Почему 95% компаний не получают прибыли от ИИ-инвестиций

По данным The Register, инвестиции компаний в генеративный искусственный интеллект (ИИ) достигают $30–40 млрд ежегодно. Однако, по оценке исследования, более 95% организаций не получают измеримой отдачи от этих затрат. Согласно июльскому отчёту Массачусетского технологического института (MIT), лишь около 5% собственных ИИ-проектов переходят из пилотной фазы в промышленное применение.

От деплоя к интеграции: проблема подхода

Большинство компаний рассматривают ИИ как обычное программное обеспечение, ожидая, что он будет работать как готовое решение. На практике же ИИ проявляет себя скорее как новая форма труда, требующая обучения, контекста и глубокой интеграции в рабочие процессы. Это означает, что только установить инструмент недостаточно — нужно пересмотреть саму организацию труда.

Ключевая проблема заключается в том, что ИИ не может адаптироваться к устаревшим процессам. В большинстве случаев компании «привинчивают» ИИ к старым схемам, не меняя их структуру. Результат — множество пилотных проектов, которые не выйдут за рамки экспериментальной фазы. По данным MIT, большинство таких проектов выполнялись в изоляции, без пересмотра того, как сама работа должна измениться.

Учимся на ошибках: контекст и память

Ещё одна важная причина неудач — отсутствие у ИИ способности к накоплению контекста. Многие модели не могут запоминать предыдущие взаимодействия или улучшаться с опытом. В этом случае даже самые продвинутые модели не способны дать ощутимого результата. Это особенно критично в корпоративной среде, где контекст и история решений играют ключевую роль.

Успешные компании, в отличие от остальных, не сосредотачиваются только на алгоритмах. Они привлекают специалистов, которые понимают бизнес-процессы, а не только модели ИИ. Это позволяет им адаптировать ИИ-решения к реальным рабочим задачам. MIT также отмечает, что совместные проекты с внешними партнёрами увеличивают шансы на успех в два раза по сравнению с полностью внутренними разработками.

Скрытые возможности: где ИИ работает

Интересно, что самые значимые результаты достигаются не в клиентских проектах, а в «скрытых» областях — операциях, финансах и логистике. Там, где процессы часто включают рутинную работу, ИИ демонстрирует наибольшую эффективность. Например, автоматизация обработки счётов, мониторинг соответствия требованиям и генерация отчётов уже дают ощутимую экономию.

Однако компании продолжают выделять значительные бюджеты на ИИ для маркетинга и продаж, где эффект от внедрения виден сразу и легко представляется руководству. В то же время, реальные улучшения в back-office остаются вне внимания, хотя и приносят большую отдачу.

Интересно: Каковы шансы, что компании, вкладывая в «видимые» ИИ-проекты, упускают более значимые возможности в «невидимых» процессах, где ИИ уже доказал свою эффективность?

i

Создано специально для ASECTOR

Концептуальное изображение

Почему ИИ не приносит ожидаемой отдачи: за кулисами цифровой трансформации

Когда ИИ становится не инструментом, а новой формой труда

Компании всё чаще инвестируют в ИИ, ожидая быстрого увеличения эффективности. Однако, по данным MIT, лишь 5% таких проектов переходят из пилотной фазы в полноценное применение. Причина не в несовершенстве технологий, а в подходе к их внедрению. Многие руководители рассматривают ИИ как готовое программное решение, которое можно установить и использовать. На деле же ИИ — это не только инструмент, а новый вид работы, который требует адаптации процессов, обучения сотрудников и глубокой интеграции в бизнес [!].

Важный нюанс: ИИ не подстраивается под старые процессы. Он требует, чтобы эти процессы были изменены — иначе он не даст ожидаемой отдачи. Например, внедрение ИИ-ПК, оснащённых локальными моделями и системами обработки естественного языка, открывает возможности для повышения эффективности работы, но ключевой барьер остаётся связан с необходимостью развития повседневной цифровой грамотности и культуры взаимодействия с искусственным интеллектом [!]. Без этих компетенций даже самые передовые технологии остаются недоступными.

