В апреле 2026 года мы провели конференцию «ИИ-Трансформация», где спикеры из ведущих российских компаний разбирали, почему корпоративный ИИ буксует. Тезисы звучали разные, но сходились в одном.
С корпоративными клиентами я работаю уже несколько лет. Каждый раз, когда приходит новый с запросом «внедрите нам ИИ», первый разговор почти одинаковый. Несколько месяцев потратили на пилот: на демо всё работало, в продакшне — нет.
Цифры, которые не принято произносить вслух
Исследование MIT NANDA охватило 150 интервью с руководителями, 350 сотрудников и 300 публичных ИИ-внедрений и вынесло неудобный вердикт: 95% корпоративных ИИ-пилотов не дают измеримого эффекта на P&L. Ощутимого роста выручки достигают только 5%.
Strategy Partners выяснили, что 97% крупных российских компаний уже внедряют ИИ или планируют. При этом опрос МТС Web Services среди 700 компаний показал: формализованная ИИ-стратегия есть только у 26%.
Инвестиции при этом растут экспоненциально. Epoch AI фиксирует: капитальные расходы Alphabet, Amazon, Meta, Microsoft и Oracle выросли со $162 млрд в 2022 году до $448 млрд в 2025-м. Nvidia за 2024 год выросла по капитализации с $1.2 трлн до $3.28 трлн — почти втрое за один год.
Goldman Sachs оценивает прирост производительности от генеративного ИИ в 1.5 процентных пункта в год на горизонте десяти лет. McKinsey скромнее — 0.7% ежегодно до 2040 года. Капитализация растёт в разы, реальные эффекты пока не догоняют.
Почему проекты умирают
За несколько лет работы с 40+ корпоративными клиентами я вижу одни и те же ошибки — и каждый раз неприятно узнаваемые.
Первая и самая частая — данные, не готовые к ИИ. Запускаете модель на устаревших, неструктурированных данных — получаете устаревшие, неструктурированные ответы. На конференции мы обсуждали RAG: 70–80% проблем с качеством — это не выбор между GPT и Claude, это данные. На одном из наших проектов клиент передал базу из 12 000 документов с пометкой «актуальное». После аудита осталось 3 800. Три четверти базы выбросили без единой строчки кода, и качество retrieval выросло кратно. MIT в своём отчёте называет это «learning gap»: проблема не в качестве моделей, а в том, что инструменты не встраиваются в существующие рабочие процессы.
Вторая — безопасность, о которой думают уже после запуска. Системы разворачивают, не закладывая информационную безопасность с первого дня. Заканчивается это громко и неизбежно: незащищённые эндпоинты, промпты в открытых базах, конфиденциальные данные в публичных моделях без всяких политик. Случается инцидент — замораживают не только проблемный проект, а всё. Дорогой способ выучить то, что можно было предусмотреть заранее.
Третья история — система есть, пользователей нет. По данным совместного исследования Writer и Workplace Intelligence, опросившего 2400 сотрудников и 1200 топ-менеджеров в США, Великобритании и Европе, 29% сотрудников признались, что мешают внедрению ИИ — скрывают показатели, отказываются работать с новыми инструментами, намеренно снижают продуктивность. Среди поколения Z этот показатель доходит до 44%. Не потому что люди против прогресса — просто их не вовлекали, не объясняли зачем, не обучали.
Ещё одна системная проблема — считают стоимость лицензии, но не считают стоимость трансформации. Запрашивают КП у вендора, видят цену платформы и думают, что это весь бюджет. За кадром остаются подготовка данных, безопасность, обучение людей, мониторинг, перестройка процессов. Реальное соотношение затрат примерно такое: 10% бюджета — технологии, 20% — данные и инфраструктура, 70% — люди, процессы, культура. Большинство инвестирует в обратной пропорции — и получает соответствующий результат.
И наконец — стратегия в PowerPoint вместо реальной стратегии. ИИ внедряют в отрыве от бизнес-целей, метрики успеха не определены до старта, за результат никто не отвечает. Пилот запускают, потому что «надо попробовать», а через три месяца никто не может сказать, сработало или нет, — потому что непонятно, что считать успехом.
Одна из причин, почему корпоративные ИИ-проекты буксуют, — компании используют публичные сервисы без политик безопасности и не обучают сотрудников.
Про пузырь
ИИ — не плохая технология. Это одна из самых важных технологий, которые я видел за свою карьеру. Но рынок переоценил скорость трансформации, а компании внутри него переоценили готовность своих процессов и данных.
История знает похожие сюжеты. В середине 1840-х инвестиции в британские железные дороги достигли пика: по данным FocusEconomics, на пике ажиотажа железнодорожные инвестиции составляли 7% ВВП страны — половину всех инвестиций в экономику того времени. С 1846 по 1850 год стоимость акций упала примерно на 50%, многие инвесторы, вложившие сбережения, разорились. Технология выжила и действительно изменила мир. Пузырь — нет.
Сейчас та же история в другой обёртке. Компании строят ИИ-инфраструктуру под ожидания, не подкреплённые ни реальным спросом, ни готовыми процессами. Интернет пережил крах доткомов. ИИ переживёт свой пузырь тоже. Вопрос в том, кто будет готов к моменту, когда хайп спадёт.
Что отличает тех, у кого получается
По данным того же отчёта MIT, покупка ИИ-инструментов у специализированных вендоров и партнёрства дают успех примерно в 67% случаев, тогда как внутренние разработки — только в трети. Контринтуитивно для крупных компаний, убеждённых, что «построим сами» надёжнее. Данные говорят обратное.
За несколько лет я видел компании из условных «успешных 6%». Общее у них одно: начинают с бизнес-проблемы, а не с выбора модели. Определяют метрики успеха до запуска, а не после. Вкладывают в данные и управление изменениями больше, чем в лицензии. Масштабируют 2–3 проверенных кейса вместо двадцати пилотов одновременно. И вовлекают бизнес до начала пилота, а не после внедрения.
Каждый из этих пунктов неудобен в моменте: аудит данных скучнее выбора между моделями, управление изменениями требует политической воли, вовлечение бизнеса на старте замедляет начало — но потом ускоряет всё остальное.
ИИ-трансформация не провалится из-за плохих моделей. Она провалится из-за плохих управленческих решений, неготовых данных и систем, внедрённых без пользователей.
А что, по-вашему: пузырь уже лопается или у него ещё есть время? И что убивает ИИ-проекты в компании быстрее — неструктурированные данные, люди или требования безопасности?
Это адаптированное изложение для архива публикаций Жемала Хамидуна. Полная версия статьи со всеми деталями — на Хабре: читать оригинал →