ИИ в бизнесе: почему большинство проектов не доходят до результата и что с этим делать

10
Авг
2026

ИИ в бизнесе: почему большинство проектов не доходят до результата и что с этим делать

Привет, Хабр! На связи Никита Устриков.

Подготовил для вас статью, основанную на нескольких источниках: отчёте MIT NANDA The GenAI Divide: State of AI in Business 2025, материалах Gartner и McKinsey по корпоративным внедрениям, стратегии развития ИИ в БКС и нашем докладе на TechWeek‑2026 «ИИ в бизнесе: почему 9 из 10 проектов не выходят в прод», где мы начали публично и системно разбирать эту тему. Полный список источников привожу в конце статьи.

Введение

За последние два года вопрос «почему корпоративный ИИ не приносит денег» из редких обсуждений превратился в одну из ключевых тем разговоров между CAIO, CIO, CDTO и командами, отвечающими за трансформацию.

Компании переходят от этапа экспериментов и маркетингового хайпа к этапу, где ИИ рассматривается как инструмент управления операционными расходами, выручкой и рисками, а не как «красивая технология» сама по себе.

Мир вложил сотни миллиардов — эффекты скромнее

По данным Gartner и смежных исследований совокупные расходы компаний на генеративный ИИ в 2025 году оцениваются примерно в 644 млрд долларов.

ИИ в бизнесе: почему большинство проектов не доходят до результата и что с этим делать - 1

При этом отраслевые отчёты фиксируют, что более 80% проектов не достигают заявленных целей, а доля инициатив, добравшихся до устойчивого продакшена, остаётся ниже 15%: такая оценка звучит в обзорах вроде McKinsey State of AI 2025 и ряде других аналитических работ.

MIT NANDA, исследуя свыше 300 инициатив и опрашивая руководителей, приходит к схожему выводу: около 95% пилотных GenAI‑проектов не дают измеримого эффекта на прибыль или производительность, оставаясь в статусе POC, локальных пилотов или решений на уровне одной команды.

Хайп прошёл, началась работа

В 2025 году Gartner фиксирует, что Generative AI находится в стадии Trough of Disillusionment (фаза разочарования) на кривой Gartner Hype Cycle для искусственного интеллекта: первоначальные ожидания не оправдываются, и внимание смещается с эффектных демо на архитектуру, данные, governance и ROI.

ИИ в бизнесе: почему большинство проектов не доходят до результата и что с этим делать - 2

Одновременно агентные системы (agentic AI) и AI‑ready data поднимаются к Peak of Inflated Expectations (пик завышенных ожиданий) — они воспринимаются как следующий логичный шаг после GenAI, но находятся в зоне максимального разрыва между ожиданиями и реальным уровнем зрелости и внедрённости.

По разговорам с командами ощущается то же самое: период, когда достаточно было упомянуть ИИ, чтобы получить маркетинговый эффект, заканчивается. На первый план выходят вопросы, где именно ИИ даёт устойчивый финансовый результат, а где его применение неоправданно по TCO и рискам.

Пять причин провалов: позиция компании и опыт рынка

Ключевой момент, который объединяет MIT, Gartner и нашу практику: проблема не в качестве моделей или количестве доступных токенов. Основные причины — в том, как организации выбирают задачи, строят процессы и управляют результатом.

ИИ в бизнесе: почему большинство проектов не доходят до результата и что с этим делать - 3

В рамках внутренней работы в БКС, анализа рынка и подготовки доклада на TechWeek мы сформулировали пять причин, которые чаще всего встречаются в корпоративных ИИ‑проектах. Это не исчерпывающий список, но по нашим наблюдениям это «топ‑5» барьеров, мешающих проектам выйти в прод и дать устойчивый эффект.

1. Отсутствие измеримой бизнес‑цели на старте.

Инициативы стартуют с общих формулировок «нам нужен ИИ», «хотим стать AI‑компанией», без чёткой цели в деньгах и операционных метриках: сокращение FTE, изменение стоимости операции, влияние на маржу или конкретные элементы P&L.

