Бизнес оказался не готов к искусственному интеллекту
В корпоративный ИИ уже вложены десятки миллиардов долларов. На этом фоне даже странно говорить о «начале пути». По данным MIT NANDA, компании вложили в генеративный ИИ $30–40 млрд, но 95% организаций пока не получают возврата. Только 5% интегрированных ИИ-пилотов дают миллионы долларов ценности. BCG рисует похожую картину. Среди более чем 1 250 исследованных компаний только 5% получают ценность от ИИ в масштабе. Еще 35% находятся в промежуточной зоне. Остальные 60% не видят существенного материального эффекта.
Только каждый двадцатый интегрированный ИИ-пилот приносит компаниям заметную ценность. Остальные чаще остаются экспериментами, презентациями и внутренними проектами без ощутимого финансового эффекта.
Технология развивается намного быстрее, чем компании успевают перестроиться под ее возможности. Gartner еще в 2024 году предупреждал, что не менее 30% GenAI-проектов будут закрыты после этапа проверки концепции к концу 2025 года. Причины совсем тривиальные: плохие данные, слабый контроль рисков, рост затрат, неясная бизнес-ценность. Чаще всего компания сама не может внятно ответить, что именно хочет изменить и как будет считать результат.
Проблема не в том, что ИИ не работает. Работает. Часто даже очень хорошо. Но не как универсальная надстройка над любой компанией. Нейросеть можно подключить сравнительно быстро. А вот встроить ее в бизнес, где данные живут в разных системах, процессы описаны наполовину, ответственность размыта, а эффект до внедрения никто не измерял, уже намного сложнее, отмечают эксперты IT-World.
Поэтому вопрос совсем не в том, готов ли искусственный интеллект к применению в компаниях. Гораздо точнее другой вопрос: готов ли сам бизнес к искусственному интеллекту?
Купили ускоритель, но оставили старую коробку передач
ИИ умеет писать, искать, считать, отвечать и подсказывать. С этим как раз все более-менее понятно. Проблема в другом: компании часто пытаются встроить ИИ в процессы, которые годами создавались для совсем другого стиля работы.
Как отмечает HBR, крупные компании уже запустили сотни пилотов, дали сотрудникам доступ к Copilot, ChatGPT и другим ассистентам. Формально все неплохо. Инструменты есть, пользователи подключены, эксперименты идут. Но трансформация буксует там, где ИИ необходимо встроить в обычный рабочий процесс.
В пилотных проектах нейросеть может за минуту подготовить черновик коммерческого предложения. В жизни же финансовые условия к нему все равно согласуют несколько руководителей, юристы и финконтроль. Нейросеть может быстро разобрать обращение клиента. Но если ответ зависит от отдела или сотрудника, который реагирует после второго напоминания, клиенту от этого не легче. Она может собрать справку для руководителя. Но если в компании три версии одного показателя и каждая считается правильной в своем подразделении, то система еще больше запутает руководство. Получается странный эффект. Сотрудник стал быстрее. Компания нет.
Мэтт Домо, один из создателей database-направления AWS, в интервью The Register говорит, что корпоративные ИИ-проекты сходят с рельсов, когда компании сосредотачиваются на технологии, а не на людях и организации. Ограничением становится не сама модель, а среда, куда ее пытаются внедрить. «Главная причина провалов в том, что бизнес, руководство, сама логика выполнения работы и принятия решений не меняются под новый способ работы», — объясняет Домо.
Нельзя все списать на «модель еще сыровата», «вендор не доработал», «рынок не созрел». Часто ИИ просто показывает, что процесс давно не проектировали заново. Его терпели, обходили, латали, переносили из старой системы в новую. А теперь пытаются еще и автоматизировать.
McKinsey отмечает, что наибольший эффект от GenAI связан не с количеством подключенных инструментов, а с переработкой рабочих процессов. Деньги появляются не там, где сотрудникам раздали новый инструмент, а там, где компания изменила то, как задача проходит путь от запроса до результата.
Среди 25 проверенных факторов именно переработка рабочих процессов сильнее всего связана с влиянием GenAI на EBIT.
Похожий вывод звучал и на AI Talks, организованным Cloud.ru. Одна из типичных причин провала ИИ-пилотов в том, что нет четкого бизнес-сценария, нет базовых метрик «до», нет модели влияния на выручку или издержки. Компания сначала пробует ИИ, а потом понимает, что не договорилась о главном. Какой процесс меняем? Кто владелец результата? Как поймем, что стало лучше?
