Мария Шантаренкова

Редактор, специалист в области PR. Работала менеджером по маркетингу и PR компании ALP Group. С 2003 по 2014 г. была выпускающим редактором журнала Intelligent Enterprise.

Константин Зимин

главный редактор журнала «Управляем предприятием»

К 2025 году искусственный интеллект перестал быть темой экспериментов и стал фундаментом стратегии выживания и роста для любого серьёзного бизнеса. Однако, как показывают исследования, у одних компаний внедрение генеративного ИИ приводит к двукратному росту выручки, а у других пилоты тонут в рутине. Только 5% пилотных проектов по интеграции ИИ приносят компаниям ощутимую прибыль. А в 95% компаний пилотные проекты по генеративному ИИ не дали эффекта. Почему? Почему одни компании застряли на этапе экспериментов, не влияя на финансовые показатели? Как не попасть в группу неудачников? Все это вопросы, которые поднимаются в исследовании MIT NANDA State of AI in Business 2025.

Причины неудач внедрения генеративного ИИ, почему пилотные проекты «застревают»

Почему мы видим «разрыв генеративного ИИ»? Почему одним компаниям удается получить ощутимый эффект и ROI проектов внедрения систем на базе генеративного ИИ у них достигает 70-80%, а другие компании застряли на этапе экспериментов, которые совершенно не влияют на финансовые показатели? Что разделяет определяет успех внедрения генеративного ИИ?

Главный инсайт исследования MIT NANDA — успех внедрения генеративного ИИ определяется не размером инвестиций и не качеством ИИ-решений, а продуманным масштабированием, правильной «точкой приложения усилий» и стратегией реализации проектов.

Интервью, опросы и анализ 300 открытых внедрений, проведенные экспертами MIT, позволили выделить несколько ключевых тенденций, которые формируют «разрыв генеративного ИИ».

  1. Вовлеченность топ-менеджмента. Традиционная проблема для ИТ-проектов видна и в ИИ-проектах. Когда инициатива внедрения генеративного ИИ идёт только от CIO, возникает барьер между «новаторами» и основной командой: рядовые сотрудники не видят пользы от пилота, не проходят обучение и воспринимают ИИ как очередную прихоть. Только там, где топ-менеджмент реально вовлечён, появляются «ИИ-евангелисты», способные раскачать волну изменений в компании.
  2. Проблемы масштабирования на сквозные процессы. Крупные компании запускают много пилотных проектов, но не могут выйти на этап масштабного внедрения в сквозных операционных процессах.
  3. Области применения генеративного ИИ. Половина всех бюджетов на генеративный ИИ уходит в продажи и маркетинг, хотя автоматизация внутренних процессов часто приносит больший эффект. Такой перекос возникает из-за простоты подсчёта результатов, а не из-за реальной пользы, и мешает компаниям сосредоточиться на действительно важных задачах.
  4. Стратегия реализации ИИ-проектов. Безусловно, нередко крупные компании предпочитают самостоятельно разрабатывать ИИ-инструменты, включая большие языковые модели. Однако, когда внедрение ведут внешние партнёры, результат оказывается успешным в два раза чаще.
  5. «Разрыв в обучении»: генеративный ИИ еще не готов к корпоративным проектам. Сегодняшние языковые модели имеют серьезное ограничение — система быстро теряет контекст, не учится на ошибках и не развивается сама. У генеративного ИИ просто нет нужной «памяти» и способности учиться в процессе работы. Об этом мы подробнее расскажем ниже.
  6. Скорость развития технологий. Безумная скорость появления новых инструментов усложняет задачу: компании не успевают изменять культуру и практики взаимодействия между отделами, фрагментируя ИИ-инициативы и «локализуя» их.

В отчете отмечается, что успех чаще всего достигают стартапы и крупные компании, четко решающие одну бизнес-проблему, а также грамотно выстраивающие стратегию реализации, опираясь на партнерства. Обо всем этом мы подробнее расскажем ниже.

Проблемы масштабирования на сквозные процессы

Одна из главных проблем большинства компаний — не качество ИИ-моделей, а проникновение в основные процессы компании. Компании пробуют ИИ-инструменты, но лишь немногие запускают решения в работу на уровне компании. Массово используются универсальные сервисы, вроде ChatGPT, а заточенные под компанию решения корпоративного класса внедряются мало.

