По данным Hackernoon, в 2025 году технологии искусственного интеллекта внедрены как минимум в одном из бизнес-функционалов в 78–80% мировых компаний, однако более 90% проектов с генеративным ИИ не приносят ожидаемой прибыли, пишет КТРК. Несмотря на масштабное распространение ИИ в банках, ритейле, логистике и корпоративных системах, большинство инициатив застревают на стадии пилотных запусков, не доходя до реальных изменений в бизнес-процессах.
Эксперты отмечают, что вместо трансформации компании получают лишь рост инфраструктурных расходов и накопление сложностей: высокая стоимость моделей, нехватка специалистов, несовместимость с устаревшими IT-системами и давление регуляторов тормозят масштабирование. Показательно, что многие топ-менеджеры всё чаще воспринимают ИИ не как инвестицию, а как затратную статью.
Имитация внедрения вместо результата
На первый взгляд, массовое внедрение ИИ в корпорациях может казаться успехом: почти каждая крупная компания применяет нейросети в той или иной форме. Однако анализ показывает, что значительная часть этих проектов служит лишь для демонстрации инновационности перед акционерами. Так называемые «песочницы» и доказательства концепции не доходят до реального влияния на операционную деятельность.
Мешает этому множество факторов: высокая стоимость интеграции, конфликты с унаследованными системами, нормативные ограничения и отсутствие чётких метрик эффективности. В результате компании громко заявляют о лидерстве в ИИ, но практически не показывают реальных успехов за пределами пресс-релизов. Подлинное внедрение требует не разового запуска, а перестройки процессов, подготовки кадров и полной интеграции ИИ в инфраструктуру.
Первая волна разочарования: когда нет прибыли
Главное разочарование наступает при попытке монетизировать ИИ. Запуск крупных языковых моделей и поддержка облачной инфраструктуры требуют колоссальных затрат. По данным Reuters, глобальные вложения в ИИ-инфраструктуру могут достичь 3–4 трлн долларов к 2030 году. Для многих компаний одних только авансовых вложений достаточно, чтобы не окупиться в ближайшие годы.
Кроме того, корпоративные ожидания часто не соответствуют реальным срокам отдачи: от ИИ ждут быстрых результатов, аналогичных маркетинговой кампании, тогда как реальная ценность формируется годами. Без дисциплины исполнения и перераспределения ресурсов проекты превращаются в неэффективные расходы, не приносящие бизнесу прибыли или конкурентного преимущества.
Примеры успешной интеграции: точка приложения важнее технологии
Некоторые компании всё же добиваются реальных результатов. Microsoft встроила ИИ-ассистента Copilot прямо в офисные приложения — Word, Excel, Outlook — и таким образом обеспечила масштабное внедрение без изменения поведения сотрудников. Это позволило превратить Copilot из экспериментального инструмента в стандарт продуктивности.
Walmart применяет ИИ в логистике: программа Self-Healing Inventory помогла сократить потери, оптимизировать прогноз спроса и сэкономить более 55 млн долларов. Успех обеспечила не уникальность алгоритмов, а точка применения: система охватила ключевую часть бизнеса — цепочки поставок. Масштаб позволил даже небольшим улучшениям дать внушительный экономический эффект.
Когда ИИ не оправдывает ожидания
Тем не менее большинство инициатив остаются в тени из-за несоответствия между обещаниями и реальностью. В банке JPMorgan регулирование и требования к прозрачности замедляют развитие ИИ-моделей в трейдинге и риск-менеджменте. Даже при наличии финансирования и инфраструктуры корпоративные риски и юридические ограничения тормозят масштабные внедрения.
Salesforce с проектом Einstein GPT также столкнулась с ограниченным эффектом: в некоторых пилотных зонах, таких как клиентское обслуживание Gucci, наблюдался рост эффективности до 30%, но в большинстве случаев улучшения были лишь точечными — ускорение подготовки e-mail или сокращение времени обработки звонков. Общий эффект оказался ниже ожиданий.
Порог зрелости: внедрять или ждать?
Перед руководителями стоит выбор: продолжать внедрение ИИ, несмотря на риски, или ждать технологической зрелости. И у того, и у другого подхода есть цена. Барьеры включают дефицит вычислительных мощностей, сложность интеграции с наследуемыми ИТ-системами, сопротивление сотрудников и растущее давление регуляторов, таких как EU AI Act.
Но отказ от внедрения тоже рискован: компании, которые упустят волну, могут оказаться в положении аутсайдеров, теряя эффективность на фоне конкурентов. История с интернетом в 1990-х и облачными технологиями в 2010-х показывает, что «ожидание» — не всегда безопасная стратегия. Те, кто адаптируется и выстраивает устойчивые ИИ-стратегии, в долгосрочной перспективе получают преимущество.
Напомним, ранее мы писали про 5 проблем, которые нужно решить для цифрового равенства.
