server / Client

MCP is an emerging approach for managing AI agents at scale. It involves three core components:

MCP — это новый подход к управлению AI-агентами в масштабе. Он включает три ключевых компонента:

Модель (сама AI-система). Контекст (к каким данным и информации она имеет доступ). Протокол (правила, по которым она общается с другими инструментами и данными).

Why it matters: As AI gets embedded across your organization, centralized governance becomes critical. MCP ensures agents act within rules, respect permissions, and scale responsibly – without needing to hard-code logic into every use case.

Почему это важно: По мере того как AI встраивается во все процессы организации, централизованное управление становится критичным. MCP гарантирует, что агенты действуют в рамках правил, уважают права доступа и масштабируются ответственно — без необходимости хардкодить логику в каждый сценарий.

Easy way to remember it: Think of MCP as a control tower for your AI agents. It manages what they know, what data they can use, and what boundaries they stay within.

Как легко запомнить: Представьте MCP как диспетчерскую вышку для ваших AI-агентов. Она управляет тем, что они знают, какими данными они могут пользоваться и в каких границах остаются.

Understanding concepts matter because they help you ask better questions and spot red flags during vendor evaluations. But understanding terminology alone isn’t enough.

Понимание понятий важно, потому что оно помогает задавать лучшие вопросы и замечать тревожные сигналы при оценке вендоров. Но одной терминологии недостаточно.

Common mistakes I see teams make

Типичные ошибки, которые я наблюдаю у команд

Here are five mistakes I see even well-informed teams make, and some advice on how to avoid them.

Вот пять ошибок, которые я вижу даже у хорошо подготовленных команд, и советы, как их избежать.

Mistake #1: Treating all AI tools the same

Ошибка №1: считать все AI-инструменты одинаковыми

The AI space is moving fast. It’s a constantly evolving landscape and full of buzzwords, which can create confusion. I often see teams treat “chatbots” and AI Agents as interchangeable, without realizing there’s a massive difference between things like:

Пространство AI движется быстро. Это постоянно меняющийся ландшафт, полный модных словечек, что вызывает путаницу. Я часто вижу, что команды считают «чат-ботов» и AI-агентов взаимозаменяемыми, не понимая огромной разницы между такими вещами, как:

Унаследованный бот на правилах с приклеенной сверху генеративной обёрткой. Настоящая агентная AI-система, которая выполняет действия, учится из контекста и масштабируется вместе с вашим бизнесом.

If you don’t understand core terms like RAG, MCP, or the differences between LLMs and agentic AI, it’s nearly impossible to ask the right questions during your evaluation process. I’ve heard of too many teams buying solutions that are outdated or require heavy upkeep after deployment. Educating your team on the fundamentals gives you the confidence to separate real capability from flashy demos.

Если вы не понимаете базовые термины вроде RAG, MCP или различий между LLM и агентным AI, практически невозможно задавать правильные вопросы в процессе оценки. Я слышал о слишком многих командах, которые покупали устаревшие решения или такие, что требуют тяжёлого сопровождения после внедрения. Обучение команды основам даёт уверенность отделять реальные возможности от эффектных демо.

Mistake #2: Assuming you can build it in-house

Ошибка №2: считать, что можно построить in-house

There’s a real cost and complexity of building AI Agents internally – orchestration, retrieval systems, prompt chaining, governance, and more. It’s not just a weekend project. It’s a long-term infrastructure investment. And for most companies, it quickly becomes a distraction rather than a differentiator.

Существуют реальные затраты и сложность создания AI-агентов внутри компании — оркестрация, системы поиска, цепочки промптов, governance и многое другое. Это не проект выходного дня. Это долгосрочная инвестиция в инфраструктуру. И для большинства компаний это быстро становится отвлечением, а не источником дифференциации.

Many teams assume building their own AI Agent will be faster, cheaper, or more flexible than buying. On paper, it sounds reasonable – especially if you’ve got a strong engineering team, access to top-tier models, and a healthy budget. But in practice, that path is much harder than it looks.

Многие команды предполагают, что построить собственного AI-агента будет быстрее, дешевле или гибче, чем купить. На бумаге это звучит разумно — особенно если у вас сильная инженерная команда, доступ к топовым моделям и здоровый бюджет. Но на практике этот путь гораздо труднее, чем кажется.

