Автор: Игорь Саевец — эксперт в области ИИ и бизнеса
Вы уже слышали, что ИИ изменит всё. Вы в это поверили — и вложили деньги. А потом обнаружили, что красивое демо из переговорки так и не превратилось в измеримую прибыль в P&L-отчёте.
Вы не одни.
По данным масштабного исследования MIT (проект NANDA, «State of AI in Business 2025»), 95% корпоративных инициатив в области генеративного ИИ не приносят компаниям абсолютно никакой измеримой прибыли. Это не цифра из скептической статьи. Это вывод, который потряс индустрию — и объясняет, почему ваш ИИ-пилот всё ещё не вышел в прод.
Но есть хорошая новость. Оставшиеся 5% компаний — те, кого BCG называет «построенными для будущего» — получают в 5 раз больший рост выручки и в 3 раза большее снижение операционных затрат, чем конкуренты. И у них есть чёткая, воспроизводимая стратегия.
В этой статье я разберу: почему большинство внедрений проваливаются, какие системные ошибки за этим стоят — и как именно работают те, кто вышел в плюс.
«Разрыв GenAI»: впечатляющий рост инвестиций без роста прибыли
Вот данные, которые нужно держать в голове, прежде чем принимать любые решения по ИИ-стратегии.
Охват ИИ растёт взрывными темпами. В 2024 году около 78% организаций отчитались об активном использовании ИИ. Доля компаний, применяющих генеративный ИИ хотя бы в одной бизнес-функции, выросла более чем вдвое — с 33% в 2023 году до 71% в 2024-м. Корпоративные инвестиции в ИИ достигли рекордных 252,3 млрд долларов.
Финансовые результаты этого роста — почти нулевые на уровне предприятий. Этот феноменальный рост использования не конвертируется в улучшение маржинальности или чистой прибыли.
Вот что происходит на практике:
- Gartner прогнозирует, что к концу 2025 года 30% всех GenAI-проектов будут полностью свёрнуты после этапа прототипа. Причины: низкое качество данных, неконтролируемые затраты, отсутствие бизнес-ценности.
- По данным S&P Global Market Intelligence, доля компаний, отказавшихся от большинства ИИ-инициатив, выросла с 17% в 2024 году до 42% в 2025-м.
- Среднестатистическая организация сегодня отказывается от 46% пилотных проектов до того, как они выходят в производственную среду.
Аналитики назвали происходящее «Разрывом GenAI» (The GenAI Divide). Но что именно создаёт эту пропасть между ожиданиями и реальностью?
Ответ — в двух словах: последняя миля.
Проблема «последней мили»: где умирают все ваши ИИ-инвестиции
Представьте логистику крупного маркетплейса. Перевезти тысячу контейнеров через океан — относительно просто. А вот доставить одну коробку в запутанный жилой комплекс без домофона, где клиента нет дома — это логистический кошмар.
В ИИ происходит то же самое.
Технология — большой корабль с контейнерами — работает блестяще в лаборатории, на идеальных данных, в тестовой среде. А вот внедрение её в то, как живые люди работают каждый день — это и есть та самая последняя миля. Хаотичная, непредсказуемая, катастрофически дорогая.
Harvard Business Review выделил семь ключевых факторов структурного трения, которые формируют эту проблему.
7 причин, почему ИИ не работает в реальном бизнесе
| Фактор трения | Что происходит на практике | Цена для бизнеса |
| Избыток пилотов | Десятки несвязанных экспериментов в разных отделах | Бюджеты распылены, ни один проект не получает достаточно ресурсов |
| Разрыв продуктивности | Сэкономленные алгоритмом часы «съедает» ручной контроль | Эффект нулевой суммы: не экономишь, а перераспределяешь работу |
| Процессный долг | ИИ накладывается поверх сломанных процессов | Автоматизация хаоса — плохой процесс начинает генерировать ошибки со скоростью света |
| Проблема племенного знания | Алгоритм не знает неформальных правил и исключений | ИИ принимает формально правильные, но катастрофически неверные решения |
| Агентское управление | Нет правил: что ИИ может делать от лица компании | Компания боится давать ИИ право нажать кнопку «Отправить» — он остаётся дорогим советником |
| Архитектурная сложность | Невозможно связать LLM с ERP 20-летней давности | Интеграция затягивается на годы |
| Ловушка эффективности | ИИ используется только для сокращения людей | Саботаж сотрудников, разрушение морали, компания просто становится меньше |
Вот реальный пример — не из маркетинговой брошюры, а с профессионального форума Reddit (2025 год).
Логистическая компания внедрила «хвалёную» ИИ-систему маршрутизации мусоровозов. Вендор обещал, что алгоритм будет прокладывать маршруты лучше любого диспетчера. Система работала «неплохо» — но живому диспетчеру всё равно приходилось каждый день переделывать множество маршрутов, которые «просто не имели смысла в реальном мире». Стоимость лицензии — две годовые зарплаты опытного диспетчера. В итоге компания платила двойную цену и продолжала держать человека, который исправлял ошибки машины.
