Трагические ошибки при выборе системы видеоаналитики: как видеонаблюдение маскируют под «ИИ»

Эта статья родилась не из желания “поругаться с рынком”, а из нескольких десятков кулуарных разговоров на профильных конференциях — и из проектов, где мы подключались уже после того, как деньги потрачены, сроки сгорели, а виноватым назначили самого удобного человека.

Это мой крик души, когда я вижу, как подменяют понятия: “у нас видеонаблюдение” превращают в “у нас видеоаналитика”, а маркетинг становится настолько смелым, что иногда последствия у клиента — не только финансовые, но и уголовные.

Почему так происходит? Потому что заказчик часто не обязан разбираться в нюансах. А вот продавец — обязан. И когда производитель классического видеонаблюдения (даже сильный и заслуженный в своей нише) начинает “доклеивать интеллект скотчем”, рождается ложное ожидание: мол, камеры сами всё поймут, самообучатся, и вообще это почти как у больших игроков AI.

Спойлер: нет. Это часто как поставить на машину дополнительные колёса “для улучшения езды” — добавится вес, усложнится управление, а ехать лучше не станет.

Ниже — пять кейсов, которые особенно хорошо показывают, чем заканчивается подмена “видеонаблюдение ≠ видеоаналитика”.

Кейс 1. «Самообучение, которое случится… ровно после окончания гарантии»

Ситуация: службе физической безопасности в индустрии гостеприимства нужно детектировать людей, пересекающих забор.

Что продали: известная компания «А» вместе со своей системой видеонаблюдения продала “нейросетевую видеоаналитику”. На практике — детекторы сторонние/из интернета, своего постоянного R&D по аналитике нет, концепция “коробка без дообучения”.

Кульминация маркетинга: менеджер по продажам и внедренец, не моргнув, рассказали байку: «детекторы самообучающиеся — подождите год, и они научатся отличать человека от коряги».

Заказчик честно ждёт полгода и верит, что чудо произойдёт как раз к тому моменту, когда закончится гарантийная поддержка по договору.

Что здесь реально сломано:

• “самообучение на объекте” без постановки процесса разметки, дообучения и валидации — это миф, а не план;
• ожидания клиента привязаны к сроку, а не к измеримым метрикам качества;
• виновата в итоге будет не конкретная компания, а “вся видеоаналитика” как класс.

Итог: разочарование в технологии + токсичный шлейф на рынок.

Кейс 2. «Умные камеры, дешёвые лицензии — и год потерян: как похоронить проект ОТиТБ»

Ситуация: служба ОТиТБ крупной добывающей компании — мы провели пресейл, референс понравился, бюджет заложили.

Что произошло дальше: заказчик пропал и появился через год. Оказалось, что вместо специализированной системы видеоаналитики внедрили систему видеонаблюдения компании «А» (сильный стандарт в области видеонаблюдения, вопросов нет).

Как продали: компания-партнёр компании «А» и пресейл вендора «А» “убедили не тратиться” на отдельную аналитику, а купить:

• “умные камеры”
• “недорогие лицензии на видеоаналитику”

Почему не взлетело:

• “умные камеры” не вытянули детектирование событий на нужной точности;
• набор детекторов у вендора оказался скромным;
• партнёр пытался дообучать через фрилансеров: что-то получилось, что-то нет (как обычно);
• дальше прозвучал убийственный вердикт: «то, что вы хотите, на нейросетях не сделать; нужны большие датасеты; технология ограниченная».

То есть проблему реализации продали как “ограничение технологии”.

Жёсткий факт:

успех видеоаналитики чаще упирается в современные архитектуры + процессы MLOps + датасеты (часто гигантские), именно по этому – важно работать со специализированной компанией и вендором, а не со специалистами купи-продай, на работы пригласи студентов.

Финал: потрачен бюджет на камеры и лицензии, сервера под полноценную аналитику не купили, модернизировать “умные камеры” до актуальных сетей невозможно — и заказчик приходит “спасать проект” уже с плохими вводными.

Кейс 3. «Вендор сказал “поставим в план на 2026”, а крайним стал заказчик»

Ситуация: небольшая производственная компания хочет автоматизировать контроль попадания людей в опасные зоны. Выбрали систему видеонаблюдения производителя «Б».

Что пошло не так:

• Кастомизация интерфейса/отчётов.

Вендор отказался: «поставим в план разработки на 2026 год; ускорим только если будет ещё несколько таких запросов».

То есть клиент покупает “решение”, но не получает инструмент под свой процесс.

• Логика попадания в опасную зону — примитивная.

Детект человека ещё как-то работает. А “попадание в зону” считалось по попаданию середины bounding box в нарисованную область. Камеры стоят под углом (не в надир) — значит, геометрия врёт, срабатывания некорректные.

• Некому чинить.

У вендора нет полноценного data science подразделения; детектор/алгоритм сделали временные сотрудники несколько лет назад. Доработка невозможна, кроме “поставьте камеры в надир”.

И как это обычно подают:

вендор не признаёт ошибку, давит на дозакупку камер и аргументирует “мы ведущая компания видеонаблюдения, так у всех работает”.

Финал: проект закрыт как неудачный, ответственного со стороны функционального заказчика увольняют.

Кейс 4. «Секретное подразделение, “невероятные разработки” и тень УК: как сказка превращается в протокол»

Ситуация: государственная компания из ВПК внедряет комплекс ОТиТБ, включая видеоаналитику.

Что произошло: генподрядчик отклонил наше предложение как “дорогое” и выбрал популярного за Уралом производителя промышленного видеонаблюдения — компанию «Г».