Максим Каранкевич в дискуссии IT-World сформулировал этот запрос еще жестче: «Нам неинтересно, что где-то Сбербанк сэкономил 10%, и непонятно как это посчитали. Хотим понять, как ИИ работает у вас, здесь и сейчас». Это, пожалуй, самый здоровый вопрос к корпоративному ИИ. Не «что умеет модель», а что изменилось в конкретной работе.
Бизнес привык к длительным ИТ-внедрениям. Купили систему, настроили, перенесли данные, обучили людей, и только потом ждем эффект. С ИИ так не получается. На демонстрации он дает результат почти сразу, поэтому от него ждут такой же скорости в реальной работе. Но в реалии все упирается уже не в модель, а в компанию: в ее данные, согласования, ответственность и готовность менять процессы.
Ошибка в ожидании, что ИИ можно наложить на то, «как было», и получить быстрый эффект. Не получается. В лучшем случае добавится быстрый помощник для отдельных сотрудников. В худшем — еще один слой автоматизации поверх процесса, который давно надо было разобрать и собрать заново.
Пилот есть. Результат где?
Пилот в ИИ-проектах часто оправдывают осторожностью. И формально это правильно. Никто в здравом уме не пустит нейросеть сразу в боевой процесс, не даст ей доступ к чувствительным данным и не будет ждать, что все само заработает. Сначала надо проверить идею, риски, данные, качество результата. Но у пилота есть побочный эффект. Он позволяет компании долго не принимать решение.
Пока проект называется пилотом, всем спокойнее. Руководство видит движение. ИТ не трогает основной контур. Бизнес-подразделение пробует новое, но пока ничего не меняет в своей работе. Подрядчик получает шанс закрепиться в компании. Проектная команда собирает промежуточные результаты. Все заняты. Процесс идет. Со стороны это даже похоже на прогресс.
Harvard Business Review в своей статье отмечает именно эту ловушку. Опасны не эксперименты сами по себе. Опасно, когда они становятся заменой стратегии. Компания тестирует ИИ, собирает впечатления, показывает активность, но не связывает это с конкретным бизнес-результатом. Своего рода процесс ради процесса. А нет ничего более постоянного, чем временное, особенно если у временного есть бюджет.
В ИИ эта ловушка часто просто незаметна. Модель почти всегда может что-то продемонстрировать. Написать текст. Ответить на вопрос. Составить резюме встречи. Выглядит вполне неплохо и убедительно. Иногда даже слишком. Но для бизнеса это только отдельные фрагменты работы. Настоящий вопрос другой: что после этого изменилось в процессе, что получил бизнес?
Если пилот нельзя закрыть как неудачный или перевести в промышленное внедрение как успешный, значит, у него с самого начала не было нормальных критериев. Он не проверял гипотезу. Он просто демонстрировал технологию.
Вячеслав Тарасов, технический директор Brio Capital формулирует одну из главных ошибок: «Давайте внедрим LLM, а потом посмотрим, куда применить». По его словам, это путь в никуда. Здесь проблема даже не в конкретной модели. Проблема в порядке действий. Сначала появляется модная технология, а уже потом под нее начинают искать смысл.
К концу 2025 года не менее половины GenAI-проектов были заброшены после проверки концепции. Главные причины не в слабости моделей, а в плохих данных, слабом контроле рисков, растущих затратах и неясной бизнес-ценности.
Gartner отмечает важность базовых критериев: бизнес-ценность, данные, риски, стоимость. Именно здесь многие проверки концепции и не идут дальше. Не потому, что модель ничего не умеет. А потому, что компания не может доказать самой себе, зачем ей это решение в реальном процессе и сколько оно будет стоить после внедрения.
Пилот должен отвечать на простой вопрос: гипотеза сработала или нет. Сократили время обработки? Сняли нагрузку с операторов? Уменьшили ошибки? Ускорили подготовку документов? Если да, решение выводят в работу. Если нет, нужно просто закрывать проект. Но во многих компаниях пилот живет бесконечно. Формально проект идет. По сути, бизнес стоит на месте.
Автоматизируем бардак
ИИ плохо переносит процессы, которые держатся на привычке и понятны только тем, кто давно живет внутри компании. Так было и раньше: неразобранный процесс лучше не автоматизировать. Но с ИИ эта старая истина стала еще острее.