Проблема последней мили — это не вопрос «достаточно ли умён ИИ». Это вопрос: структурированы ли ваши команды и процессы так, чтобы вообще использовать этот цифровой ум?
Правило 70-20-10: где на самом деле спрятаны проблемы
Вот что большинство руководителей делают неправильно — и почему это стоит им миллионов.
BCG опросил более 1000 топ-менеджеров и сформулировал принцип, который меняет всё.
70% всех проблем при внедрении ИИ — это люди и процессы. Только 20% — технологическая инфраструктура. И лишь 10% — сами алгоритмы ИИ.
Теперь самая горькая часть. Отстающие компании тратят львиную долю бюджетов именно на эти 10%: выбирают между OpenAI и Anthropic, тестируют модели, нанимают дата-сайентистов. При этом полностью игнорируя человеческий фактор.
Почему? Потому что купить новую нейросеть — простая управленческая задача. За неё легко отчитаться перед советом директоров. А попытаться изменить то, как работает 50-летний менеджер среднего звена — это болезненно, долго и не укладывается в квартальные KPI.
Четыре зоны провала в «человеческих» 70%
1. Провал в управлении изменениями. Сотрудники сопротивляются ИИ не потому, что они ретрограды. Они боятся потерять работу, их самолюбие уязвлено, они просто не понимают своих новых обязанностей. При этом менее трети компаний обучили хотя бы четверть своей рабочей силы базовым навыкам работы с ИИ. Успешные компании инвестируют в обучение в два раза больше, чем отстающие.
2. Ошибка в перепроектировании процессов. 95% отстающих компаний берут существующий — возможно, архаичный — процесс и просто «прикручивают» к нему этап «использовать ИИ». Лидеры делают иначе: они задаются вопросом «Как должен выглядеть этот процесс, если ИИ — его органичная часть с самого начала?».
3. Отсутствие политик и барьеров. Компании внедряют инструменты без правил их использования. Результат — ИИ обучается на необъективных данных и принимает дискриминационные решения, что немедленно ведёт к судебным искам.
4. Ловушка пилота. Около 49% компаний застревают на стадии пилота навсегда. Ещё 25% «практически ничего не делают», застряв в бесконечных обсуждениях. Не имея стратегии масштабирования, они тихо сворачивают инициативы.
Смотрите на воронку внедрения: 60% компаний тестируют ИИ-инструменты → только 20% доводят до полноценного пилота → и лишь 5% успешно масштабируют на весь бизнес.
И вот что происходит с теми 5%.
Парадокс ИИ: почему производительность почти не растёт — и это нормально
Прежде чем говорить о стратегии победителей, нужно разобраться с одним парадоксом, который сбивает с толку даже опытных руководителей.
81% руководителей малого и среднего бизнеса уверены, что ИИ поможет им достичь целей. При этом реальный прирост производительности труда на уровне компаний, по данным NBER, составил в 2025 году около 2,8% — примерно 13 минут экономии в день на сотрудника.
Это катастрофически мало? Только если вы смотрите не на ту точку J-кривой.
ИИ — это не программное обеспечение. Это технология общего назначения (General Purpose Technology). Исторические аналоги — паровой двигатель, электрификация фабрик, персональный компьютер.
Вот что произошло с электричеством. Когда в начале XX века на фабриках появилось электричество, производительность поначалу не выросла вообще. Потому что владельцы просто заменили большой паровой котёл большим электромотором. Реальный рост пришёл только тогда, когда они полностью перестроили архитектуру цехов: у каждого станка появился свой маленький мотор, были изобретены конвейерные линии, тысячи рабочих переобучены.
Внедрение ИИ требует того же. Огромных нематериальных инвестиций: перепроектирования процессов, изменения организационной структуры, накопления новых компетенций. Коварство в том, что в стандартных системах бухучёта эти затраты часто списываются как убытки — что пугает инвесторов и заставляет менеджеров отказываться от трансформации.
J-кривая выглядит так:
- Фаза спада: первые месяцы и годы — производительность падает ниже привычного уровня. Старые процессы сломаны, новые ещё не работают. Сотрудники тратят время на обучение и исправление ошибок бота.
- Фаза роста: когда новые процессы синхронизируются с ИИ — производительность резко и безостановочно растёт, перекрывая все первоначальные убытки.
Исследование тысяч производственных предприятий США (2017–2021) подтвердило это эмпирически: заводы, которые пережили «провал» ранней интеграции ИИ, в итоге показали значительно более сильный рост доходов и занятости, чем те, кто побоялся инвестировать.
Большинство компаний в 2025 году находятся на дне J-кривой. Они уже вложили деньги, но ещё не прошли болезненный этап трансформации. И именно здесь одни отказываются, а другие выигрывают всё.