I laugh as I write this because I’ve been there myself. Over the past few years, I’ve built a handful of AI apps in my free time. At first, it was thrilling. The early wins came fast, and the possibilities felt endless. But it didn’t take long for reality to hit: shipping something truly polished – even at a tiny scale – required far more time, infrastructure, and expertise than I had imagined.

Смеюсь, пока пишу это, потому что сам через это проходил. За последние несколько лет я в свободное время построил несколько AI-приложений. Сначала это было захватывающе. Первые победы пришли быстро, и возможности казались бесконечными. Но довольно скоро накатила реальность: чтобы выпустить что-то по-настоящему отполированное — даже в крошечном масштабе — требовалось куда больше времени, инфраструктуры и экспертизы, чем я представлял.

At a company level, those challenges only grow. Building an AI Agent from scratch means committing to:

На уровне компании эти сложности только растут. Построить AI-агента с нуля означает взять на себя обязательства по:

Чанкингу данных, эмбеддингам и настройке релевантности. Цепочкам промптов, управлению контекстом и снижению галлюцинаций. Архитектуре поиска в реальном времени и RAG-пайплайнам. Файн-тюнингу, обновлению моделей и fallback-оркестрации. Безопасности, правам доступа, аудит-логам, AI governance… и многому другому!

Even top tier, well-resourced companies often end up circling back to buying after burning time, money, and momentum. The true cost of building isn’t just engineering – it’s also maintenance and velocity. Successful and innovative teams stick to their areas of expertise and bring in experts for the rest.

Даже компании высшего эшелона с большими ресурсами часто возвращаются к покупке, потратив время, деньги и темп. Истинная стоимость строительства — это не только инжиниринг, но и поддержка и скорость движения. Успешные и инновационные команды держатся своих сильных сторон и привлекают экспертов для остального.

Mistake #3: Betting on the wrong vendor

Ошибка №3: ставить не на того вендора

I’ve seen many teams focus too narrowly on what a product looks like during the sales process – or assume the vendor will “figure it out later.”

Я видел много команд, которые слишком узко фокусировались на том, как выглядит продукт в процессе продажи — или предполагали, что вендор «разберётся позже».

That’s a risky bet in a space that’s changing this quickly. The result is often a tool that can’t keep up, requires constant hand-holding, or becomes too rigid to scale.

Это рискованная ставка в пространстве, которое меняется так быстро. Результат — часто инструмент, который не успевает за изменениями, требует постоянного ручного сопровождения или становится слишком жёстким для масштабирования.

The best vendors continue to learn, evolve their tools, and drive more value over time. They are also constantly testing and releasing new features.

Лучшие вендоры продолжают учиться, развивать свои инструменты и создавать всё больше ценности со временем. Они также постоянно тестируют и выпускают новые функции.

When evaluating vendors, ask:

При оценке вендоров спрашивайте:

Вкладывает ли вендор значимые ресурсы в AI R&D? Есть ли у их команды чёткая дорожная карта улучшений? Может ли эта система адаптироваться под ваши процессы без инженерной поддержки на каждом шаге? Сколько потребуется постоянного сопровождения?

These questions separate vendors building for tomorrow from those selling yesterday’s technology. The AI landscape moves fast – you want a partner who’s staying ahead of it, not catching up to it.

Эти вопросы отделяют вендоров, строящих для завтрашнего дня, от тех, кто продаёт вчерашние технологии. AI-ландшафт движется быстро — вам нужен партнёр, который опережает его, а не догоняет.

Mistake #4: Ignoring your internal foundation

Ошибка №4: игнорировать внутренний фундамент

Now let’s assume you’ve chosen a vendor you feel confident in. But did you know even the best AI Agents need proper fuel? Your content is actually one of the most overlooked success factors.

Теперь предположим, что вы выбрали вендора, в котором уверены. Но знаете ли вы, что даже лучшим AI-агентам нужно подходящее топливо? Ваш контент — фактически один из самых недооценённых факторов успеха.

Even with the right solution in place, they’re often disappointed by lackluster results – not because the AI isn’t capable, but because it doesn’t have enough high-quality material to work with. If your content is outdated, inconsistent, or hard to parse, the AI will struggle. Garbage in, garbage out.

Даже с правильным решением команды часто разочарованы посредственными результатами — не потому, что AI не способен, а потому, что у него недостаточно качественного материала для работы. Если ваш контент устарел, непоследователен или плохо парсится, AI будет буксовать. Мусор на входе — мусор на выходе.