Пока работу делают люди, особенно которые давно работают в организации, многое можно и не замечать. Один сотрудник знает, кому написать. Другой помнит, где лежит «правильная» таблица. Третий понимает, какой пункт регламента лучше не трогать, потому что «так исторически сложилось». Формально процесс вроде бы и есть. Все же работает. Но понять его логику бывает зачастую очень сложно.
BCG отмечает, что в эпоху ИИ компаниям придется явно определить, как работает бизнес. Не только описать данные и системы, но и формализовать саму операционную модель: процессы, правила, решения, контрольные точки.
ИИ не наводит порядок сам по себе. Если процессы держатся на устных договоренностях, переписках и людях, которые «все знают», автоматизация только выводит наружу старые проблемы.
Честно описать процесс значит увидеть не только то, что работает, но и то, что давно держится на честном слове. Часто это очень неприятные открытия и встреча с суровой реальностью. Допустим, компания хочет ускорить работу с договорами. ИИ может найти рискованные формулировки, собрать краткое резюме, сравнить версии, подсказать типовые правки. Но если согласование по-прежнему идет между почтой, мессенджером, юристом, коммерческим директором и папкой «финальная_версия_2», автоматизация не спасает. Она просто быстрее производит новые версии того же бардака.
Как отмечает Григорий Старовойтов в материале IT-World, ключевым фактором успеха становится не сам ИИ, а способность встроить его в повседневную деятельность через зрелые платформы и процессы. Это, пожалуй, самый важный фильтр для корпоративного внедрения. Не «есть ли у нас нейросеть», а есть ли куда ее встроить.
Если нейросеть просто кладут поверх старой неразберихи, порядок сам собой не появится. Вместе с полезными задачами ускоряются и ошибки. Бардак тоже отлично автоматизируется. Только управлять им после этого сложнее.
Данные есть. Доверия нет
С данными у бизнеса отдельная история. Несколько лет компании уверенно говорили про data-driven, строили хранилища, дашборды, собирали «единый контур» и обещали принимать решения на основе фактов. Потом пришел ИИ, и выяснилось, что факты в компании иногда живут в разных системах и не слишком друг с другом коррелируют.
В CRM одна картина. В биллинге другая. В управленческой отчетности третья. В Excel у руководителя продаж есть еще одна версия, зато «самая правильная». Где-то данные устарели, где-то не заполнены, где-то поле используют не по назначению, где-то доступ есть только у человека, который ушел в отпуск. ИИ все это, конечно, съест. Еще и результат выдаст уверенным тоном. Вопрос только в том, насколько этому результату можно верить.
Gartner среди причин провала GenAI-проектов называет плохое качество данных наряду с ростом затрат, рисками и неясной бизнес-ценностью. Это важная деталь. Данные здесь не техническая мелочь, которую можно поправить уже в процессе.
Для ИИ данные –это сырье, топливо, карта местности и граница дозволенного одновременно.
В старой аналитике ошибка часто выглядела как ошибка. Странная цифра. Пустое поле. Отчет, который не сходится. С ИИ все сложнее. Он может додумать, сгладить противоречия и выдать галлюцинацию с нормальной логикой и грамотным обоснованием. И ошибка может легко стать рекомендацией к действию. Иногда довольно рискованному.
Именно поэтому вопрос данных быстро становится вопросом доверия. В материале IT-World участники обсуждения говорили не только о качестве моделей. Куда важнее другое: кто контролирует данные, где они хранятся, какие сведения можно отдавать ИИ и как проверять результат. Это уже вопрос безопасности, ответственности и управляемости.
Виктор Стрелков, лидер продуктовой платформы Cloud.ru, на AI Talks отметил: «Уровень дата-паранойи будет неуклонно расти. Хотим мы этого или нет, критические данные будут оставаться в контуре предприятия». Чем глубже ИИ входит в бизнес, тем меньше остается места для беспечного отношения к данным. Не все можно отправить во внешнюю модель. Не все можно показать ассистенту. Не каждый сотрудник должен видеть то, что модель способна достать из корпоративной базы.
Но безопасность только половина проблемы. Вторая, возможно, даже болезненнее: данные часто не отвечают ни на какой внятный бизнес-запрос. В материале IT-World приводится показательный пример. Интернет-магазин несколько лет разворачивал Hadoop, обогащал данные в дата-лейке, но ценных инсайтов так и не получил. Михаил Телегин, заместитель генерального директора по стратегическим проектам «ОБИТ», описал итог коротко: «Налили много данных, не знали, что с ними делать, и никаких ценных данных не получили».