Стратегия 5% победителей: пять принципов, которые реально работают
Анализ компаний, которые BCG называет «построенными для будущего», выявляет чёткие, повторяющиеся паттерны. Вот они.
1. Глубина вместо ширины
Отстающие компании страдают «вирусом пилотирования»: в среднем 6,1 сценария использования ИИ одновременно в разных отделах. Лидеры концентрируются в среднем на 3,5 тщательно отобранных сценариях.
Суть не в количестве. Суть в том, чтобы выбрать одну-две критические болевые точки и внедрить технологию настолько глубоко, чтобы ИИ был намертво вшит в центральную цепочку создания стоимости — не «помогал» в браузере, а был частью основного процесса.
Как сформулировал исследователь MIT Адитья Чаллапалли: «Выбери одну болевую точку, блестяще реши её и грамотно сотрудничай с теми, кто использует результат». Ожидаемый ROI у таких компаний в 2,1 раза выше, чем у конкурентов.
2. Трансформация ядра бизнеса, а не его периферии
Большинство ИИ-бюджетов уходят на «горизонтальные» инструменты — ChatGPT для написания писем, Copilot для презентаций. Они широко применяются, но ускорение написания писем не меняет маржинальность.
По данным BCG, около 62% всей финансовой выгоды у компаний-лидеров создаётся за счёт трансформации профильных функций: в фармацевтике — ускорение R&D (27% добавленной стоимости от ИИ), в автопроме — предиктивное обслуживание (29%), в ритейле — гиперперсонализация (22%).
Лидеры используют ИИ не для сокращения людей, а как рычаг для создания новых источников дохода, которые раньше были невозможны.
3. Архитектура RAG вместо попыток построить собственную нейросеть
Одна из самых дорогостоящих ошибок — попытка обучить собственную языковую модель с нуля. Успешные компании идут другим путём.
Они внедряют RAG (Retrieval-Augmented Generation) — архитектуру, которая позволяет мощным публичным моделям безопасно обращаться к внутренним корпоративным базам знаний до генерации ответа. Алгоритм не «галлюцинирует» — он обязан ссылаться на конкретные внутренние источники.
Это решает проблему «племенного знания», устраняет риски утечки данных и радикально повышает доверие скептически настроенных сотрудников.
4. «Люди прежде всего» — не лозунг, а бюджетный принцип
Технологические лидеры жёстко следуют правилу 70-20-10 при распределении ресурсов. Они выделяют в два раза больше людей специально для сопровождения ИИ-инициатив по сравнению с конкурентами.
Ключевое отличие в менталитете: они рассматривают ИИ не как инструмент сокращения людей, а как усилитель когнитивных возможностей лучших сотрудников. Компании, использующие ИИ для прямой замены людей, неизбежно попадают в «ловушку эффективности» — саботаж, потеря морали, разрушение бренда (кейс Duolingo: после массовых увольнений переводчиков и перехода на ИИ акции рухнули, несмотря на рекордные прибыли).
5. Покупать, а не строить
Если ваш основной бизнес — не разработка ИИ, не тратьте ресурсы на создание собственных решений с нуля. Успешные компании выбирают готовые узкоспециализированные решения у нишевых вендоров, которые глубоко интегрируются в их бизнес-вертикаль.
Они полностью избегают «синдрома изобретено не здесь» (Not Invented Here). Для них ИИ — инструмент достижения бизнес-цели, а не дорогая игрушка ИТ-департамента.
Итог: где вы сейчас и что делать дальше
Если свести всё сказанное к одному выводу, он звучит так: большинство компаний тратят 90% ресурсов на 10% проблемы.
Они выбирают модели, покупают GPU, нанимают дата-сайентистов — и при этом не трогают то, что на самом деле блокирует возврат инвестиций: устаревшие процессы, неготовых людей, отсутствие чётких политик и стратегию «прикрутить ИИ сбоку».
Путь к преодолению Разрыва GenAI лежит не через покупку большего количества вычислительных мощностей. Он лежит через три вещи: дисциплину в выборе фокуса, трансформацию организационной структуры и глубокое уважение к человеческому капиталу.
95% компаний сейчас на дне J-кривой. Одни в этой точке отказываются. Другие — именно здесь — принимают решения, которые через 2–3 года определят их конкурентное преимущество на десятилетие вперёд.
Вопрос только один: в какой группе хотите оказаться вы?
Игорь Саевец — эксперт в области искусственного интеллекта и бизнеса. Помогает компаниям выстраивать стратегию внедрения ИИ, который действительно окупается. Подписывайтесь и пишите: facebook.com/igorsaevets
Источники: MIT NANDA «State of AI in Business 2025», BCG «Are You Generating Value from AI? The Widening Gap» (2025), Gartner GenAI Forecast 2025, Harvard Business Review «The Last Mile Problem Slowing AI Transformation», Stanford HAI AI Index 2025, S&P Global Market Intelligence, NBER «The Productivity J-Curve», McKinsey «The State of AI: Global Survey 2025»