Главная | Блог | От инструмента к стратегии: как ИИ перестал быть фишкой и стал основой бизнеса

Три года назад компании встраивали ИИ в презентации для инвесторов. Год назад – запускали пилоты, чтобы «попробовать». Сейчас разговор другой: не «внедрять или нет», а «почему не работает» и «что делать дальше». Переход случился. Но оказалось, что пройти его до конца умеют единицы.

Что изменилось: от эксперимента к инфраструктуре

Ещё в 2022 году большинство компаний воспринимало ИИ как отдельный инструмент – что-то вроде нового CRM или корпоративного чат-бота. Его можно было подключить, показать на демо-дне и отчитаться о внедрении. Связи с реальными бизнес-процессами не требовалось. Сам факт «у нас есть ИИ» уже считался достижением.

К 2025 году картина изменилась принципиально. По данным глобального исследования Wavestone, охватившего 500 руководителей, девять из десяти компаний включили ИИ в свою бизнес-стратегию. Технология перестала быть факультативом и стала инфраструктурным решением – наравне с облачными сервисами или ERP-системами. Вопрос «зачем нам ИИ» сменился на «как не отстать от тех, кто уже перестроился».

Но именно здесь начинается главная проблема. Между декларацией о стратегическом приоритете и реальной операционной зрелостью – пропасть. То же исследование Wavestone фиксирует: несмотря на включение ИИ в стратегию, большинство компаний находятся на ранних стадиях внедрения и не умеют масштабировать результат за пределы пилота. Почти половина организаций до сих пор не имеет структурированной методологии измерения ROI (Окупаемость инвестиций) от ИИ-инициатив.

Исследование МИТ (MIT) «Состояние искусственного интеллекта в бизнесе» («State of AI in Business 2025»), основанное на анализе более 300 публичных ИИ-проектов и интервью с топ-менеджерами из 52 организаций, зафиксировало неудобную истину: только 5% пилотных проектов доходят до продакшена и приносят измеримую отдачу. Остальные 95% застревают в режиме экспериментов – или закрываются вовсе.

Gartner ещё в 2024 году предупреждал: треть проектов, связанных с генеративным искусственным интеллектом будет свёрнута после этапа проверки концепции. Основные причины – не технические. Речь о плохо подготовленных данных, размытых бизнес-целях и отсутствии ответа на вопрос «как мы поймём, что стало лучше?».

Парадокс в том, что корпоративные инструменты часто буксуют не из-за слабых моделей. По выводам МИТ (MIT), ключевая проблема – отставание в обучении (learning gap): большинство ИИ-систем не сохраняют обратную связь, не адаптируются к контексту и не встраиваются в повседневную работу команды. Сотрудники привыкают пользоваться ими параллельно с основными процессами – а не внутри них. В итоге инструмент есть, но он живёт отдельно от задач, ради которых создавался.

Провальный сценарий, как правило, развивается по одному из нескольких шаблонов:

• ИИ внедряется «сверху», без участия команд, которые будут с ним работать.
• Метрики успеха не определены до старта – и через три месяца никто не может ответить, сработало ли.
• Пилот тестируется в «тепличных» условиях и не проверяется на реальных клиентских данных.
• Ответственный за результат не назначен – проект живёт между IT и бизнесом, не принадлежа никому.
• Автоматизируется неэффективный процесс, вместо того чтобы сначала его перестроить.

Последнее особенно болезненно. Если закрепить дисфункцию алгоритмом – она масштабируется быстрее, чем в ручном режиме. ИИ не исправляет плохой процесс. Он его ускоряет. Именно поэтому Гарвард Бизнес Ревью (Harvard Business Review) называет ловушкой ситуацию, когда бесконечные эксперименты заменяют стратегию, – все заняты, процесс идёт, а результата нет.

Те, кто входит в 5% успешных внедрений, действуют иначе с самого начала. Несколько закономерностей, которые исследования фиксируют стабильно:

• Начинают с конкретного бизнес-процесса, а не с выбора платформы.
• Заранее определяют метрики: что именно изменится и как это измерить.
• Назначают ответственного за результат – не из IT и не из бизнеса отдельно, а совместно.
• Вкладываются в подготовку данных до запуска ИИ, а не после.
• Работают с сопротивлением команды открыто, а не игнорируют его.

По данным исследования МИТ (MIT), стратегические партнёрства с внешними поставщиками дают результат вдвое чаще, чем попытки разработать всё самостоятельно. Инхаус-разработка выглядит привлекательно с точки зрения контроля, но требует компетенций, которые большинство компаний не имеют и не успевают нарастить. Для среднего бизнеса это особенно актуально: рынок готовых решений вырос настолько, что выгоднее выбрать подходящий инструмент и настроить под процесс, чем разрабатывать собственный.

По данным Райтер (Writer) и Воркплейс Интеллидженс (Workplace Intelligence) (опрос 2 400 сотрудников и руководителей в США, Великобритании и Европе, апрель 2026 года), 29% сотрудников открыто саботируют ИИ-проекты своих компаний – отказываются от инструментов, игнорируют корпоративные регламенты или намеренно занижают качество результатов, чтобы дискредитировать технологию. Среди зумеров этот показатель достигает 44%. Компании, которые игнорируют этот факт, получают технологию, которую никто не использует. Внутренняя коммуникация о смысле изменений работает не хуже самого ИИ-инструмента – и нередко важнее него.

Российский рынок движется по той же траектории с небольшим лагом. По данным Стратегия Партнерс (Strategy Partners), подавляющее большинство крупных российских компаний уже внедряют ИИ или планируют это. При этом по опросу МТС Web Services среди 700 компаний, формализованная ИИ-стратегия есть лишь у каждой четвёртой. Разрыв между «внедряем» и «понимаем, зачем» – системная проблема, не уникальная для России, но особенно ощутимая на фоне ускоряющегося рынка.

Сложность усугубляется инфраструктурными барьерами. По данным опросов, больше половины отечественных компаний признают, что их IT-инфраструктура не готова к полноценному внедрению ИИ: данные разрознены, системы не интегрированы, а у сотрудников нет базовых навыков работы с новыми инструментами. В такой среде даже хорошо выбранный ИИ-продукт не даст результата – потому что нечему учиться и не на что опереться.

Сбер, по собственным заявлениям, принимает 100% решений по розничным кредитам с помощью ИИ-алгоритмов и применяет их в антимошенничестве и персонализации предложений. Телеком-операторы используют ИИ в клиентской поддержке, обрабатывая десятки тысяч обращений. Эти кейсы объединяет одно: ИИ встроен в процесс, а не существует рядом с ним. И именно этого не хватает большинству компаний, которые отрапортовали о внедрении, но в реальной работе ничего не изменили.

Прежде чем запускать очередной пилот, ответьте на три вопроса: какой процесс меняем, кто отвечает за результат и как поймём, что стало лучше? Без ответов на них технология не становится стратегией – она остаётся экспериментом с красивыми слайдами. Разница между 5% успешных и 95% провалившихся – не в бюджете, не в выборе платформы и не в громкости анонса. В том, насколько честно компания ответила на эти три вопроса до старта.

К 2025 году вопрос «нужен ли бизнесу ИИ» окончательно снят – девять из десяти компаний включили его в стратегию. Настоящий вопрос теперь: как не остаться среди 95%, чьи пилоты не дали результата. Успешные внедрения отличает не технология, а подготовка: чистые данные, конкретный бизнес-сценарий, назначенный ответственный и заранее определённые метрики. ИИ не исправляет неэффективные процессы – он их масштабирует. Поэтому сначала нужно перестроить процесс, и только потом автоматизировать.