ИИ в бизнесе: почему 9 из 10 проектов проваливаются и как это исправить

Более 90% корпоративных проектов с искусственным интеллектом так и не доходят до промышленной эксплуатации. Такую цифру приводят в отчёте MIT NANDA The GenAI Divide: State of AI in Business 2025, который стал основой для свежей статьи на Хабре. Это не просто статистика — это сигнал для всех, кто планирует инвестировать в ИИ: без системного подхода и понимания реальных барьеров большинство инициатив обречены на провал. В материале, подготовленном Никитой Устриковым из БКС, собраны данные из нескольких авторитетных источников: отчёта MIT, исследований Gartner и McKinsey, а также собственного опыта компании по внедрению ИИ-стратегии. Разберём, почему проекты буксуют и что делают компании, которые действительно добиваются результата.

Почему 9 из 10 ИИ-проектов не выходят в прод

Главный вывод, который делают авторы отчёта MIT NANDA, — основная проблема кроется не в технологиях, а в людях и процессах. Искусственный интеллект перестал быть экспериментальной игрушкой, но в большинстве организаций его внедрение до сих пор напоминает хаотичные попытки, а не продуманную стратегию. Исследование The GenAI Divide показало, что лишь около 10% компаний могут похвастаться реально работающими ИИ-решениями в production-среде. Остальные либо застревают в пилотных проектах, либо полностью сворачивают инициативы.

Одной из ключественных причин провала является отсутствие чёткой связи между ИИ-инициативами и бизнес-целями. Многие команды запускают пилоты ради самих пилотов, не имея представления о том, какую конкретную проблему они решают и как измерить успех. По данным Gartner, к 2025 году около 30% проектов в области генеративного ИИ будут заброшены после стадии доказательства концепции из-за неясной ценности для бизнеса. Вторая частая ошибка — недостаточное вовлечение конечных пользователей. Когда сотрудники не понимают, зачем им новый инструмент, и не доверяют его выводам, они просто перестают им пользоваться, и проект тихо умирает.

Наконец, нельзя сбрасывать со счетов технические сложности: низкое качество данных, отсутствие инфраструктуры и нехватка квалифицированных кадров. Всё это вместе создаёт эффект порочного круга: команды тратят ресурсы, не видят быстрой отдачи и теряют поддержку руководства. По данным McKinsey, компании, которые успешно масштабируют ИИ, тратят в среднем на 20% больше времени на подготовку данных и на 30% больше на обучение сотрудников, чем те, кто проваливается.

Предыстория и контекст: как мы дошли до такого разрыва

Тема провалов ИИ-проектов начала активно обсуждаться ещё в 2019 году, когда Gartner впервые опубликовал данные о том, что около 85% проектов в области машинного обучения не достигают производственной стадии. С тех пор ситуация изменилась не так сильно, как хотелось бы. С одной стороны, технологии стали доступнее: появились готовые платформы, облачные сервисы и открытые модели. С другой стороны, organisational inertia — организационная инерция — остаётся серьёзным барьером. Компании, которые десятилетиями работали по традиционным схемам, с трудом адаптируются к новым требованиям ИИ, таким как управление данными, этические нормы и постоянное обновление моделей.

Отчёт MIT NANDA вводит понятие «генеративного разрыва» — разницы между компаниями, которые уже используют ИИ для создания ценности, и теми, кто только пробует. Этот разрыв объясняется не только технологическим уровнем, но и культурой экспериментов. В БКС, например, пришли к выводу, что успешное внедрение ИИ требует создания кросс-функциональных команд, где вместе работают бизнес-аналитики, разработчики и представители профильных подразделений. Только так можно обеспечить, чтобы ИИ решал реальные задачи, а не был «решением в поисках проблемы».

Что такое «генеративный разрыв» и почему он важен?