Эффект от внедрения генеративного ИИ высок там, где генеративный ИИ становится частью сквозных бизнес-операций, а не полезным дополнительным сервисом.

Исследование показало, что абсолютное большинство (до 90%) компаний-неудачников ограничиваются единичными пилотами, не интегрируют генеративный ИИ в сквозные бизнес-процессы, а создают ИИ-сервисы для отдельного подразделения. Например, компания гордится экспериментом с чат-ботом на основе открытой большой языковой модели или автоматизацией типового процесса поддержки клиентов. Как итог — рост эффективности таких подразделений редко дотягивает до 5%.

В компаниях, где пилотные проекты запускались локально для отдельных подразделений, эффект так и не «просочился» в основные сквозные процессы.

Массовые и стандартные инструменты вроде ChatGPT хорошо работают для отдельных людей, но плохо интегрируются в корпоративные процессы. Чат-боты легко запустить и попробовать, они гибкие. Типовые чат-боты на основе больших языковых моделей вроде ChatGPT легко проходят путь от пилота до внедрения — примерно в 83% случаев, но не справляются с критически важными задачами — у них нет долгосрочной памяти и возможностей глубокой настройки. В результате только 5% корпоративных ИИ-решений доходят до реального использования. Именно это мешает большинству компаний двигаться дальше.

Компании-лидеры смогли построить ИИ-системы, которые глубоко кастомизируются, учатся и меняются вместе с бизнесом.

Конечно, корпоративные ИИ-решения уже появились, но пока, они мало кого устраивают. В отчете отмечается, что руководители компаний относились к существующим корпоративным ИИ-решениям настороженно: их называли «хрупкими», «чересчур сложными» и не подходящими для реальных задач. Как отметил один из CIO: «За этот год мы посмотрели десятки демо-версий. Полезными оказались одна-две. Всё остальное — просто красивые “обёртки” или лабораторные игрушки». Как результат, генеративный ИИ в большинстве случаев так и остаётся внутренней «игрушкой» отдельных подразделений.

Области применения генеративного ИИ

Если посмотреть по областям применения, инвестиции в генеративный ИИ чаще всего сосредоточены в нескольких отделах: в среднем 70% бюджета уходят в продажи и маркетинг. По мнению экспертов MIT продажи и маркетинг лидируют потому, что здесь легко показать результат. Метрики вроде количества встреч или скорости ответа на письма легко напрямую связать с показателями работы или целями компании. Однако максимальный возврат инвестиций в автоматизации бэк-офиса в большинстве случае не здесь.

Ресурсы компаний часто уходят на «заметные» ИИ-проекты, которые легко показать, однако они не всегда серьезно меняют ситуацию в компании в целом. В то же время самые перспективные «точки приложения» усилий остаются в тени.

Максимальная отдача от инвестиций в компаниях-лидерах — в операционной деятельности и финансах. Большинство пилотов сосредоточено на инструментах для фронт-офиса, но эксперты MIT считают, что именно решения для бэк-офиса приносят реальную экономию. Настоящая выгода приходит, когда бизнес начинает заменять на ИИ-решения аутсорсинг бизнес-процессов и услуги внешних поставщиков. Юридические, закупочные и финансовые отделы приносят более скрытые, но не менее важные выгоды: меньше рисков, оптимизированные рабочие процессы и ускоренное закрытие отчетных периодов. В отчете приводятся следующие эффекты, которые получили компании-лидеры, внедряя генеративный ИИ в бэк-офисе:

  • отказ от BPO (business process outsourcing) помогает сэкономить от $2 до $10 млн в год;
  • расходы на услуги внешних подрядчиков (маркетинговые и digital-агентства, контент-студии и т.д.) снижаются на 30%, так как генеративный ИИ снижает затраты на креатив и контент;
  • проверки рисков в финансовых сервисах теперь обходятся дешевле, экономия около $1 млн в год за счет отказа от внешнего риск-менеджмента.

Однако такие результаты сложнее представить на совещании, поэтому таких проектов значительно меньше.

Стратегии создания ИИ-систем: разработка, покупка, гибрид

Существует несколько стратегий создания ИИ-решений: самостоятельно «с нуля», покупка готовой ИИ-системы корпоративного класса и гибридная модель, совмещающая оба подхода. Эксперты MIT NADA пришли к таким выводам.

