Исследование MIT «STATE OF AI IN BUSINESS 2025» показывает парадоксальную картину: при инвестициях в $30-40 млрд в корпоративный ИИ, 95% организаций не получают никакой измеримой отдачи. Лишь 5 % компаний извлекают серьёзный профит из своих ИИ-инициатив. Это разрыв настолько кардинальный, что исследователи придумали для него специальный термин — GenAI Divide. Разбираемся, почему большинство проектов проваливается и что отличает компании, которые преуспели в этом направлении.
Масштаб проблемы: миллиарды впустую
Данные MIT основаны на анализе более 300 публичных ИИ-внедрений, интервью с представителями 52 организаций и опросе 153 топ-менеджеров. Картина удручающая: несмотря на широкое внедрение инструментов вроде ChatGPT (80 % организаций их изучали, 40 % внедрили), эти решения в основном повышают индивидуальную продуктивность, но не влияют на финансовые показатели компаний.
С корпоративными ИИ-решениями ситуация ещё хуже: 60 % организаций оценивали их, но только 20 % запустили пилоты, и лишь 5 % довели до продакшена. Основные причины неудач — хрупкие алгоритмы, отсутствие контекстного обучения и несоответствие повседневным рабочим процессам.
Российская специфика: похожие проблемы, свои решения
В России ситуация развивается по схожему сценарию. По данным исследований, 39 % крупных российских компаний уже внедрили ИИ в бизнес-процессы, а рынок ИИ в стране оценивают в $2,1 млрд с ростом 45 % в год. Однако российские компании сталкиваются с теми же фундаментальными проблемами: 51 % организаций признают, что их ИТ-инфраструктура не готова к внедрению ИИ.
Особенно интересна российская статистика по секторам. В отличие от многих других стран, где только технологические и медиа-компании показывают структурные изменения от внедрения ИИ, в России активно внедряют ИИ также производственные компании, банки и ритейл. Вероятно, это связано с более прагматичным подходом: российский бизнес сосредотачивается на измеримых результатах, а не на технологических экспериментах.
Главная причина неудач: проблема обучения
MIT выделяет ключевую причину провалов — learning gap, разрыв в обучении. Большинство ИИ-систем не сохраняют обратную связь, не адаптируются к контексту и не улучшаются со временем. Исследование показывает парадокс: пользователи, которые активно применяют условный ChatGPT для личных задач, категорически не доверяют корпоративным ИИ-решениям важные рабочие задачи.
Они ежедневно используют ИИ в личных целях, но описывают корпоративные инструменты как «хрупкие, переусложнённые или не соответствующие реальным рабочим процессам».
Один из CIO прямо заявил:
«Мы видели десятки демо в этом году. Из них, может быть, одно или два действительно полезные. Остальные — красивая обёртка или сугубо научные проекты».
Что делают правильно успешные 5 %
Компании, которые успешно преодолели GenAI Divide, следуют иной стратегии:
- Покупают, а не пытаются создавать всё своими силами. Исследование MIT показывает: стратегические партнёрства с внешними поставщиками достигают успеха в 67 % случаев, а внутренние разработки — только в 33 %. Это опровергает миф о том, что инхаус-разработка даёт конкурентное преимущество.
- Требуют глубокую кастомизацию под рабочие процессы. Компании, которые сумели поставить ИИ на службу бизнесу, оценивают инструменты не по техническим бенчмаркам, а по бизнес-результатам. Они ожидают, что системы будут интегрированы с действующими процессами и улучшаться со временем.
- Делают ставку на обучающиеся системы. 66 % руководителей ждут систем, которые учатся на обратной связи, 63% требуют сохранения контекста. Агентские ИИ-системы, которые обладают долговременной памятью и способны к итерационному обучению, отвечают этим запросам.
Где искать ROI: не там, где все ищут
Около половины ИИ-бюджетов компании тратят на продажи и маркетинг, а максимальную отдачу даёт автоматизация процессов бэк-офиса. Компании, преодолевшие GenAI Divide, получают:
- На задачах фронт-офиса: ускорение квалификации лидов на 40 %, улучшение удержания клиентов на 10 % через ИИ-персонализацию.
- На задачах бэк-офиса: экономию $2-10 млн в год на отказе от BPO (Business Process Outsoutrcing, аутсорсинга бизнес-процессов), сокращение расходов на внешнюю экспертизу на 30 %, экономию до $1 млн в год на автоматизации оценки финансовых рисков.
Важно, что эти результаты достигаются не за счёт сокращения штата, а за счёт сокращения аутсорсеров, исключения BPO-контрактов и замены дорогих консультантов внутренними ИИ-возможностями.
Практические выводы для российского бизнеса
На основе данных MIT и российской специфики можно сформулировать конкретные рекомендации:
- Если нет опыта, экспертизы и команды ИИ-разработчиков — не пытайтесь сами разработать решение с нуля, Внутренняя разработка вдвое чаще заканчивается неудачей. Ищите партнёров с опытом в вашей отрасли.
- Начинайте с локальных, но важных задач. Не пытайтесь сразу автоматизировать весь бизнес-процесс. Найдите конкретную болевую точку, где ИИ может дать быстрый измеримый результат.
- Фокусируйтесь на обучающихся системах. Если ИИ-решение не может запоминать контекст, учиться на ошибках и адаптироваться к вашим процессам — его лучше не внедрять в критически важные сценарии.
- Инвестируйте в джипитизацию бэк-офиса. Пока все тратят бюджеты на ИИ в продажах и маркетинге, реальные деньги лежат в автоматизации операционных процессов, документооборота и финансов.
- Измеряйте бизнес-результаты, а не технические метрики. Не так важно, насколько хорошо модель отвечает на тестовые вопросы. Важно, сколько времени и денег она экономит в реальных рабочих процессах.
Окно возможностей сужается
MIT предупреждает: в следующие полтора года многие компании заключат долгосрочные контракты с поставщиками ИИ, которые будет практически невозможно разорвать. Когда ИИ-система месяц за месяцем изучает особенности компании — запоминает предпочтения клиентов, учитывает нюансы процессов, адаптируется под корпоративные стандарты — смена поставщика означает потерю всех этих накопленных знаний. Поэтому компании естественным образом остаются с теми решениями, которые лучше всего «выучили» их бизнес. Те, кто сделает правильный выбор сейчас, получат долгосрочное и растущее конкурентное преимущество. Для остальных стоимость качественного рабочего решения будет лишь расти.
CIO финансовой компании с оборотом $5 млрд рассказывает:
"Мы сейчас оцениваем пять разных ИИ-решений, но возьмём то, что лучше всего учится и адаптируется к нашим специфическим процессам. Когда мы вложим ресурсы в обучение системы пониманию наших процессов, стоимость перехода на альтернативу станет слишком большой.
Время действовать
Исследование MIT ясно показывает: проблема не в качестве ИИ-технологий, а в подходе к их внедрению. Нельзя просто взять готовый ChatGPT и ожидать, что он решит бизнес-задачи. Для реального улучшения бизнес-процессов нужна серьёзная работа: анализ специфики компании, кастомизация под рабочие процессы, интеграция с существующими системами и создание обучающихся ИИ-решений.
Те, кто понимает это различие и действует сейчас, имеют шанс оказаться среди успешных 5 %. Остальные рискуют потратить миллионы на эксперименты, которые никогда не окупятся. Время технологических экспериментов закончилось. Настало время бизнес-результатов.
→ Подпишитесь на наш телеграм-канал ←