Проблема контекста и памяти в корпоративной среде

Ещё одна ключевая слабость большинства ИИ-проектов — отсутствие способности к накоплению контекста. Многие модели не могут запоминать предыдущие взаимодействия или использовать опыт для улучшения решений. В условиях, где контекст и история решений играют важную роль, это становится критическим ограничением. Особенно это актуально в корпоративной среде, где ИИ должен учитывать не только данные, но и бизнес-цели, стратегии и человеческий фактор.

Успешные компании, в отличие от остальных, не ограничиваются только алгоритмами. Они привлекают специалистов, которые понимают бизнес-процессы, а не только ИИ. Это позволяет им адаптировать решения под реальные задачи. MIT отмечает, что совместные проекты с внешними партнёрами увеличивают вероятность успеха в два раза — потому что они добавляют разнообразие взглядов и опыта [!].

Где ИИ действительно работает — и почему это остаётся незамеченным

Самые значимые результаты ИИ достигает не в клиентских проектах, а в «скрытых» областях — операциях, финансах и логистике. Именно там, где процессы включают рутинную, но важную работу, ИИ показывает наибольшую эффективность. Например, модель ERNIE 4.5 от Baidu способна анализировать визуальные данные, такие как графики и логистические панели, что позволяет определять оптимальные временные окна для операций, например, в сфере доставки и управления потоками [!]. Это открывает возможности для автоматизации задач, связанных с планированием и координацией, повышая эффективность логистических процессов.

Важный нюанс: Такие улучшения остаются вне внимания руководства, которое склонно выделять бюджет на «видимые» проекты — например, ИИ в маркетинге или продажах. Это создает иллюзию, что ИИ работает, но на самом деле большая часть инвестиций направлена не на реальную трансформацию бизнеса, а на эффекты, которые легко представить и оценить. В то же время, реальные улучшения происходят там, где их не видно — и это может стать скрытой угрозой для компаний, которые игнорируют потенциал ИИ в back-office.

Риски и угрозы в современных ИИ-системах

Современные ИИ-системы требуют нового подхода к моделированию угроз, учитывающего функциональные особенности, чувствительность данных и контекст использования. Разделение ИИ-стеков на зоны риска помогает более точно оценить потенциальные утечки и сбои, особенно в моделях, интегрированных в ключевые бизнес-процессы [!]. В отличие от классических алгоритмов, поведение ИИ не всегда предсказуемо из-за параметров, таких как температура и top_p, что приводит к неопределённости и затрудняет оценку корректности работы модели.

Риски расширяются: целостность включает угрозы вроде дрейфа модели и отравления данных, а конфиденциальность — защиту самой модели как интеллектуальной собственности. Это требует от компаний не только внедрения ИИ, но и разработки стратегий его сопровождения, мониторинга и защиты.

Перспективы и стратегии развития

Искусственный интеллект становится центральной темой венчурных инвестиций. На конференции TechCrunch Disrupt инвесторы отметили, что стартапы, работающие с ИИ, оцениваются по их устойчивости, глубокому знанию ниши и способности адаптироваться к изменениям рынка. Особое значение придается уникальным механизмам управления данными, которые позволяют стартапам выделяться среди конкурентов. В числе перспективных направлений — робототехника, SaaS, AI-платформы для маркетплейсов и автоматизация ручных процессов [!].

В долгосрочной перспективе, по прогнозам Всемирной торговой организации, внедрение искусственного интеллекта может увеличить мировую торговлю на 34–37%, а ВВП — на 12–13% к 2040 году. Улучшение «видимости» в цепочках поставок способствует росту общей эффективности глобальной торговли. Это особенно актуально для малых и средних предприятий, которые сталкиваются с сложными нормативными требованиями и языковыми барьерами [!].

Выводы

Для получения отдачи от ИИ требуется не только его внедрение, но и изменение подходов к работе, адаптация структур и сопровождение. Потенциал ИИ зависит от его интеграции в бизнес-процессы. По оценке Forrester, 60% компаний застревают на этапе тестирования, а лишь 15% получают заметный эффект, поскольку модели не встраиваются в реальные процессы [!].

Ключ к успеху — в сочетании технологий, цифровой грамотности, адаптации процессов и стратегического планирования. Только тогда ИИ станет не только инструментом, а настоящим драйвером трансформации бизнеса.