Как продавали: в материалах заявляли “есть подразделение по нейросетям, но оно засекречено, потому что ВПК”, рассказывали о “невероятных разработках”. При этом в рекламном ролике на экране можно было заметить использование алгоритмов семейства YOLO.

Чем закончилось: часть проекта по видеоаналитике завалили, и в какой-то момент у участников истории замаячил риск юридических последствий. Сейчас, по ощущениям, с отставанием ~1,5 года пытаются реализовать обещанное.

Кейс 5. «100 детекторов по цене кофе: почему “дешево” почти всегда значит “не будет работать”

Этот кейс — один из самых коварных, потому что формально… никто не соврал.

Компания «Д» активно продвигает свою видеоаналитику через сайт. На главной — красивая цифра: “более ХХХ детекторов”. Ниже — аккуратная таблица: название детектора, краткое описание и цена. Цена, надо признать, смешная — буквально пара тысяч рублей за детектор.

Заказчик смотрит и думает:

«Ну отлично. Всё есть, всё дёшево, зачем платить больше?»

Покупает детектор. Подключает. Запускает.

И… он не работает. То есть формально — работает, но ровно настолько, чтобы на него нельзя было положиться в реальном процессе.

Начинаются вопросы. И тут выясняется интересная деталь:

на сайте, оказывается, есть документация. Подробная. С нюансами. Мелким, плотным шрифтом. Читать её никто, разумеется, не стал — особенно после разговора с продавцом в духе «да у нас всё есть, берите, потом настроите».

А в документации написано, что:

• детектор работает строго при определённом ракурсе камеры;
• при конкретном освещении;
• при конкретном расположении объекта в кадре.

Например:

детектор человека и СИЗ корректно работает только если человек полностью виден в кадре и находится в вертикальной позе.

Человек сел — система его не видит.

Нагнулся — не видит.

Часть тела перекрыта — не видит.

Формально — всё честно. Ограничения описаны.

Фактически — заказчик купил “детектор”, ожидая инструмент, а получил алгоритм для лабораторных условий.

И дальше начинается классическая история:

• продавец говорит: «ну вы же документацию не читали»;
• заказчик чувствует себя обманутым;
• технология снова получает репутацию “сырая, не работает”;
• виноватых нет.

Хотя корень проблемы всё тот же:

видеоаналитика — это не каталог плагинов, где можно докупить “ещё один детектор” и получить новый бизнес-процесс.

Что объединяет все эти истории

Если отбросить названия компаний и отрасли, во всех кейсах повторяется одна и та же логика:

Видеоаналитику продают как:

• набор галочек,
• список детекторов,
• дешёвую надстройку над видеонаблюдением.

А заказчик покупает это как:

• готовое решение задачи,
• замену ручного контроля,
• инструмент, на который можно положиться в инциденте, проверке или, не дай бог, расследовании.

Между этими ожиданиями — пропасть. И её не закрывают ни “20 лет на рынке видеонаблюдения”, ни слово “нейросеть” в презентации, ни особенно — низкая цена.

Что объединяет эти кейсы (и где вас разводят чаще всего)

Повторяющийся сценарий:

• обещают то, чего нет сейчас, в надежде “разработать по ходу проекта”;
• продают “коробку” без процесса данных и дообучения;
• называют ограничения реализации “ограничениями технологии”;
• прикрываются статусом “мы лидер видеонаблюдения 20 лет” — как будто это автоматически делает их лидером в видеоаналитике.

Отдельная боль — студенческие стартапы с MVP: они искренне верят, что доведут продукт до тиража на проектах заказчика “за еду”. В РФ венчурного топлива часто нет — команда выгорает и возвращается в найм, а заказчик остаётся с неподдерживаемой системой.

Как не попасться: короткий чек-лист проверки до закупки

Если хотите быстро отличить “видеонаблюдение с наклейкой ИИ” от видеоаналитики, попросите у вендора не презентацию, а ответы/артефакты:

• Метрики качества (precision/recall/F1) на ваших сценариях, а не “у нас работает”.
• План пилота: сроки, критерии приёмки, что считается успехом/провалом.
• Процесс дообучения: кто размечает, как контролируется качество разметки, как часто обновляются модели.
• Ограничения по камерам и ракурсам: что будет при наклонной камере, плохом свете, окклюзиях.
• Кто делает R&D: штат/команда, релизы моделей, история улучшений (хотя бы на уровне “что обновляли за последние 6–12 месяцев”).
• Интеграции и кастомные отчёты: сроки, стоимость, ответственность, а не “в план на 2026”.

Немного неудобной правды про пилоты

Здесь скажу вещь, которая многим не нравится, но лучше услышать её до, а не после проекта.

Никакая уважающая себя компания, профессионально занимающаяся видеоаналитикой, уже не делает бесплатные пилоты.

Почему?

Потому что пилот — это:

• работа инженеров,
• работа data science,
• разметка данных,
• настройка инфраструктуры,
• ответственность за результат.

Максимум, что сегодня можно получить бесплатно у зрелого вендора:

• прогон ваших видео и демонстрацию того, что система в принципе “видит”;
• доступ к облачной версии, куда можно подключить поток или загрузить запись;
• демонстрацию работы детекторов без обязательств, но и без обещаний результата на вашем объекте.

А вот бесплатные пилоты “под ключ” обычно предлагают:

• студенческие команды;
• компании-новички без накопленных датасетов;
• те, кто надеется “доделать продукт по ходу проекта”.

Иногда из этого действительно вырастают хорошие решения.

Но чаще — заказчик становится полигоном для обучения, а не получателем продукта.