I’ve seen teams buy best-in-class AI and still get stuck because they hadn’t invested in the inputs that make it powerful:

Я видел команды, которые покупали AI лучшего класса и всё равно застревали, потому что не инвестировали во входные данные, которые делают его мощным:

Хорошо структурированный справочный центр. Чёткая, подробная документация. Прозрачность внутренних процессов (для штук вроде внутренних AI/copilot). Надёжные API.

The good news? You don’t need to overhaul everything on day one. But clean and accessible content makes a world of difference.

Хорошая новость? Не нужно переделывать всё в первый же день. Но чистый и доступный контент даёт огромную разницу.

Mistake #5: Expecting instant, perfect resolution rates

Ошибка №5: ожидать мгновенных идеальных показателей разрешения

Another major misconception is expecting AI to resolve 100% of support conversations right out of the gate. In reality, no AI tool starts at perfection – and your team needs a clear understanding of how resolution rate works to set the right expectations.

Ещё одно крупное заблуждение — ожидать, что AI с самого старта будет решать 100% обращений в поддержку. На самом деле ни один AI-инструмент не стартует с идеала — и вашей команде нужно чётко понимать, как работает resolution rate, чтобы задать правильные ожидания.

For context, Fin typically resolves over 65% of support questions out of the box, with minimal training needed, and continues to improve month-over-month. But what makes a great AI implementation is not just where you start, but how you optimize over time. Things like improving content and identifying automation gaps all help drive resolution rate up over time.

Для контекста: Fin обычно решает более 65% вопросов поддержки из коробки при минимальном обучении и продолжает улучшаться от месяца к месяцу. Но отличное AI-внедрение определяется не тем, где вы стартуете, а тем, как вы оптимизируете со временем. Такие вещи, как улучшение контента и выявление пробелов в автоматизации, помогают поднимать resolution rate со временем.

And if you’re not tracking your current resolution rate today or don’t fully understand how your vendor defines it, you’ll struggle to see and gain value. My advice is to establish a baseline, set realistic targets, and measure consistently. Smart teams see resolution rate as a growth metric, not a fixed score.

И если вы сегодня не отслеживаете свой текущий resolution rate или не до конца понимаете, как его определяет ваш вендор, вам будет сложно увидеть и получить ценность. Мой совет — установить базовую линию, задать реалистичные цели и измерять последовательно. Умные команды видят resolution rate как метрику роста, а не как фиксированную оценку.

Final thoughts

Заключительные мысли

In my experience, companies that succeed with AI don’t just adopt tools – they implement futureproof systems that connect knowledge, workflows, and decision-making to drive real business outcomes.

По моему опыту, компании, которые добиваются успеха с AI, не просто принимают на вооружение инструменты — они внедряют готовые к будущему системы, связывающие знания, рабочие процессы и принятие решений для достижения реальных бизнес-результатов.

Они не строят всё с нуля. Они не ведутся на эффектные демо устаревших технологий. Они работают с вендорами, которые уже строят то, что будет дальше.

So, if your team is exploring AI, whether you’re just starting or reconsidering your current stack, my advice is simple: start with the concepts and lessons outlined here, use them to evaluate your options, and choose partners who are building what’s next – not just what’s trendy.

Итак, если ваша команда исследует AI — только начинаете вы или пересматриваете текущий стек — мой совет прост: начните с концепций и уроков, изложенных здесь, используйте их для оценки вариантов и выбирайте партнёров, которые строят то, что будет дальше, а не просто то, что в тренде.

And if you’re looking for a broader strategic roadmap to guide that journey, The AI Agent Blueprint is a great place to dive deeper. It lays out how to go from launching an AI Agent to building successful systems that scale and drive real business value.

А если вы ищете более широкую стратегическую дорожную карту, чтобы вести вас по этому пути, The AI Agent Blueprint — отличное место, чтобы углубиться. Там расписано, как пройти путь от запуска AI-агента к построению успешных масштабируемых систем, дающих реальную бизнес-ценность.

Because AI isn’t just a trend. It’s a capability your business will depend on. And when done right, it can be your most powerful teammate.

Потому что AI — это не просто тренд. Это способность, от которой будет зависеть ваш бизнес. И при правильном подходе он может стать вашим самым мощным напарником по команде.