95% AI-пилотов без эффекта: данные предприятия не задействованы

Откуда взялась цифра, напугавшая рынок

Летом 2025 года исследовательская группа MIT NANDA (авторы — Адитья Чаллапалли, Крис Пиз, Рамеш Раскар, Прадьюмна Чари) опубликовала предварительный отчёт «The GenAI Divide: State of AI in Business 2025». Его главный тезис: при $30–40 млрд корпоративных инвестиций в генеративный ИИ около 95% организаций не получают отдачи, и лишь 5% интегрированных пилотов «извлекают миллионы» — остальные застревают без измеримого влияния на прибыль и убытки (P&L). Этот водораздел авторы назвали разрывом GenAI (GenAI Divide) и сразу оговорили: он определяется не качеством моделей и не регулированием, а подходом к внедрению.

После пересказа в Fortune 18 августа 2025 года цифра «95%» зажила собственной жизнью — как приговор технологии. Для руководителя предприятия полезнее прочитать отчёт иначе: как каталог типовых ошибок интеграции, в центре которых одна и та же ситуация — модель есть, а данные предприятия не задействованы.

Как MIT считал — и что написано мелким шрифтом

Методология по тексту самого отчёта: систематический разбор более 300 публично раскрытых AI-инициатив, структурированные интервью с представителями 52 организаций и опрос 153 руководителей на четырёх отраслевых конференциях; период исследования — январь–июнь 2025. Fortune описал масштаб щедрее — 150 интервью с лидерами, опрос 350 сотрудников, анализ 300 внедрений; расхождение медиапересказа с первоисточником — само по себе повод открывать оригинал.

Определение успеха у авторов узкое: внедрение считается успешным, если пользователи или руководители сами отметили «заметный и устойчивый» эффект на производительность или P&L. То есть 95% провалов — это обобщение интервью и самооценок, а не аудит финансовой отчётности. Отчёт честно помечен как предварительные выводы (preliminary findings) и содержит собственную оговорку: цифры «верны по направлению», выборки по категориям различаются, а определения успеха у разных организаций не совпадают.

Использование массовое, трансформация редкая

Внутри отчёта картина более дробная, чем в заголовках:

• Универсальные инструменты (ChatGPT, Copilot): более 80% организаций изучали их или запускали пилоты, почти 40% дошли до внедрения. Но они повышают личную продуктивность сотрудников, а не показатели компании.
• Специализированные корпоративные системы — купленные или самописные: 60% организаций оценивали, 20% довели до пилота и лишь 5% — до промышленной эксплуатации. Провал происходит на стыке с реальными процессами: хрупкие сценарии, отсутствие контекстного обучения, несовпадение с ежедневной работой.
• Структурные сдвиги заметны только в двух секторах — технологиях и медиа; остальные отрасли показывают активность пилотов без изменения бизнес-моделей. Любопытно, что даже число секторов в резюме («2 из 8») и в основном тексте («семь из девяти») не сходится.

Отдельный сюжет — деньги. Около 50% AI-бюджетов уходит в продажи и маркетинг (в опросе с гипотетическим распределением $100 эти функции забрали примерно 70%), потому что там эффект легко показать совету директоров: объём демо, скорость ответов на письма. При этом наибольшую отдачу авторы фиксируют в бэк-офисе — сокращение аутсорсинга бизнес-процессов (BPO) и расходов на внешние агентства. Эффект юридической, закупочной и финансовой автоматизации труднее вынести на слайд, поэтому самые окупаемые направления остаются недофинансированными.

Разрыв в обучении: механика провала

Центральное понятие отчёта — разрыв в обучении (learning gap): большинство корпоративных AI-систем не запоминают обратную связь, не адаптируются к контексту и не улучшаются со временем. Барьер масштабирования — не инфраструктура, не регулирование и не кадры, а именно неспособность системы учиться на данных и процессах конкретного предприятия.

Показателен пример из отчёта: юрист компании, купившей специализированный инструмент анализа контрактов за $50 000, продолжала работать в ChatGPT за $20 в месяц — потому что с ним можно уточнять запрос шаг за шагом и управлять диалогом, а корпоративный инструмент выдавал жёсткие, ненастраиваемые сводки. Универсальный чат-бот выигрывает на простых задачах и проигрывает на критических процессах, где нужны память, доступ к данным предприятия и встраивание в рабочий процесс.

