Бизнес ждал от искусственного интеллекта почти волшебного эффекта. Компании рассчитывали ускорить процессы, сократить расходы, повысить продуктивность сотрудников, а также быстрее и больше зарабатывать. После появления генеративного ИИ ожидания стали еще выше: казалось, что теперь автоматизировать можно почти любую интеллектуальную работу.
Но первые массовые внедрения быстро показали, что проблема не в отсутствии технологий. Проблема в том, что большинство компаний оказались не готовы к работе с ИИ на уровне процессов, данных и управления.
Мы проанализировали зарубежные исследования по внедрению ИИ в бизнес и выписали главные ответы, почему пока он не отвечает ожиданиям.
Мы проанализировали зарубежные исследования по внедрению ИИ в бизнес и выписали главные ответы, почему пока он не отвечает ожиданиям.
Статистика по внедрению ИИ в рабочие процессы
Сегодня корпоративный рынок уже потратил на ИИ десятки миллиардов долларов. Однако результаты оказались намного скромнее ожиданий. По данным исследования MIT NANDA «The GenAI Divide», около 95% корпоративных ИИ-пилотов не оказывают заметного влияния на финансовые показатели бизнеса. Только примерно 5% проектов создают измеримую ценность в масштабе компании.
Похожие выводы делает и Boston Consulting Group. В исследовании BCG отмечается, что лишь 5% компаний получают значимый эффект от ИИ на уровне бизнеса, тогда как около 60% организаций практически не видят материальной отдачи от инвестиций.
Фактически, по данным исследований, сегодня только один из двадцати AI-проектов приносит ощутимую бизнес-пользу.
Что мешает ИИ в бизнесе?
Главная проблема заключается не в качестве моделей. Современные нейросети действительно умеют писать тексты, анализировать данные, искать информацию, генерировать код и автоматизировать рутинные операции. Но бизнес часто пытается встроить ИИ в процессы, которые изначально не готовы к автоматизации.
Во многих компаниях процессы годами строились вокруг ручного управления. Часть задач держится на личных договоренностях сотрудников, часть - на Excel-файлах, часть - на опыте конкретных людей, которые «знают, как здесь все работает». Пока процесс выполняется вручную, подобные проблемы можно не замечать. Но ИИ быстро показывает слабые места системы.
Например, нейросеть может за несколько секунд подготовить проект договора или коммерческого предложения. Но дальше документ все равно проходит через длинную цепочку согласований, ручных проверок и пересылок между отделами. В результате отдельный сотрудник действительно работает быстрее, а компания в целом - нет.
McKinsey в своих исследованиях отмечает, что основной эффект от генеративного ИИ возникает не из-за внедрения самих инструментов, а благодаря переработке бизнес-процессов. Деньги появляются там, где компания меняет саму логику работы, а не просто добавляет AI-ассистента поверх старой системы.
Именно поэтому многие проекты застревают на этапе пилотов.
ИИ “ломается” от беспорядка в процессах
Старая проблема автоматизации стала особенно заметной в эпоху ИИ: нельзя эффективно автоматизировать беспорядок.
ИИ плохо работает в среде, где процессы не описаны, правила постоянно меняются, а данные находятся в разных системах и противоречат друг другу.
Во многих компаниях до сих пор существует сразу несколько версий одной и той же информации. CRM показывает одни данные, финансовая отчетность - другие, Excel-файл руководителя отдела продаж - третьи. При этом каждая версия считается «правильной».
Для человека подобные противоречия часто привычны. Сотрудники знают, каким данным можно доверять и где искать нужную информацию. Но ИИ не понимает подобных неформальных правил.
Именно поэтому качество данных становится критическим фактором успеха.
Исследование Gartner прямо называет плохие данные одной из ключевых причин провала AI-проектов. Для ИИ данные - это не просто источник информации. Это основа принятия решений.
При этом генеративный ИИ создает дополнительную проблему. В классической аналитике ошибка обычно выглядит как ошибка: пустое поле, неправильная цифра, сломанный отчет. Генеративная модель может выдать убедительный, логичный и грамотно сформулированный ответ даже тогда, когда исходные данные противоречивы или неполны.
Из-за этого проблема качества данных быстро превращается в проблему доверия.
Компании автоматизируют отдельных сотрудников, а не бизнес
Еще одна причина низкой эффективности, по данным исследователей, фокус на индивидуальной продуктивности вместо системных изменений.
Сегодня многие компании активно внедряют ChatGPT, Copilot и другие AI-инструменты для сотрудников. Разработчики быстрее пишут код, менеджеры быстрее составляют письма, аналитики быстрее готовят отчеты.
Но рост скорости отдельных задач еще не означает роста эффективности бизнеса.
Если после внедрения ИИ сроки релизов не сократились, клиенты не начали получать ответы быстрее, количество ошибок не уменьшилось, а стоимость операций осталась прежней, значит компания фактически просто добавила еще один инструмент в существующий процесс. Сотрудники могут работать быстрее, но бизнес в целом при этом не становится эффективнее.
Исследование BCG показывает, что компании, получающие реальную ценность от ИИ, отличаются не количеством внедренных инструментов, а способностью перестраивать операционные модели.
У успешных организаций ИИ встроен в процесс принятия решений, а не существует как отдельный эксперимент внутри ИТ-департамента.
Как сделать ИИ действительно эффективным
Компании, которые получают измеримый эффект от ИИ, обычно делают несколько вещей правильно.
Во-первых, начинают не с технологии, а с процесса.
Успешные проекты стартуют не с идеи «давайте внедрим ИИ», а с конкретной бизнес-проблемы. Компании пытаются сократить время обработки обращений, уменьшить стоимость поддержки, ускорить подготовку договоров или снизить количество ошибок. В этом случае ИИ становится инструментом решения понятной задачи, а не самоцелью.
Во-вторых, перестраивают процессы
Главный эффект появляется там, где компания меняет саму логику работы.
Если нейросеть ускоряет подготовку документа, но согласование остается прежним, бизнес не получает полной выгоды.
Поэтому успешные внедрения почти всегда сопровождаются переработкой процессов, сокращением лишних этапов и изменением ролей сотрудников.
В-третьих, наводят порядок в данных.
Без единой системы данных ИИ быстро начинает усиливать ошибки. Поэтому компании, получающие максимальный эффект от внедрения, инвестируют не только в сами модели, но и в data governance: выстраивают единые источники информации, контролируют качество данных, вводят правила доступа и назначают ответственных за актуальность информации.
Также компании, успешно внедряющие ИИ - вводят измеримые KPI и назначают конкретного ответственного за ИИ-проект
Генеративный ИИ действительно способен давать мощный эффект. Особенно хорошо он работает в процессах с большим количеством повторяющихся операций, понятной логикой и измеримым результатом: в поддержке клиентов, разработке, обработке документов, аналитике, управлении знаниями.
Но практика последних лет пока показывает важную вещь: ИИ не заменяет управление и не исправляет организационные проблемы автоматически.
Он, наоборот, делает их более заметными. Если у компании слабые процессы, плохие данные, размытая ответственность и отсутствие понятных метрик, ИИ начинает масштабировать хаос.
Поэтому главный вопрос сегодня звучит уже не так: «Готов ли ИИ для бизнеса?»
Гораздо точнее другой вопрос: готов ли сам бизнес к работе с ИИ.