Почему 90% AI-проектов не приносят денег

Представьте: вы выделяете команде полгода и несколько миллионов гривен. Демонстрация впечатляет: искусственный интеллект (ИИ) сокращает время обработки документов в три раза. Но через три месяца после запуска никто не может показать ни одной цифры в отчете о прибылях и убытках.

Это не гипотетический сценарий, а реальность большого количества компаний в 2024-2026 годах.

Парадокс: деньги есть, результата нет

Глобальные расходы на ИИ в 2025 году достигают 1,5 трлн долл (оценкаGartner). Предприятия инвестировали 30-40 млрд долл только в генеративный искусственный интеллект. А 92% руководителей планируют и дальше наращивать эти бюджеты (McKinsey).

Но вот что показывает обратная сторона. McKinsey фиксирует: хотя 88% организаций уже используют ИИ, только 39% видят хоть какое-то влияние на операционную прибыль. BCG подтверждает: только 22% компаний вышли за пределы пробного запуска, и только 4% создают существенную ценность.

Подавляющее большинство пилотных проектов по искусственному интеллекту не конвертируется в стабильный финансовый результат, даже если демонстрации выглядят убедительно.

Пилотный проект обычно отвечает на вопрос "работает ли модель?" Но бизнесу нужно совсем другое: "работает ли экономика процесса после внедрения?"

То есть: изменилась ли скорость, упала ли себестоимость операции, уменьшились ли ошибки и потери, выросла ли конверсия или удержание - и главное, стало ли это постоянным контуром, а не разовой демонстрацией.

Чтобы искусственный интеллект давал финансовый результат, недостаточно "запустить модель". Надо перепроектировать процесс, данные, ответственность и контроль так, чтобы ценность конвертировалась в деньги.

Семь причин, почему пилотные проекты не дают финансовых результатов

Пилот без владельца и без целевых показателей

Чаще всего пилот существует между техническим отделом и бизнесом, но никому не болит результат в деньгах. Каждое решение с ИИ должно иметь одного бизнес-ответственного, который отвечает за показатели и принимает решение "масштабируем или останавливаем". Минимальное описание ожиданий от ИИ проекта - одна страница: текущий уровень показателя, цель, экономика на одну операцию, бюджет, сроки, риски и условия, при которых проект останавливается.

Искусственный интеллект вставляют "сбоку", не меняя рабочий процесс

McKinsey проанализировал 25 характеристик организаций и обнаружил: наибольшее влияние на способность видеть финансовый эффект имеет именно перестройка рабочих процессов. Не выбор алгоритма, не объем данных, не размер бюджета.

Массачусетский технологический институт подтверждает: главная разница между теми, кто получает результат, и теми, кто нет, - это реальная перестройка ежедневной работы. Если ИИ не убрал лишних шагов, не изменил распределение задач, не стал частью основных систем - финансового эффекта не будет.

То, что работает на подготовленных данных, ломается в реальной среде

S&P Global показывает: почти половина инициатив отпадает на пути от пробного запуска до полноценной работы. Причина банальна: в тесте данные подготовили вручную, а в настоящей среде нужны стабильные потоки обработки, качество данных, права доступа, подключение к учетным и управленческим системам, мониторинг и контроль.

Большинство руководителей признают: главное препятствие - не алгоритм и не специалисты. Проблема в самих данных. Причем не в их отсутствии, а в том, что они разрознены и противоречат друг другу. Например, один и тот же клиент может быть записан как "Акме Корп" в одной системе, "Акме Корпорейшн" - в переписке, и просто "АКМЕ" - в договорах.

Считают эффект от пилотного проекта, а не полную стоимость внедрения

Пилотные проекты часто игнорируют стоимость подключения к системам, управления изменениями, поддержки, безопасности и юридических требований, контроля качества, стоимость ошибок. В итоге компания видит "впечатляющую демонстрацию", а в реальной работе получает рост расходов.

Перед запуском любого проекта нужно честно посчитать две вещи. Первое: что выиграем - сколько времени сэкономим, сколько ошибок избежим, вырастет ли доход. Второе: что это будет стоить на самом деле - не только разработка, серверы и лицензии, но и подключение к существующим системам, обучение людей, поддержка, безопасность, юридические требования.

Если выгода не превышает затраты или если этих расчетов нет вообще - это не бизнес-решение, а эксперимент за чужие деньги.

Никто не проверяет, действительно ли люди пользуются инструментом

Пилот считается успешным, потому что его показали руководству. Но рядовые работники либо не используют новый инструмент, либо обращаются к нему изредка, либо находят способы его обойти.