2. Автоматизация сломанных процессов (Garbage In — Garbage Out).

Если процесс хаотичен, не описан и не нормализован, ИИ масштабирует его состояние, а не исправляет. В результате появляется «дорогой сломанный процесс»: увеличиваются затраты, но не улучшается качество или скорость.

3. Неполный учёт полной стоимости владения (TCO).

В расчёте часто присутствует только разработка, а инфраструктура, токены, поддержка, мониторинг, обучение пользователей и штат вокруг решения остаются за пределами модели, из‑за чего проект выглядит окупаемым на слайдах, но не выдерживает столкновения с эксплуатацией.

4. Выбор инструмента до формулировки задачи.

Нередко решения строятся вокруг того, что в основу ставится конкретная модель или конкретный вендор: сначала фиксируется технологический выбор, а затем под него пытаются выстроить работу, вместо того чтобы исходить из задачи, целевого эффекта и вопроса «нужен ли здесь вообще ИИ».

5. Отсутствие персонального владельца результата в продакшене.

Проектом занимаются ИТ, продукт и иногда внешние партнёры, но никто не отвечает именно за бизнес‑результат после запуска. Система становится ещё одним элементом ландшафта, а не инструментом, за который кто‑то отвечает численно — в расходах, выручке или рисках.

Как отличить эффект от красивой истории

Чтобы отсеивать инициативы, которые не дадут реального эффекта, мы в БКС используем сравнительную рамку проекта с проблемными характеристиками и проекта с здоровой конструкцией.

ИИ в бизнесе: почему большинство проектов не доходят до результата и что с этим делать - 4

В кратком виде это выглядит так:

Финансовый эффект

Формулировки «ускорим», «улучшим NPS», «станем AI‑компанией» рассматриваются как сигналы остановиться: они не задают измеряемую цель. Мы принимаем только эффекты, выраженные в деньгах и времени, с фиксированным baseline: сокращение FTE, изменение стоимости транзакции, рост выручки при наличии подтверждённого пилота.

TCO

Проект, в котором учтена только разработка, автоматически попадает в зону риска. Для допуска в работу необходим расчёт полной стоимости владения: разработка, инфраструктура, токены, поддержка, мониторинг, обучение пользователей и срок окупаемости.

Архитектура

Для нас принципиально, чтобы до начала разработки были описаны ключевые компоненты, точки интеграции, границы ответственности и то, как решение вписывается в существующий ИТ‑ландшафт; отсутствие такой архитектуры означает высокий риск того, что система останется на уровне пилота.

Метрики успеха и baseline.

Если метрики не определены до старта и нет baseline, мы не сможем доказать эффект. Поэтому фиксация исходного состояния и целевых показателей — обязательный шаг перед запуском пилота.

Отдельно мы различаем надёжность разных типов эффектов: прямая экономия и рост производительности при наличии baseline считаются базой, рост выручки принимается только с подтверждённым пилотом, а нематериальные показатели вроде NPS используются как вспомогательные, но не как единственный аргумент в пользу проекта.

Воронка отбора: меньше инициатив, больше уверенности

На практике эта рамка превращается в воронку отбора: из порядка ста инициатив, которые появляются в поле зрения, после последовательной фильтрации в работу попадает 10–15 — и именно они дают уверенный финансовый эффект.

ИИ в бизнесе: почему большинство проектов не доходят до результата и что с этим делать - 5

Три ключевых фильтра:

Фильтр 1. Измеримый финансовый эффект

Инициативы без явной цели в деньгах или времени не проходят: необходимо, чтобы эффект можно было выразить в сокращении затрат, изменении стоимости операции или росте дохода.

Фильтр 2. Нужен ли именно ИИ

Мы отдельно задаём вопрос, есть ли у задачи специфика, требующая ИИ, или её разумнее решить реинжинирингом процессов, изменением регламентов или классической автоматизацией. Инициативы, где ИИ не даёт преимуществ по TCO и скорости, не допускаются.