  1. Компании, выбравшие стратегию собственной разработки «с нуля» превращаются в цифровые лаборатории, но страдают от сложности тиражирования и высокой стоимости интеграции. 
  2. Покупка готовых ИИ-систем работает хорошо только на ранних этапах — без внутренней команды экспертов отдача от пилотных проектов быстро падает. 
  3. Лидируют те, кто строит гибридную модель – партнерство с поставщиками ИИ-решений, совместное проектирование, развитие своей экспертизы и разработка собственных решений параллельно с закупками корпоративных ИИ-систем.

В 2025 году доля компаний, внедряющих гибридные стратегии внедрения ИИ, превысила 63%, среди всех успешных компаний (рис. 4).

Гибридная стратегия позволяет быстро адаптироваться под отраслевые требования и наращивать уникальную экспертизу — по данным исследования MIT NADA, именно она дала максимальный ROI и устойчивость к технологическим изменениям.

vnedr-ii-4.png

Рис. 4. Стратегии создания ИИ-систем среди успешных компаний.

При выборе ИИ-систем заказчики выделяют несколько приоритетов. Эксперты MIT NADA выделили из интервью, ключевые приоритеты, которые чаще всего о покупке:

  • гибкость при изменениях;
  • способность к улучшениям в течение времени;
  • четкие границы и условия использования данных;
  • минимальные изменения, которые требуются в привычных инструментах;
  • глубокое понимание нашего рабочего процесса;
  • доверие.

«Разрыв в обучении»: генеративный ИИ еще не готов к корпоративным проектам

Интерфейсы больших языковых моделей удобны, и пользователи их любят, но компании не спешат внедрять такие решения для серьёзной работы. Исследование показало, что дело не только в удобстве. Главный барьер — отсутствие у сегодняшних генеративных ИИ-моделей длительной «памяти» и навыка учиться на прошлых действиях. Именно этот пробел мешает внедрению генеративного ИИ в компаниях.

Сегодняшние языковые модели имеют серьезное ограничение — система быстро теряет контекст, не учится на ошибках и не развивается сама. У генеративного ИИ просто нет нужной «памяти» и способности меняться под задачи.

Пользователи используют генеративный ИИ для простых задач, но не доверяют ему ответственные проекты из-за отсутствия долговременной памяти. Исследование цитирует одного юриста: «Для мозгового штурма и первых версий — это отличный помощник. Но он не запоминает предпочтения клиента и не учитывает мои прошлые правки. Каждый раз он повторяет одни и те же ошибки, и мне приходится заново объяснять всё с нуля. В работе, где цена ошибки высока, мне нужна система, которая накапливает опыт и становится умнее со временем». Пользователи ценят гибкость и простоту больших языковых моделей, но им нужно запоминание контекста и предыдущей истории взаимодействия — а этого нынешние инструменты пока не дают. Эксперты MIT NADA пришли к выводу, что существует фундаментальный «разрыв в обучении».

«Разрыв в обучении» (learning gap)—это неспособность моделей дообучаться на корпоративных данных, а следовательно, адаптироваться под нужды компании. Это приводит к тому, что они с трудом встраиваются в рабочие процессы.

Компании остро нуждаются в ИИ-решениях, которые умеют обучаться, запоминать и улучшаться со временем в процессе работы в компании. Но пока 90% пользователей выбирают людей для задач, где ошибка недопустима.

В отчете отмечается, что стартапы строят системы, которые учатся на обратной связи (это ключевое требование 66 % руководителей), умеют сохранять контекст (63% считают это обязательным) и гибко подстраиваются под конкретные задачи.

Теневой ИИ: как сотрудники прокладывают путь к ИИ

Одно из самых ярких открытий экспертов MIT NANDA: массовое распространение «теневого ИИ» — когда сотрудники самостоятельно внедряют ИИ-инструменты, иногда в обход формальных каналов и внутренней безопасности. Пока официальные пилоты буксуют, инициативные сотрудники строят собственные сценарии использования генеративного ИИ — и такие решения зачастую быстрее дают компанию конкурентное преимущество.

Типовой пример пример: тимлид отдела продаж подключает публичный чат-бот на базе ChatGPT для работы с запросами B2B-клиентов — формально этот ИИ-бот нигде не согласован, но фактически снижает нагрузку на поддержку на 37%. Или бухгалтеры используют ChatGPT для сверки счетов с помощью генеративных моделей, хотя официальное ИТ даже не в курсе таких новаций. Исследование показало, что только 40 % компаний оформили корпоративную подписку, но сотрудники более 90 % опрошенных компаний признались, что регулярно используют личные ИИ-инструменты для работы. Почти каждый участник исследования применял ту или иную языковую модель для решения рабочих задач. Эксперты MIT NANDA фиксируют опасную тенденцию.