Отсюда и вывод про «покупать или строить»: внешние партнёрства доходят до результата примерно вдвое чаще самописных систем — в изложении Fortune это ~67% против ~33%. Разрыв и в скорости: лучшие компании среднего сегмента проходили путь от пилота до внедрения за 90 дней, корпорации с выручкой от $100 млн — за девять месяцев и дольше, при наибольшем числе пилотов и худшей конверсии. Колонка Джейсона Снайдера в Forbes (26.08.2025) дополняет картину: успешные 5% не обходят «трение» — сопротивление людей, комплаенс, качество данных, — а проходят сквозь него; пилоты, гладкие на демо, разваливаются при первом контакте с организационной фактурой.

Теневая экономика ИИ: 90% против 40%

Вторая по цитируемости находка после «95%»: официальную подписку на большие языковые модели (LLM) купили лишь 40% компаний, но в более чем 90% опрошенных компаний сотрудники регулярно используют личные аккаунты ChatGPT, Claude и подобных сервисов для рабочих задач — часто без ведома ИТ. Отчёт называет это теневой экономикой ИИ (shadow AI economy) и трактует оптимистично: сотрудники уже пересекли разрыв самостоятельно, и наблюдение за теневым использованием подсказывает, какие инструменты закупать.

Для службы ИБ та же картина читается иначе: рабочие документы и данные уходят в личные аккаунты — вне контура, без защиты от утечек (DLP), без журналирования, без договорных гарантий обработки. Отчёт этот аспект почти не разбирает: его оптика — окупаемость инвестиций (ROI), а не риски. Но управленческий вывод двойной: спрос сотрудников на ИИ огромен и уже удовлетворяется — вопрос только в том, происходит это в поле зрения предприятия или мимо него.

Критика: чего цифра 95% не означает

Отчёт встретили не только заголовками, но и разбором методологии. Основные претензии:

• Непрозрачность данных. Futuriom указывает: 52 интервью, все цитаты анонимны, происхождение цифры 95% в тексте не показано — «методичным анализом отчёта к выводу о 95% провалов прийти трудно». Профессор Уортона Кевин Вербах сформулировал жёстче: либо опубликуйте полные данные, либо отзовите отчёт.
• Возможный конфликт интересов. Проект NANDA продвигает инфраструктуру «агентного веба»; критики отмечали, что авторам выгодно показать текущие корпоративные подходы провальными.
• Узкое определение эффекта. В «успех» записан только заметный и устойчивый вклад в P&L со слов респондентов за короткое окно наблюдения. Рост личной продуктивности у 40% компаний, внедривших универсальные инструменты, провалом по существу не является — при другой метрике та же выборка дала бы другую цифру.

Отрезвляющий ориентир — прогноз Gartner (пресс-релиз 29.07.2024): не менее 30% проектов генеративного ИИ будут остановлены после проверки концепции (proof of concept) к концу 2025 года — из-за низкого качества данных, недостаточного контроля рисков, растущих затрат (типовое внедрение Gartner оценивает в $5–20 млн) и неясной бизнес-ценности. Цифры MIT и Gartner различаются в разы — 95% и 30% измеряют разное на разных выборках, — но перечень причин совпадает: данные, контроль, стоимость, ценность. Не качество моделей.

Что это значит для предприятия: проблема №3

Если снять слой сенсации, отчёт описывает проблему SAID №3 в промышленном масштабе. «Не учится», «не помнит», «не знает наших регламентов» — это не дефекты нейросети, а отсутствие инженерии контекста: доменов знаний, генерации с опорой на документы (RAG), памяти агента, интеграции с системами, где живут данные предприятия. Практические следствия для директора и архитектора:

1. При покупке требовать не демо, а адаптацию под процесс и подключение к данным предприятия; оценивать по бизнес-результату, а не по бенчмаркам ПО.
2. Искать окупаемость в бэк-офисе — там, где отчёт фиксирует реальный ROI, — а не только в витринных функциях продаж и маркетинга.
3. Теневой ИИ запретом не убирается: 90% — это метрика спроса. Канал нужно легализовать и поставить под контроль — иначе утечки так и останутся невидимыми.
4. Собственную разработку начинать только там, где покупного решения с доступом к нужным доменам знаний нет: статистика двукратного проигрыша самописных систем — аргумент в бюджетных спорах.

Выводы

«95% провалов» — цифра с оговорками: предварительное исследование, самооценки вместо аудита, узкое определение успеха, небольшая и непрозрачная выборка. Но и с поправкой на всё это отчёт MIT NANDA сходится с более консервативным Gartner в главном: проекты генеративного ИИ умирают не на моделях, а на данных и управлении внедрением. Предприятия платят за интеллект общего назначения и не подключают к нему собственные знания — а сотрудники тем временем решают задачи через личные аккаунты, вне контура и контроля. Разрыв GenAI преодолевается не следующей версией модели, а инженерией: данными, контекстом и управляющим слоем вокруг ИИ.