Данные, собранные «на всякий случай», редко сами трансформируются в управленческий результат. ИИ может помочь найти закономерность, проверить гипотезу, ускорить поиск, подсказать риск. Но он не обязан придумывать за бизнес, какой вопрос тот вообще хотел задать, а тем более учитывать мусорность и достоверность исходных данных.
Размытая ответственность
У ИИ-проекта редко бывает один хозяин. ИТ отвечает за платформу, интеграцию и инфраструктуру. Безопасность смотрит на риски и доступы. Финансы спрашивают про отдачу. Юристы вспоминают про данные, ответственность и регуляторику. Бизнес-подразделение хочет результат, но не всегда готово менять процесс. Руководство ждет стратегический эффект, желательно без лишней боли и дополнительных затрат. Так проект легко становится ничьим.
McKinsey отмечает, что компании, которые получают больше ценности от ИИ, отличаются не только технологиями. У них сильнее вовлечены руководители, есть владельцы продукта на верхнем уровне и понятные процедуры проверки результатов модели человеком.
У успешных ИИ-проектов есть хозяин. Компании, которые получают высокий эффект от ИИ, втрое чаще имеют руководителей, лично вовлеченных в такие инициативы и отвечающих за их результат.
На практике все часто выглядит иначе. Проект называют кросс-функциональным и создают рабочую группу, назначая ответственных от нескольких направлений. ИИ без владельца похож на сложный ремонт, где дизайнер, прораб, электрик, поставщик плитки и заказчик общаются в общем чате, но никто не отвечает за то, чтобы в конце в квартире можно было жить. Каждый сделал свою часть работы. Общий результат почему-то не виден. Как в старой классике: к пуговицам претензии есть?
Нужен человек или функция, которые отвечают за итоговую ценность. Иначе ИИ останется просто технологической инициативой. Владелец ИИ-проекта не обязательно должен быть техническим экспертом. Но он должен понимать процесс, финансы, риски и пользователей. И главное, у него должно быть право менять правила работы. Зрелый ИИ-проект начинается совсем не с выбора модели, а с вопроса: кто отвечает за результат?
Цифры есть. Пользы не видно
ИИ-проекты любят счетчики. Сколько сотрудников подключили. Сколько запросов отправили ассистенту. Сколько документов он помог подготовить. Сколько обращений обработал бот. Сколько часов «потенциально сэкономили».
Проблема в том, что этими показателями часто подменяют реальный эффект. Сотрудник стал быстрее писать письмо. Бот ответил на тысячу вопросов. Разработчик быстрее получил фрагмент кода. Но что изменилось для бизнеса? Сделка закрылась быстрее? Клиент получил лучший ответ? Релиз вышел раньше? Ошибок стало меньше? Деньги сэкономили или просто добавили еще один инструмент в рабочий процесс?
В отчете The GenAI Divide отмечается, что ChatGPT и Copilot широко используются, но в основном повышают индивидуальную продуктивность, а не показатели P&L. Это важное различие.
Человек может работать быстрее. Компания от этого не обязательно становится эффективнее, точнее или устойчивее.
Григорий Бездольный в материале IT-World пишет, что бизнес уже внедряет ИИ-инструменты, но далеко не всегда может измерить их эффективность. Можно радоваться тому, что разработчики активнее используют ассистентов. Но если не изменились сроки релиза, качество кода, количество дефектов, скорость ревью или стоимость доработок, то что именно улучшилось?
Здесь появляется главный вопрос, который многие вспоминают слишком поздно: а что было «до»? Сколько времени занимала обработка обращения до ИИ? Сколько стоила одна заявка? Сколько ошибок было в договорах? Как долго готовился отчет? Сколько повторных обращений приходило в поддержку?
По результатам опроса Gartner в 2026 году, только 44% организаций используют финансовые ограничители или практики AI FinOps. То есть многие уже тратят деньги на ИИ, но не всегда заранее держат под контролем стоимость эксперимента, эксплуатации, инфраструктуры, безопасности и сопровождения.
Как отмечает Иван Иванов, директор по стратегии цифровой адаптации Альфа-Банка, «самая недооцененная метрика — время, которое AI возвращает людям». Хорошая метрика, если ее действительно считать. Где время высвободилось? На что его потратили? Что компания получила взамен?
BCG в исследовании о разрыве ценности ИИ показывает эту же проблему, но уже на уровне рынка. У небольшой группы компаний ИИ уже дает ценность в масштабе. Большинство же пока остается в зоне активности. Они тестируют, подключают, используют, но не всегда переводят это в понятный эффект.