Фильтр 3. Архитектура и TCO

Инициатива должна иметь продуманную архитектуру до начала разработки и расчёт полной стоимости владения с оценкой срока окупаемости. Без этого она остаётся на уровне идеи или пилота.

Такая воронка кажется жёсткой, но именно она позволяет сократить количество проектов, которые застревают в пилотах, и сосредоточиться на тех, где есть шанс перейти от экспериментов к устойчивой экономии и росту.

GenAI, агентные системы и «разрыв в обучении»

MIT NANDA описывает феномен GenAI Divide — разрыв между широким внедрением GenAI‑инструментов и небольшой долей проектов, которые действительно меняют показатели бизнеса.

Ключевая мысль отчёта: основная проблема не в уровне моделей, а в том, что корпоративные системы не умеют учиться на контексте компании, на обратной связи пользователей и на реальных процессах — это и есть learning gap.

Параллельно существует «теневой ИИ»: многие сотрудники уже используют личные версии ChatGPT‑подобных сервисов для работы, но не афишируют это внутри компании, а эффекты такой практики не управляются ни с точки зрения рисков, ни с точки зрения тиражирования успешных сценариев.

На этом фоне понятен интерес к агентным системам: агент, умеющий помнить контекст, адаптироваться, работать с инструментами, выполнять многошаговые задачи и соблюдать корпоративные политики, выглядит логичным следующим шагом после статичных чат‑ботов.

Но Gartner показывает, что агенты сейчас на пике завышенных ожиданий, и без привязки к нормализованным процессам и понятному ROI они легко повторят путь GenAI — от эйфории к разочарованию.

Платформа ИИ в БКС: несколько слоёв вместо одного продукта

В БКС мы отвечаем на эти вызовы через стратегию ИИ на 2026–2027 годы с целевой планкой минус 30% операционных расходов, и в её основе лежит платформенный подход.

ИИ в бизнесе: почему большинство проектов не доходят до результата и что с этим делать - 6

Платформа ИИ — это не один продукт, а несколько слоёв, которые вместе создают единое пространство для работы с ИИ:

слой, в котором команды запускают и конструируют агентов без необходимости каждый раз собирать всё «с нуля»;
слой интеграции с существующим ИТ‑ландшафтом;
слой корпоративных знаний и данных, доступных агентам и сервисам при соблюдении политик.

В перечень компонентов платформы входят, например:

AI‑gateway / LLM‑routing как единая точка маршрутизации запросов к моделям и сервисам;
MCP‑хаб как узел стыковки платформы с сотнями внутренних систем и сервисов без жёсткого «хард‑кода» в каждой инициативе;
Agent Gateway — компонент, который позволяет контролировать изолированность агентов, их права, доступы и взаимодействие друг с другом;
Корпоративная база знаний, RAG‑слой, обеспечивающий доступ моделей и агентов к актуальному контенту компании с соблюдением правил безопасности и качества.

Такой подход одновременно снижает порог входа для команд, использующих ИИ, и позволяет удерживать архитектуру и безопасность на управляемом уровне.

R&D и образование: от бенчмарков до инженерии агентов

Второй блок системы — R&D и образование. Это не только поиск новых решений и программа обучения, но и:

регулярные бенчмарки моделей в наших сценариях;
выбор и обучение моделей под конкретные задачи;
оценка качества и устойчивости решений с точки зрения бизнеса и ИТ.

Образовательная часть выстроена по четырём уровням:

1. базовая AI‑грамотность для всех сотрудников;

2. умение оценивать ROI инициатив для руководителей;

3. инженерия агентов и работа с платформой для IT‑специалистов;

4. эффективное использование инструментов платформы для пользователей.

Это прямой ответ на learning gap: без того, чтобы люди понимали, что они делают с ИИ и где он уместен, никакая платформа и агентные системы не дадут устойчивого эффекта.

