ИИ в крупных компаниях: почему 95% проектов сгорают впустую и что делают оставшиеся 5%

В 2026 году вопрос «внедрять ли ИИ» в крупном бизнесе уже не стоит. Внедряют все. Зарабатывают — единицы. Исследование MIT «State of AI in Business» показало: компании вложили в генеративный ИИ миллиарды долларов, но только 5% пилотных проектов дали измеримый финансовый эффект. На ИИ‑конференции в Дубае один из спикеров сформулировал причину одной фразой: «Проблема не в моделях. Проблема в людях, данных и динозаврах‑ERP». Разберём, где ИИ в корпорациях реально приносит деньги, почему чаще всего не приносит — и как попасть в те самые 5%.

Где ИИ реально окупается: скучный бэк‑офис, а не модный чат‑бот

Самые прибыльные сценарии:

• автоматическое составление и анализ договоров;
• генерация кода;
• обработка обращений и внутренних заявок;
• подготовка коммерческих предложений и тендерной документации.

Логика простая. В бэк‑офисе процессы повторяются тысячи раз, результат измеряется в часах и деньгах, а сопротивление минимально — рутину не любит никто.

Сколько это в деньгах: примеры из практики

Кейс из моей практики — автоматизация коммерческих предложений для тендеров и госзакупок. ИИ‑система читает техническое задание, понимает требования и формирует готовое КП. Раньше руководитель тратил на каждое предложение 4 часа, теперь — 30 минут на проверку того, что сделал ИИ. На потоке из десятков тендеров в месяц это высвобождает недели рабочего времени и позволяет участвовать в большем числе закупок без расширения штата.

Другой мой кейс экономит клиенту 3,5 часа каждый день — за счёт автоматизации одного‑единственного процесса обработки входящей информации.

Есть и экономия второго порядка. Проекты, которые раньше требовали команду из пяти разработчиков, тестировщика и менеджера, сегодня ведёт один специалист, умеющий работать с языковыми моделями. Параллельно сокращаются расходы на агентства и аутсорсинг: рутинные задачи возвращаются внутрь компании — к ИИ‑агентам.

Почему внедрение не «выстреливает»: четыре причины смерти корпоративного ИИ

По моему опыту, корпоративные ИИ‑проекты умирают по четырём причинам.

Первая — спешка с демо. Подрядчик запускает красивый пилот, который не понимает ни терминологии отрасли, ни специфики процессов компании.

Вторая — грязные данные. Половина всех проблем с ИИ‑агентами — это данные: неструктурированные, разбросанные по двум сотням систем, в которых никто не ориентируется. Аккуратный Excel‑файл полезнее «озера данных», к которому страшно подступиться.

Третья — инфраструктура «на скотче». Легаси‑системы, старые лицензии, ERP двадцатилетней давности.

И поверх всего этого ставят модную нейросеть и ждут магии. Это как пытаться проехать на Aurus по болоту.

Отдельное явление — «разрыв GenAI»: сотрудники массово пользуются нейросетями в личном режиме, но бизнес‑процессы на уровне организации не меняются. ИИ в компании есть, эффекта — нет.

Как попасть в 5%

Вот что отличает компании, которые получают эффект.

Думают от задачи, а не от модели. Не «нам нужен ИИ», а «как сократить обработку заявки с 2 часов до 10 минут».

Начинают с боли сотрудников. Самая раздражающая рутинная задача автоматизируется первой — так вместо саботажников вы получаете фанатов внедрения.

Наводят порядок в данных до запуска, а не после.

Требуют от поставщиков не красивых пилотов, а глубокой интеграции и адаптации под свои процессы. По данным того же MIT, внешние партнёрства приносят вдвое больше пользы, чем внутренние разработки: специализированные команды двигаются быстрее корпоративных IT‑отделов.

Большие данные: из мёртвого груза — в актив

У крупной компании есть то, чего нет у малого бизнеса: годы накопленных данных. Проблема в том, что чаще всего они лежат мёртвым грузом. Связка языковой модели и RAG — генерации с опорой на корпоративную базу знаний — превращает архивы во «второй цифровой мозг» компании. ИИ‑агент мгновенно отвечает на вопросы по регламентам, договорам, переписке и отчётам, со ссылками на источники. Новый сотрудник адаптируется за дни, а не за месяцы, экспертиза перестаёт уходить вместе с уволившимися людьми.

Это конкурентное преимущество, которое невозможно скопировать: модели доступны всем, а данные — только ваши.

ИИ и решения руководителя

Современные ИИ‑агенты собирают данные из CRM, 1С и внутренних систем, сверяют их с открытыми источниками, анализируют коммерческие предложения конкурентов и выдают структурированную картину для принятия решения. Руководитель, который получает такую аналитику за минуты вместо недели ожидания отчёта, просто быстрее конкурентов.

Но важно понимать границу: ИИ убирает рутину подготовки решения — сбор, сверку, расчёты, сценарии. Само решение и ответственность за него остаются за человеком.

Этика и закон: что нельзя игнорировать

Три вещи, которые я рекомендую держать в фокусе.

Регулирование. Государство готовит правила игры: обсуждаются категории ИИ‑моделей, маркировка сгенерированного контента, право граждан оспаривать решения, принятые с использованием ИИ. ФСТЭК формирует стандарты безопасной разработки ИИ‑систем. Вывод для бизнеса: безопасность нужно закладывать в архитектуру с самого начала, а не «прикручивать потом».

Ответственность. Нейросети ошибаются — это их свойство, а не баг. Поэтому в каждом процессе должна быть точка контроля человеком, особенно там, где решения касаются людей и денег.

Вместо вывода

Генеративный ИИ — это не технологическая, а психологическая и управленческая революция. Модели сегодня доступны всем, разница — в готовности менять процессы, данные и мышление руководителей. Те, кто перестроится сейчас, займут рынок завтра. Остальным придётся долго и дорого догонять.