По данным Gallup, только 15% работников говорят, что компании донесли до них понятную стратегию по ИИ. Чтобы отслеживать реальное использование, нужно измерять простые вещи: сколько людей пользуются ежедневно и еженедельно, какая доля задач проходит через систему, как быстро получают результат, как часто возникают сбои, довольны ли люди качеством работы.

Отсутствует система управления качеством и обратной связи

Искусственный интеллект - не калькулятор: его результаты нуждаются в проверке, особенно в начале. Без механизма, который фиксирует ошибки, возвращает их в процесс обучения и улучшает модель, качество со временем не растет, а падает.

Компании, которые этого не предусмотрели, через несколько месяцев сталкиваются с тем, что сотрудники больше не доверяют системе - и возвращаются к ручным процессам.

Слишком много инициатив сразу - и ни одну не доводят до результата

BCG показывает, что большинство компаний застревает в пробных проектах. Типичная ошибка - много мелких инициатив без фокуса и без способности организации поглотить изменения. Массачусетский технологический институт обнаружил, что крупные предприятия лидируют в количестве пилотов, но отстают в конверсии их в полноценную работу.

Вместо этого стоит сосредоточиться: сначала 1-2 приоритетных проекта с большим потенциалом, параллельно 3-5 средних - и только после реальных результатов браться за остальные.

Почему 5% успешных - успешные: закономерности, которые работают

Ведущие исследователи единодушно указывают на общие черты организаций, которым удается получить реальный финансовый эффект от ИИ. Эти закономерности - не о лучших алгоритмах. Они о лучшей управленческой дисциплине.

Закономерность первая: сначала перестройка процессов, затем технология

McKinsey проанализировал 25 характеристик компаний и обнаружил: именно перестройка рабочих процессов больше всего влияет на финансовый результат. При этом только 21% компаний действительно пересмотрели хотя бы часть процессов. Те, кто это сделал, - видят результаты. Остальные - нет.

Закономерность вторая: внутренние операции дают больше, чем продажи и маркетинг

Большинство компаний вкладывает 50-70% бюджета на искусственный интеллект в продажи и маркетинг.

Наибольшую экономию обычно дают системы для автоматизации внутренних процессов: автоматизированная проверка документов, централизованные базы знаний с AI-поиском, интеллектуальные сервис-дески, автоматизация рекрутинга.

Такие решения сокращают расходы на ручную работу и внешних подрядчиков, ускоряют операционные процессы и возвращают тысячи часов рабочего времени ежемесячно. Именно поэтому наибольшая экономическая ценность AI часто находится не на стороне клиентского опыта, а внутри операций компании. Компании, сделавшие этот выбор, экономят от 2 млн долл до 10 млн долл в год и до 30% расходов на внешние агентства (BCG).

Закономерность третья: 90 дней вместо 9 месяцев

Компании, получающие результат, не застревают в тестах. Они за 90 дней выводят ИИ в реальные операции - пусть не идеально, но уже с измеримым эффектом. Те, кто тратит девять месяцев, обычно не доходят до внедрения вообще: проект теряет поддержку, команда - мотивацию, а бизнес - деньги.

Закономерность четвертая: лидеры берут личную ответственность

В компаниях, достигающих эффекта, внедрение искусственного интеллекта - не инициатива технического отдела. Это личный приоритет руководителя. Именно он формулирует, какой финансовый результат ожидается, кто за него отвечает и когда его следует достичь.

Закономерность пятая: работников привлекают, а не ставят перед фактом

Успешные компании не просто внедряют инструмент и ждут, что люди сами разберутся. Они объясняют, зачем это нужно, обучают работать по-новому и прислушиваются к тем, кто непосредственно выполняет работу.

Закономерность шестая: контроль расходов с первого дня

Исследования показывают, что 20-30% стоимости технологий теряется из-за отсутствия финансовой дисциплины. Успешные компании с первого дня устанавливают лимиты и квоты, выбирают инструменты под конкретные задачи, считают стоимость каждого решения и имеют четкие правила, когда ИИ не нужен.

Закономерность седьмая: измеряют то, что действительно важно для бизнеса

Успешные компании не отчитываются о количестве запущенных проектов или о том, сколько людей прошло обучение. Они измеряют конкретные изменения: сократилось ли время выполнения операции, уменьшилось ли количество ошибок, вырос ли доход или упали расходы. Если через шесть месяцев после запуска невозможно показать цифры в деньгах - это сигнал, что что-то пошло не так.