Термин из отчёта MIT NANDA описывает разницу в темпах внедрения ИИ между лидерами и отстающими. Лидеры — это компании, которые не просто экспериментируют, а интегрируют ИИ в основные бизнес-процессы, получая измеримый эффект. Они инвестируют в обучение сотрудников, создают центры компетенций и разрабатывают чёткие метрики успеха. Отстающие, напротив, раз за разом запускают пилоты, но не могут перейти к масштабированию. Для читателей, которые хотят понять, на каком уровне находится их компания, этот разрыв служит своего рода диагностическим инструментом: если вы уже больше года занимаетесь пилотами без выхода в прод, скорее всего, вы в зоне риска.

Как компании успешно внедряют ИИ: практические подходы

В статье на Хабре Никита Устриков делится опытом БКС, который, судя по всему, относится к числу лидеров. Ключевой принцип — начинать не с технологий, а с бизнес-задачи. Сначала определяются процессы, где ИИ может дать наибольший эффект, затем собирается команда, которая будет работать над решением, и только потом выбираются инструменты. Такой подход позволяет избежать типичной ошибки, когда компания покупает дорогую платформу, а потом ищет, куда бы её применить.

Второй важный фактор — управление ожиданиями. Руководители часто ждут от ИИ мгновенных чудес, но реальность такова, что первые результаты могут появиться через несколько месяцев, а полноценный эффект — через год или два. В БКС, например, используют поэтапный подход: сначала решают одну конкретную задачу, добиваются измеримого результата, а затем масштабируют на другие области. Это позволяет демонстрировать успех и поддерживать интерес стейкхолдеров.

Также критически важно инвестировать в людей. По данным McKinsey, компании, которые обучают своих сотрудников работе с ИИ, в 2,5 раза чаще сообщают об успешном внедрении. Речь идёт не только о технических специалистах, но и о конечных пользователях, которые должны понимать, как интерпретировать результаты модели и когда ей доверять.

Кого затронет и как: влияние на бизнес, разработчиков и пользователей

Для бизнеса выводы очевидны: продолжать игнорировать ИИ — значит рисковать отстать от конкурентов, но и бросаться в омут без стратегии — верный способ потерять деньги. Компании, которые научатся правильно внедрять ИИ, получат значительное конкурентное преимущество: снижение издержек, ускорение процессов, улучшение клиентского опыта. Для разработчиков это означает смену парадигмы: теперь нужно не просто уметь строить модели, но и понимать бизнес-контекст, уметь общаться с заказчиками и работать в междисциплинарных командах.

В России и СНГ эта тема особенно актуальна. Многие локальные компании находятся в стадии первых экспериментов, и у них есть возможность сразу строить процессы правильно, не повторяя ошибок западных коллег. Однако есть и специфические сложности: ограниченный доступ к некоторым зарубежным платформам, необходимость адаптировать решения к локальному законодательству и особенности рынка. Тем не менее, как показывает опыт БКС, даже в таких условиях можно добиться успеха.

Что будет дальше: прогнозы и следующие шаги

По прогнозам Gartner, к 2026 году более 80% компаний будут использовать генеративные ИИ-модели в той или иной форме, но лишь немногие из них достигнут зрелости. Ожидается, что разрыв между лидерами и отстающими будет только увеличиваться. Компании, которые сейчас не начнут системно подходить к внедрению ИИ, рискуют остаться на обочине. В БКС планируют продолжать делиться опытом и уже анонсировали доклад на TechWeek-2026, где будут разбирать конкретные кейсы и ошибки.

Для тех, кто хочет начать, авторы статьи советуют не пытаться объять необъятное. Выберите одну узкую задачу, соберите команду, определите метрики и двигайтесь поэтапно. Главное — не останавливаться после первого пилота, а доводить проект до конца.

Итог

Успех ИИ-проектов зависит не от алгоритмов, а от людей и процессов. Компании, которые фокусируются на бизнес-ценности, вовлекают пользователей и инвестируют в обучение, в разы чаще достигают продакшена. Если вы хотите, чтобы ваш ИИ-проект не пополнил статистику провалов, начинайте с малого, но думайте о масштабировании с самого начала. Следите за новыми материалами БКС на Хабре — там появляются практические рекомендации и разборы реальных кейсов, которые помогут вам избежать типичных ошибок и построить успешную ИИ-стратегию.