Около 95% пилотных GenAI-проектов не дают измеримого эффекта для прибыли или производительности, а до устойчивого продакшена добирается меньше 15% инициатив. Для тех, кто отвечает за ИИ в бизнесе не на конференциях, а в P&L, это уже не досадная статистика, а рабочая реальность: бюджеты освоены, демо показаны, результат в цифрах так и не появился.
Об этом сообщает Habr / Карьера со ссылкой на статью Head of AI и CPO БКС Никиты Устрикова, который собрал в одном материале данные MIT NANDA, Gartner, McKinsey и собственный опыт БКС Финтех. Картина получается довольно приземлённая: проблема чаще не в моделях и не в дефиците токенов, а в том, что компании по-прежнему запускают ИИ-проекты без внятной бизнес-цели, нормального baseline и человека, который потом будет отвечать за эффект после запуска.
Цифры в статье выглядят так. Gartner оценивал мировые расходы компаний на генеративный ИИ в 2025 году примерно в 644 млрд долларов. На этом фоне отраслевые обзоры, на которые ссылается автор, фиксируют, что более 80% проектов не достигают заявленных целей, а доля инициатив, дошедших до стабильного продакшена, остаётся ниже 15%. MIT NANDA в отчёте The GenAI Divide: State of AI in Business 2025 изучал более 300 инициатив и опрашивал руководителей; вывод жёсткий: около 95% пилотных проектов с GenAI не дают измеримого эффекта на уровне прибыли или производительности. Иначе говоря, корпоративный рынок уже нащупал неприятную вещь: купить доступ к модели проще, чем встроить её в реальный процесс так, чтобы это окупалось.
Почему пилоты буксуют
БКС сводит типовые провалы к пяти причинам. Первая и главная: проект стартует с лозунга в духе «нам нужен ИИ», а не с вопроса, что именно должно измениться в деньгах, времени операции, нагрузке на команду или марже. Вторая причина ещё банальнее, но от этого не менее дорогая: компании автоматизируют сломанные процессы. Если процесс хаотичен, не описан и живёт на ручных договорённостях, модель не лечит его, а масштабирует. Получается не магия, а дорогой способ быстрее производить тот же самый хаос.
Третья проблема связана с TCO. На слайдах часто считают только разработку, а потом внезапно обнаруживают, что есть ещё инфраструктура, токены, интеграции, мониторинг, обучение пользователей, поддержка и отдельный штат вокруг решения. Четвёртая причина звучит знакомо для любого техлида: сначала выбирают вендора или модель, а потом начинают искать задачу, под которую всё это можно приспособить. Пятая — отсутствие владельца результата в проде. Пока ИИ живёт как совместный эксперимент ИТ, продукта и внешнего подрядчика, он может красиво существовать в презентации. Но когда нужно отвечать за сокращение издержек, ускорение обработки заявок или рост конверсии, оказывается, что отвечать, по сути, некому.
На этом фоне вполне логично выглядит тезис Gartner о том, что в 2025 году рынок генеративного ИИ вошёл в фазу разочарования. Хайп отработал своё: упоминание GenAI больше не даёт автоматический маркетинговый бонус, зато резко вырос спрос на скучные вещи вроде архитектуры, governance, качества данных и расчёта ROI. При этом агентные системы и AI-ready data, наоборот, поднимаются к пику завышенных ожиданий. И здесь есть риск повторить тот же маршрут: сначала обещания про автономных агентов, которые всё сделают сами, потом болезненное столкновение с корпоративной реальностью, где у каждого действия есть регламент, права доступа, риск-контур и стоимость ошибки.
Что компании делают вместо очередного демо
БКС описывает довольно жёсткую воронку отбора инициатив. Из примерно 100 идей в работу попадает только 10–15, и проходят они три фильтра. Первый — измеримый финансовый эффект: если цель нельзя выразить в деньгах, времени или стоимости операции, проект тормозят. Второй — проверка, нужен ли здесь вообще ИИ. Для части задач выгоднее не строить агента, а переписать регламент, почистить данные или сделать обычную автоматизацию без LLM. Третий — архитектура и полная стоимость владения: до старта разработки должны быть понятны интеграции, границы ответственности, срок окупаемости и место решения в существующем ИТ-ландшафте.
Отдельно БКС делает ставку не на один «суперпродукт», а на платформенный подход в стратегии ИИ на 2026–2027 годы. В статье говорится о целевой планке снижения операционных расходов на 30%, а сама платформа описана как набор слоёв: среда для запуска агентов, интеграционный контур, корпоративные знания и данные, AI-gateway с маршрутизацией к моделям, MCP-хаб для стыковки с внутренними системами, Agent Gateway для управления правами и изоляцией агентов, а также RAG-слой для доступа к актуальному контенту компании. Переводя с архитектурного на человеческий: бизнесу пытаются не раздавать сотню разрозненных ботов, а собрать общий каркас, на котором решения хотя бы можно поддерживать и контролировать.
Есть и организационная часть, без которой весь этот стек быстро превращается в музей пилотов. БКС пишет про четыре уровня обучения: базовая AI-грамотность для всех сотрудников, оценка ROI для руководителей, инженерия агентов для IT-специалистов и обучение пользователей работе с платформой. Плюс в каждом бизнес-юните вводится роль AI Business Partner — человека, который ищет сценарии применения ИИ, помогает перестраивать процессы и отвечает именно за бизнес-эффект. Это, пожалуй, самый неприятный, но полезный вывод для рынка: ИИ в бизнесе не внедряется силами одной команды дата-сайентистов. Если нет связки между технологией, процессом и владельцем результата, проект с высокой вероятностью останется красивой внутренней историей.
В качестве практических кейсов БКС приводит уже не абстрактные «ассистенты будущего», а довольно понятные сценарии: поддержка клиентов с автоматизацией более 60% обращений при CSAT выше 80%, агент-помощник для сейлза, решения для банковского обслуживания с распознаванием изображений и документов, а также автоматизация делопроизводства и документооборота. Набор характерный: не космические продукты, а тяжёлые участки операционки, где легче доказать эффект. И это, возможно, главный маркер взросления рынка. В 2023-м бизнес охотно покупал сам факт присутствия ChatGPT-подобных интерфейсов. В 2026-м разговор уже идёт о том, какую часть обращений можно закрыть без человека, сколько стоит транзакция и кто потом придёт на бюджетный комитет объяснять, зачем всё это было затеяно.
Из всей этой истории для российских разработчиков, продактов и ИТ-руководителей следует неприятный, но полезный вывод. Следующая волна проектов выиграет не у тех, кто быстрее подключит новую модель, а у тех, кто умеет резать идеи на входе, считать полную стоимость внедрения и отказываться от ИИ там, где он не нужен. На рынке, где все уже наигрались в демо, это и будет главным конкурентным преимуществом.