Проблема не в технологии: почему 95% ИИ-проектов проваливаются

Искусственный интеллект перестал быть экспериментом. Компании закладывают бюджеты на ИИ-трансформацию, советы директоров требуют стратегию внедрения, а поставщики обещают кратный рост эффективности. Но чем больше проектов запускает бизнес, тем чаще руководители задаются вопросом: почему эффект оказался совсем не таким, как мы ожидали?

На мой взгляд, ключевая проблема не в качестве современных моделей. Я регулярно наблюдаю похожие между собой ситуации. Компания приходит за ИИ-автоматизацией, выделяет бюджет, запускает пилот, привлекая интегратора. Через пару недель (если говорить о внедрении готовых агентов) сотрудники пробуют новый инструмент, а руководство рассчитывает на быстрый рост эффективности. Но спустя полгода выясняется, что процессы практически не изменились, сотрудники продолжают работать по-прежнему, а руководители начинают говорить, что ИИ оказался переоценен. Именно так рождается разочарование, которое сегодня многие принимают за кризис технологии.

Исследование MIT показывает, что измеримого экономического эффекта не достигают 95% корпоративных проектов с генеративным ИИ. На мой взгляд, проблема заключается вовсе не в моделях. Она гораздо ближе к классическим ошибкам управления изменениями.

Управленческая ошибка

За последние 20 лет компании успешно автоматизировали бухгалтерию, документооборот, CRM, ERP и десятки других систем. Поэтому вполне естественно, что многие пытаются применить к искусственному интеллекту тот же подход: выбрать решение, внедрить его и ждать результата. Но, как выяснилось на практике, внедрение ИИ работает иначе.

Когда компания внедряет CRM, она автоматизирует уже существующий процесс продаж. Когда внедряет искусственный интеллект, она фактически меняет сам способ принятия решений внутри организации. А это уже не технологическая задача, а управленческая. Именно здесь возникает первая ошибка.

Во многих компаниях инициатором таких проектов становится IT-директор или подразделение цифровизации. Они отвечают за выбор платформы, интеграции, безопасность, инфраструктуру. Но почти никогда — за финансовый результат проекта.

В итоге внедрение стопорится ровно в тот момент, когда система начинает работать технически. Хотя именно после этого начинается самая сложная часть — изменение процессов, обучение сотрудников, перераспределение ролей и постоянная настройка модели под реальные бизнес-задачи.

На практике оказывается, что ИИ невозможно «включить» как новый программный продукт. Его необходимо встроить в ежедневную работу компании и во внутреннюю культуру. И ответственность за это лежит не только на IT-подразделении, но прежде всего на руководителях бизнеса.

Неслучайно, по данным BCG, около 70% успеха ИИ-трансформации определяется людьми, процессами и корпоративной культурой, а вовсе не качеством алгоритмов. На мой взгляд, именно эта цифра сегодня лучше всего объясняет происходящее на рынке.

Автоматизация хаоса

Есть еще одна закономерность, которая наблюдается практически в каждом втором проекте: компании хотят ускорить процесс, который сам по себе работает плохо.

На первый взгляд это кажется логичным. Если искусственный интеллект способен выполнять задачи быстрее человека, значит, достаточно встроить его в существующий процесс — и эффективность вырастет. На практике происходит обратное: ИИ не исправляет хаос, а масштабирует его.

Хороший пример — история компании Zillow. В 2021 году компания сделала ставку на алгоритмы для автоматической оценки стоимости домов в сервисе Zillow Offers и начала массово выкупать недвижимость. Однако модель принимала решения на основе неполных данных и процессов, которые плохо учитывали реальные затраты на ремонт, скорость сделок и стремительные изменения рынка. В результате компания была вынуждена закрыть направление, понеся многомиллионные убытки. Проблемой оказался не сам искусственный интеллект, а попытка автоматизировать бизнес-процесс, который оказался значительно сложнее и менее предсказуемым, чем предполагалось.

Другой показательный пример — Air Canada. Компания внедрила чат-бота для общения с пассажирами, однако не обеспечила его актуальными внутренними регламентами. В результате бот начал давать клиентам ответы, противоречащие официальной политике перевозчика. Когда один из пассажиров обратился в суд, авиакомпания попыталась заявить, что не несет ответственности за действия чат-бота. Суд с этим не согласился. Причиной проблемы стала не ошибка языковой модели, а отсутствие процесса проверки информации и человеческого контроля над решениями ИИ.