Внедрение и AI Business Partners

Третий блок — внедрение. В каждом бизнес‑юните есть AI Business Partner, который отвечает за три вещи:

— поиск областей применения ИИ;

— реконструкцию процессов, где ИИ действительно даёт преимущество;

— ответственность за бизнес‑эффект, а не только за факт запуска решения.

Это позволяет связать технологический слой с P&L‑логикой юнитов: у каждого крупного направления есть человек, для которого ИИ‑инициативы — не отвлечённая тема, а часть его прямой ответственности за результат.

Governance и риск‑контур

Четвёртый элемент — governance и риск‑контур. Он включает:

— политику использования облачных ИИ‑решений;

— архитектурные стандарты для ИИ‑проектов;

— совместный комитет ИИ + ИТ + ИБ;

— развёртывание AI Governance Framework, AI Risk Framework и реестра AI‑систем.

Этот слой нужен, чтобы проектам было ясно, что можно и что нельзя, и чтобы ИИ‑инициативы не жили отдельно от общих требований к безопасности и управляемости.

Мультиагентный пресейл: восемь агентов вместо одной формы

Чтобы ускорять ранние стадии работы с инициативами, мы используем мультиагентный пресейл.

Он устроен как связка нескольких специализированных агентов, каждый из которых отвечает за свой аспект:

— агент, собирающий и уточняющий бриф;

— агент, проверяющий полноту исходных данных;

— агент, оценивающий финансовый эффект инициативы;

— агент, сравнивающий идею с рыночными аналогами и лучшими практиками;

— агент, анализирующий, нужен ли здесь вообще ИИ или задачу стоит решить иначе;

— агент, оценивающий архитектурную состоятельность предложения;

— агент, проверяющий соответствие стандартам governance;

— агент, формирующий интегральную рекомендацию: запустить, доработать, отклонить.

В результате за минуты получается осмысленный черновой пресейл по каждой инициативе, и дальше люди работают уже с более структурированным материалом, а не с сырым набором идей.

Как мы сами прошли через этот фильтр

В 2025 году у нас было около 20 реализованных инициатив и более 60 в планах на начало 2026 года. При этом единый подход к метрикам и приоритет финансового эффекта ещё не были полностью сформированы.

После того как мы провели эти инициативы через воронку и мультиагентный пресейл, в активном состоянии оказались проекты с доказанным эффектом, среди которых:

— агентизация ассистента для поддержки клиентов, автоматизирующий более 60% обращений при CSAT выше 80%;

— агент-помощник сейлза, помогающий росту объёмов продаж;

— агентизация банковского обслуживания, включая распознавания изображений/документов, сокращающие нагрузку на сотрудников и время обработки запросов;

— агентизация делопроизводства и документооборота, позволяющая снизить трудозатраты на обработку внутренних документов и повысить прозрачность процессов.

Инициативы без измеримого результата были пересобраны, пересогласованы или остановлены — иначе мы сами пополнили бы статистику тех самых 80% проектов без достигнутой цели.

Практические выводы

Совместный взгляд рынка и практики даёт несколько устойчивых выводов:

ИИ усиливает состояние процессов, а не исправляет их автоматически: без нормализации и baseline любой проект рискует стать дорогим продолжением хаоса.
Главные барьеры — организационные: отсутствие цели, владельца результата, учёта TCO и заранее продуманной архитектуры.
Образовательная рамка и governance так же важны, как модели и данные: без них нельзя перейти от пилотов к устойчивой трансформации.
Жёсткая воронка отбора, где критерием служит измеримый финансовый эффект и обоснованность применения ИИ, уменьшает число инициатив, но повышает долю тех, которые реально меняют P&L.
Ставка на агентные системы оправдана там, где есть нормализованные процессы или готовность их нормализовать, понятные метрики и готовность учить системы на реальном опыте, а не только на демо‑сценариях.

В таком сочетании — трезвый взгляд на статистику, понимание технологического цикла и системная работа с архитектурой, эффектами и обучением людей — ИИ перестаёт быть источником разочарований и становится инструментом устойчивой трансформации бизнеса.