Поэтому вопрос не в том, пользуются ли сотрудники ИИ. Пользуются. Вопрос в другом: что изменилось после этого в работе компании?
ИИ все-таки работает. Но это не волшебная таблетка
Может сложиться впечатление, что корпоративный ИИ не дает пользы. Это не так. Дает. Просто не там, где от него ждут чуда, а там, где для него уже подготовлена нормальная рабочая среда. Лучше всего ИИ чувствует себя в процессах, где много повторяемых действий, понятная логика, накопленные данные и ясная метрика результата. Контакт-центр, поддержка, разработка, обработка документов, поиск по корпоративной базе знаний, промышленная аналитика, предиктивное обслуживание. Там не надо каждый раз изобретать бизнес заново. Есть поток задач, есть история, есть ошибки, есть стоимость задержки.
Александр Крушинский, директор департамента голосовых цифровых технологий BSS, в материале IT-World отмечает: «Контакт-центр — идеальное поле для ИИ. Большие команды, рутинная работа, стандартные сценарии — здесь автоматизация ощутима сразу». И это хороший пример удачного применения. Задача достаточно конкретная: сократить нагрузку, быстрее отвечать, помогать оператору, анализировать речь, обучать сотрудников на типовых ситуациях.
Быстрый эффект получают и в разработке. Генеративный ИИ может ускорять подготовку фрагментов кода, помогать с документацией, тестами, ревью, поиском ошибок. Но и здесь работает тот же принцип: польза появляется не от самого факта ассистента, а когда компания понимает, что именно измеряет.
Но ИИ полезен не только там, где он заменяет рутину. Иногда его главная ценность в том, что он раньше замечает изменения. Мэтт Домо приводит пример SaaS-компании, которая пыталась возвращать клиентов уже после ухода. Потом выяснилось, что признаки оттока были видны заранее: пользователи реже заходили в систему, меньше работали с продуктом, иначе формулировали вопросы в чате. ИИ помог увидеть эти сигналы раньше, чем клиент отменил подписку. Это уже не просто автоматизация. Это уже попытка изменить логику работы с клиентами.
ИИ хорошо работает там, где у него есть за что зацепиться. Если процесс повторяемый, данные доступны, ошибка контролируема, а результат можно измерить, нейросеть становится удобным рабочим инструментом. Если задача сформулирована как «давайте сделаем нам что-нибудь умное», результат обычно получается такой же размытый.
ИИ не отменяет человека, а повышает требования к нему
От ИИ ждут, что он заберет рутину. Черновики, справки, письма, первичный анализ, ответы на типовые вопросы, поиск ошибок, пересказ документов. Люди наконец займутся более важными задачами, а машины возьмут на себя механическую часть. Звучит заманчиво. Но в реальной жизни все намного сложнее.
Когда сотрудник делает задачу быстрее, компания не всегда освобождает ему время. Часто она просто начинает ждать от него больше. Если раньше отчет готовился день, теперь его хотят через час. Если ассистент помогает быстрее писать код, можно быстрее переходить к следующей задаче. Если бот берет на себя часть обращений, оператору достаются более сложные случаи, где ошибка стоит дороже.
HBR описывает именно этот эффект, когда ИИ не всегда сокращает работу, чаще он ее уплотняет. Меняется темп, растут ожидания, появляется новая нагрузка. Человек теперь не просто выполняет задачу. Он ставит задачу машине, проверяет ее ответ, исправляет ошибки, добавляет контекст и отвечает за результат.
ИИ не убирает человека из процесса. Он меняет его роль, добавляет новые обязанности и повышает ожидаемую норму эффективности. Ручной работы может стать меньше, но ответственности за постановку задачи, проверку результата и последствия становится больше.
Это тоже часть зрелости бизнеса. Нельзя просто сказать сотрудникам: «Теперь у вас есть ИИ». Нужно объяснить, где границы его применения, кто проверяет результат, какие ошибки допустимы, что делать с сомнительным ответом и кто отвечает перед клиентом.
ИИ оказался более требовательным, чем от него ждали. Он не прощает грязные данные, неописанные процессы, ничейную ответственность и красивые метрики вместо результата. Он не заменяет управление. Он требует более зрелых процессов.
Там, где компания понимает свои процессы, знает свои данные, умеет считать эффект и назначать ответственных, ИИ может работать и приносить понятный бизнес-результат. Там, где этого нет, он не создает порядок. Он усиливает бардак и хаос.
Так готов ли ваш бизнес к искусственному интеллекту?