Практический план

Шаг первый: начинать с экономики, а не с технологии

Выбирать не "где можно применить ИИ", а "где наибольшее потенциальное влияние на финансовый результат". Компании, которые ставят цели роста и инноваций, а не только сокращение расходов, получают от ИИ наибольшую ценность. Перспективные направления сегодня: документооборот и проверка соответствия требованиям, централизованные базы знаний, центры поддержки клиентов, закупки, логистика, планирование, контроль качества и производственные инциденты.

Шаг второй: девяносто дней вместо года тестов

Цель первых 90 дней - не найти лучший алгоритм, а получить реально работающий процесс с измеряемыми результатами.

Первый месяц - это диагностика: понять, как процесс работает сейчас, оценить состояние данных, спланировать подключение к существующим системам, перепроектировать сам процесс под новую логику и честно оценить риски.

Второй месяц - запуск минимального рабочего варианта в реальном потоке операций, не в тестовой среде. С первого дня - журналирование событий и контроль качества: фиксировать, что работает, что нет, где система ошибается.

Третий месяц - расширение, оценка результатов и план масштабирования. Если на этом этапе нет цифр в деньгах - это сигнал остановиться и пересмотреть подход.

Шаг третий: подключение к основным рабочим системам

Универсальные инструменты вроде чат-ботов распространяются быстро - но редко дают финансовый результат, так как существуют отдельно от основных процессов. Настоящий эффект начинается тогда, когда ИИ работает именно там, где возникает событие: пришло письмо от клиента - система анализирует и предлагает ответ; поступил заказ - автоматически проверяет соответствие условиям договора; появился документ - извлекает нужные данные и записывает их в учетную систему.

Принцип прост: решение фиксируется в системе, результат измеряется, а ошибки возвращаются обратно и улучшают модель. Не еще один отдельный инструмент, а часть живого рабочего процесса, который становится точнее с каждой неделей.

Шаг четвертый: контроль расходов с первого дня

Без этого расходы легко выходят из-под контроля. Лимиты и квоты, выбор инструментов под конкретные задачи, оценка стоимости каждого решения и четкие правила, когда искусственный интеллект не нужен.

Шаг пятый: система управления как ускоритель, а не бюрократия

Быстро определить: какие данные можно и нельзя использовать, где требуется участие человека, какие проверки нужны, какие риски и обязательства по качеству, как реагировать на сбои.

Формула распределения усилий: 70% - управление изменениями и готовность организации, 20% - работа с данными, 10% - сами алгоритмы.

Шаг шестой: кто и за что отвечает

Проекты с ИИ чаще всего теряются не из-за технологии, а из-за размытой ответственности. Каждый ждет решения от другого - и в итоге ничего не движется.

Чтобы этого избежать, с первого дня должно быть понятно: кто отвечает за финансовый результат, кто перестраивает рабочий процесс и привлекает людей, кто обеспечивает качество данных и работоспособность технического решения, и кто ведет обучение, коммуникации и формирует новые правила работы. Это могут быть четыре человека или два - в зависимости от размера компании. Главное, чтобы за каждым направлением стояло конкретное имя, а не абстрактный отдел или рабочая группа.

Итог

Прежде чем выделять бюджет на следующий проект по искусственному интеллекту, стоит честно ответить себе на три вопроса.

• Кто конкретно отвечает за финансовый результат?
• Какую именно операцию мы перестраиваем и как будем измерять, что стало лучше?
• Какую цифру в деньгах мы сможем показать через 90 дней после запуска?

Если на любой из этих вопросов нет четкого ответа - это не бизнес-решение, а эксперимент. А эксперименты без мерила успеха имеют свойство превращаться в расходы без конца.

Когда ИИ применяют в правильном месте и с правильным подходом, он уже сегодня приносит реальные деньги. Компании-лидеры ставят цели не только на сокращение расходов, но и на рост дохода - и достигают и того, и другого.

Разница между теми, кто получает миллионы отдачи, и теми, кто списывает миллионы расходов, не в качестве алгоритма. Она в том, встроен ли ИИ в реальную экономику бизнеса - или остался красивой демонстрацией на совещании.

Искусственный интеллект - не волшебная палочка и не модная игрушка. Это инструмент, который работает только тогда, когда встроен в реальную экономику бизнеса. Те 5-6% компаний, которые получают результат, не имеют лучших алгоритмов. Они имеют лучшую управленческую дисциплину. И это та часть, которую может повторить любой.