Теневой ИИ

Пока руководители обсуждают стратегии, реальное использование ИИ давно ушло в тень. По данным ГК «Солар», объем корпоративных данных, отправляемых сотрудниками в публичные нейросети — ChatGPT, Google Gemini и аналогичные сервисы, — вырос за 2025 год в 30 раз. Сотрудники загружают туда фрагменты кода, финансовые отчеты, юридические документы и базы клиентов. Около 60% российских компаний вообще не имеют политик регулирования использования ИИ. Коммерческая тайна и персональные данные циркулируют на внешних серверах, а бизнес об этом даже не подозревает.

Утечка персональных данных через публичные нейросети — прямая угроза многомиллионных штрафов. По ст. 13.11 КоАП РФ («Нарушение законодательства Российской Федерации в области персональных данных») размер санкций может достигать 6% годовой выручки, а при масштабных нарушениях применяется оборотный штраф до 500 млн руб. В 2025 году Роскомнадзор уже оштрафовал ряд компаний на десятки миллионов рублей за незаконную передачу данных. В 2026 году ведомство получило право проводить внеплановые проверки по фактам теневого ИИ, а значит, одна неосторожная загрузка таблицы в ChatGPT может обернуться не только потерей конкурентного преимущества, но и уголовной ответственностью для должностных лиц.

Само по себе использование ИИ не проблема. Более того, оно говорит о том, что сотрудники готовы менять привычные способы работы гораздо быстрее, чем многие компании. Проблема возникает тогда, когда бизнес делает вид, что проблемы регуляции использования ИИ не существует.

Если в компании нет понятных правил использования ИИ, сотрудники начинают устанавливать их самостоятельно. Один загружает в публичную модель коммерческое предложение, другой — договор, третий — фрагмент внутреннего кода. При этом большинство даже не задумывается, где впоследствии окажутся эти данные и кто сможет получить к ним доступ.

В результате организация сталкивается сразу с двумя рисками. Первый — потеря контроля над собственной информацией. Второй — потеря доверия к самой технологии после первого серьезного инцидента. Поэтому сегодня политика использования искусственного интеллекта становится такой же базовой частью корпоративного управления, как политика информационной безопасности или обработки персональных данных.

Вступайте в сообщество Школы управления РБК в Telegram или «Максе», чтобы общаться с руководителями из разных сфер, выстраивать нетворкинг и получать советы экспертов.

Что отличает компании, у которых получилось

Есть вопрос, который руководители редко задают вслух, но почти всегда держат в голове: cколько сотрудников мы сможем заменить? Я понимаю, откуда возникает этот вопрос. После нескольких лет дефицита кадров и роста зарплат желание сократить постоянные расходы выглядит вполне рационально, особенно когда поставщики технологий обещают, что ИИ способен выполнять работу целых подразделений, но практика последних лет показывает другую картину.

Компании, которые сегодня получают максимальную отдачу от искусственного интеллекта, почти никогда не начинали проекты с идеи сокращения людей. Они начинали с поиска мест, где сотрудники перестали успевать создавать ценность.

Хороший пример — Morgan Stanley. Компания внедрила генеративный ИИ не для того, чтобы заменить финансовых консультантов, а чтобы избавить их от постоянного поиска информации в тысячах внутренних документов. Сегодня система помогает консультантам находить нужные материалы за секунды вместо долгого ручного поиска. В результате специалисты стали тратить больше времени на работу с клиентами, а не на навигацию по корпоративной базе знаний.

Именно в этом, на мой взгляд, проходит граница между зрелым и незрелым подходом к внедрению. Если единственная цель проекта — уменьшить фонд оплаты труда, почти всегда возникает соблазн максимально быстро вывести человека из процесса. Но генеративный ИИ пока плохо справляется с неопределенностью, нестандартными ситуациями и ответственностью за последствия своих решений.

Поэтому компании, которые действительно получают экономический эффект, действуют иначе. Сначала они позволяют сотрудникам работать быстрее. Потом — обслуживать больше клиентов. Затем — запускать новые продукты без пропорционального роста штата. И только после этого начинают пересматривать организационную структуру.

Подводя итог. Внедрение ИИ — проверка качества управления компанией. Технология ничего не ломает, она лишь быстро подсвечивает, что уже было не так в рабочих процессах. Если процессы хаотичны, данные противоречивы, ответственность размыта, а сотрудники не понимают целей изменений, ИИ лишь сделает эти проблемы заметнее.