Только за 2025 год доля «теневого ИИ» выросла в 3,5 раза, а до 20% рутинных задач теперь решаются через самостоятельные ИИ-проекты сотрудников.

Безусловно, развитие «теневого ИИ» без контроля ведёт к рискам информационной безопасности, конфликтам между подразделениями, а также — к потере единого корпоративного стандарта данных. Но эксперты MIT NANDA трактуют этот феномен не только как угрозу, а и как свидетельство возникновения эффективной цифровой культуры «снизу»: сотрудники могут успешно преодолеть разрыв в использовании генеративного ИИ, если у них есть доступ к удобным и гибким инструментам. Компании, которые замечают эту тенденцию и используют её, формируют новые подходы к внедрению ИИ в бизнесе. Они учатся интегрировать самодельные инструменты в корпоративную ИТ-архитектуру, находят кейсы для дальнейшего тиражирования и формируют новые организационные роли, например «Владелец продукта по ИИ».

Рекомендации топ-менеджменту

Рекомендации, которые даёт MIT на основе исследований внедрения ИИ в 2025 году, звучат просто, но на практике требуют серьёзного пересмотра корпоративных практик и подходов.

  1. Первая задача — пересмотреть ключевые показатели эффективности. Нужно не просто внедрить генеративные модели для какого-то быстрого и понятного результата, а пересмотреть ключевые показатели эффективности подразделений так, чтобы главный акцент делался не на количественные объёмы или сроки, а на реальный бизнес-эффект от генеративного ИИ.
  2. Не откладывайте системное обучение по ИИ. Важно не просто отправлять на курсы энтузиастов, а выстраивать обучение для всего коллектива, делая ИИ понятным и доступным на каждом уровне: от операционных специалистов до топ-менеджера. Выигрывают те, кто встраивает ИИ-образование в стандартные корпоративные программы обучения.
  3. Третий шаг — создать отдельную точку ответственности за развитие практик работы с искусственным интеллектом. Не надейтесь на случай: если за лучшие примеры применения ИИ не отвечает конкретный руководитель или подразделение, знания расползаются по компании случайно, их невозможно трансформировать в корпоративный стандарт. Как только такой центр компетенций появляется, обмен опытом ускоряется, а масштабировать находки становится куда проще.
  4. Не упускайте феномен «теневого ИИ». В крупных компаниях лучшие работающие решения часто рождаются вне официальных ИТ-инициатив — их создают инициативные сотрудники «на коленке», в обход сложных процедур внедрения. Ваша задача — заметить эти ростки изменений, поддержать их ресурсами, помочь доработать и легализовать, превратить самодельные практики в стандартное корпоративное знание. Именно на таких примерах строится новая культура внутреннего предпринимательства — и появляется кадры, которых невозможно нанять с рынка.
  5. Новая управленческая позиция — директор по искусственному интеллекту (Chief AI Officer). Именно этот человек способен аккумулировать лучшие внутренние и внешние находки, структурировать проекты и процессы внедрения ИИ, а главное — научиться быстро тиражировать успешные кейсы без сильной зависимости от внешних консультантов.

***

2025 год чётко разделил компании на тех, кто делает ИИ частью своей бизнес-модели, и тех, кто остаётся в догоняющих. Рынок уже не простит медлительности: выживают те, кто учится быстрее остальных, внедряет практики шире, масштабирует решения оперативнее конкурентов. Самый опасный риск — потерять темп, уйти в пилоты ради галочки и упустить критическую точку накопления навыков. Следующий год только усилит этот тренд: вопрос не в технологиях как таковых, а в принципиальной смелости — отказаться от привычного и попробовать построить новый стиль отношений с цифровыми системами. И только от ваших шагов зависит, окажетесь вы в числе уверенных лидеров или будете раз за разом сожалеть о вчерашних возможностях.


Комментарии 0

Чтобы оставить комментарий пожалуйста Авторизуйтесь

© «УПРАВЛЯЕМ ПРЕДПРИЯТИЕМ»
Все права защищены. Все торговые марки являются собственностью их правообладателей.