OptAI®
RU

Статьи Приложения

Почему большинство ИИ-пилотов не взлетает

По данным MIT, 95% корпоративных пилотных проектов генеративного ИИ не оказывают измеримого влияния на прибыль. Проблема в последней миле, где программа встречается с компанией.

Маленькая белая модель самолёта, привязанная к испытательному стенду, на жёлтом фоне

Летом 2025 года команда MIT опубликовала отчёт с неприятной цифрой. Около 95% изученных пилотов генеративного ИИ не оказали измеримого влияния на прибыли и убытки. Исследователи поговорили со 150 руководителями, опросили 350 сотрудников и разобрали 300 публичных внедрений. Компании потратили деньги и не увидели отдачи.

Вывод быстро разошёлся, отчасти потому, что как будто говорил: технология не работает. Ничего подобного в нём нет. Авторы винят «разрыв в обучении». Инструменты не вписывались в то, как работали компании, не запоминали, что им говорили, и не становились лучше от использования. Чат-бот, который блистает на демо, а к понедельнику всё забыл, остаётся игрушкой с бюджетом.

Ежегодный опрос McKinsey показывает то же самое с другой стороны. В 2025 году 88% опрошенных компаний использовали ИИ хотя бы в одной части бизнеса. Лишь около 6% сказали, что ИИ принёс им значительную пользу и 5% операционной прибыли или больше. Опрос 2026 года, опубликованный в августе, дал те же 6%. Получается, что большинство компаний пользуется ИИ, а зарабатывают на нём единицы.

Куда ушли деньги

В MIT также посмотрели, на что компании тратили деньги. Больше половины бюджетов на генеративный ИИ ушло на инструменты для продаж и маркетинга: их легко купить и легко показать совету директоров. Лучшую отдачу дал бэк-офис, где ИИ заменил процессы на аутсорсе и работу агентств. На практике это счета, договоры, претензии и закупки. Неброская работа с ясными правилами, чистыми входными данными и затратами, которые может измерить каждый. Поэтому начинать стоит именно с неё.

Второй вывод менее приятен для крупных IT-отделов. Инструменты, купленные у профильных поставщиков и построенные с партнёрами, срабатывали примерно в 67% случаев. Системы, полностью разработанные своими силами, срабатывали втрое реже.

Пилот строят, чтобы его закрыть

Большинство пилотов проваливается, потому что их строят как пилоты. Они работают на чистой выборке данных, рядом с настоящими системами, а не внутри них, с несколькими энтузиастами и без ответственного за результат. Когда пилот заканчивается, кому-то нужно подключить его к ERP, провести через проверку на защиту данных, обучить остальных 300 человек и отвечать за его ошибки. Этой работы никогда не было в плане, поэтому её никто и не делает.

Настоящее внедрение начинается с других вопросов. Какая задача отнимает больше всего часов? Где лежат данные и кто может их видеть? Сколько стоит неверный ответ и кто его заметит? Сколько франков в месяц это сэкономит? Проект, который не может ответить на эти вопросы в первую неделю, не ответит на них и на шестом месяце.

Как мы работаем

В OptAI® мы строим первую версию на реальных данных клиента, внутри систем, которыми он уже пользуется. На первой неделе это медленнее, а к восьмой намного быстрее, потому что ничего не приходится переделывать. Мы измеряем работу до того, как её автоматизировать, поэтому экономия выражается цифрой, а не ощущением. И с самого начала договариваемся, при каких условиях остановимся.

У тех 5% из исследования MIT модели были не лучше, чем у остальных. Они выбрали одну болезненную задачу, как следует её подключили и не бросали, пока она не окупилась. Это скучнее демо. Зато только это и видно в отчётности.

Источники

  1. Fortune: MIT report, 95% of generative AI pilots at companies are failing, 18 August 2025
  2. Computing: MIT report, 95% of corporate generative AI pilots fail to deliver returns
  3. Virtualization Review: MIT report finds most AI business investments fail, 19 August 2025
  4. McKinsey: The state of AI in 2025, agents, innovation and transformation, 5 November 2025
  5. McKinsey: The state of AI in 2026, on the road to ROI, 25 August 2026

Ещё статьи