Разрыв внедрения: почему ИИ-пилоты не превращаются в экономический эффект

Введение: технология доступна, эффект — нет

За последние три года искусственный интеллект прошел путь от предмета стратегических деклараций до элемента повседневной корпоративной практики. Доступ к моделям перестал быть барьером: он покупается по подписке, разворачивается в контуре компании, встраивается в офисные и производственные системы. Но именно в этот момент обнаружился парадокс, который сегодня определяет повестку: технология стала массовой, а измеримый экономический эффект — нет.

Наиболее резонансную формулировку этому дал доклад инициативы NANDA Массачусетского технологического института «The GenAI Divide: State of AI in Business 2025». Авторы изучили более 300 публично раскрытых корпоративных инициатив, провели структурированные интервью с руководителями и опросы сотрудников — и пришли к выводу, что примерно 95% пилотных проектов генеративного ИИ не дают измеримого эффекта на финансовый результат, оставаясь в статусе proof of concept или локального инструмента одной команды. Успех концентрируется в узкой группе: около 5% внедрений доходят до промышленной эксплуатации и приносят компании ощутимый результат.

Эти цифры важно читать корректно. Они не означают, что ИИ не работает. Они означают другое: разрыв проходит не между «умными» и «неумными» моделями, а между организациями, которые перестроили процесс, и организациями, которые встроили модель в непеределанный процесс. Первые получают эффект, вторые — отчет о пилоте.

Анатомия разрыва: пять типовых точек обрыва

Первая точка — данные, не готовые к эксплуатации. Пилот запускается на выгрузке, подготовленной вручную под демонстрацию. Промышленная эксплуатация требует регулярного, версионированного, качественного потока данных с понятным владельцем. Между этими состояниями лежит инженерная работа, которую редко закладывают в бюджет пилота, потому что она не выглядит как «искусственный интеллект».

Вторая точка — отсутствие метрики эффекта. Огромная часть проектов измеряется в терминах «сотрудники довольны» и «стало быстрее». Но экономия минут не конвертируется в прибыль автоматически. Если высвобожденное время не перераспределено — на дополнительный объем, на сокращение внешних закупок, на новый продукт, — компания финансирует комфорт, а не производительность. Эффект должен быть заранее привязан к строке в P&L: себестоимость операции, стоимость обработки заявки, доля брака, срок цикла, объем сверхурочных.

Третья точка — процесс, оставшийся прежним. Модель, встроенная в старый регламент, наследует его ограничения. Если после генерации документа сохраняется тот же четырехступенчатый визуальный контроль, длительность цикла не изменится. Реальный эффект возникает там, где вслед за алгоритмом меняются регламент, контрольные точки и распределение ответственности.

Четвертая точка — ответственность за ошибку. Как только решение выходит из песочницы, возникает вопрос: кто отвечает за некорректную рекомендацию — исполнитель, владелец процесса, поставщик модели? Пока ответ не зафиксирован в регламенте, руководитель среднего звена рационально предпочитает оставить систему в статусе вспомогательной. Так пилот и живет годами.

Пятая точка — ошибка выбора между покупкой и собственной разработкой. Доклад MIT фиксирует различие между решениями, приобретенными у профильных поставщиков, и разработанными внутри компании. Ни одна из моделей не универсальна: собственная разработка оправдана там, где процесс является источником конкурентного преимущества, покупка — там, где процесс типовой. Ошибка в этом выборе стоит дороже, чем выбор конкретной языковой модели.

Российский контекст: пилотов много, стратегий мало

Российская картина воспроизводит глобальный разрыв с собственной спецификой. С одной стороны, интерес крупного бизнеса высок: ИИ присутствует в повестке практически всех крупных компаний. С другой — управленческая рамка сильно отстает от инвестиционной активности. По данным исследования МТС Web Services, формализованная стратегия внедрения ИИ есть лишь примерно у четверти компаний, которые уже закладывают соответствующие расходы в бюджет. Иными словами, деньги выделяются раньше, чем определяется, какой именно управленческий результат за них покупается.

Второй фактор — структурная неоднородность. Данные ИСИЭЗ НИУ ВШЭ показывают, что доля организаций, использующих технологии ИИ, в среднем по экономике составляет около 4,8%, тогда как среди компаний с численностью свыше 500 человек она достигает почти 15%. Разрыв между крупным бизнесом и остальной экономикой означает, что ИИ пока работает как усилитель уже сильных игроков, а не как фактор общего роста производительности.

Третий фактор — инфраструктурный. Стоимость и доступность вычислительных мощностей остаются ощутимым ограничением: спрос на ускорители устойчиво опережает предложение, что делает эксплуатацию собственных моделей дорогой, а облачные сценарии — критически зависимыми от политики провайдеров.

Четвертый фактор — кадровый, и он самый недооцененный. Дефицит касается не столько разработчиков (оценки нехватки ИТ-специалистов в стране измеряются сотнями тысяч человек), сколько специалистов промежуточного слоя: инженеров данных, владельцев процессов, аналитиков, способных перевести управленческую задачу в корректную постановку для модели и затем интерпретировать ее результат. Именно этот слой определяет, дойдет ли пилот до эксплуатации.

Почему это вопрос макроэкономики, а не корпоративной моды

Для российской экономики тема производительности перестала быть академической. Демографическое сжатие рабочей силы, устойчивый дефицит кадров и опережающий рост оплаты труда по отношению к выработке формируют ножницы, которые невозможно закрыть наймом. Технологическое повышение производительности становится не опцией, а условием сохранения маржинальности целых отраслей.

Именно поэтому разрыв внедрения — не внутренняя проблема ИТ-департаментов. Если подавляющее большинство инициатив останавливается на стадии эксперимента, национальный эффект от инвестиций в ИИ окажется существенно ниже прогнозных оценок, которые для России измеряются десятками триллионов рублей на горизонте 2035 года. Прогноз — это верхняя граница возможного, а не автоматический результат закупки технологий.

Показательно и то, как расходятся расчеты по мировой экономике: оценки прироста производительности от генеративного ИИ у ведущих аналитических центров различаются в разы — от долей процентного пункта в год до полутора процентных пунктов на десятилетнем горизонте. Такой разброс сам по себе является индикатором: эффект зависит не от технологии, а от качества ее внедрения.

Что отличает 5%: контур перехода от пилота к эксплуатации

Практика успешных внедрений позволяет описать довольно устойчивый набор условий.

Выбор процесса по стоимости ошибки и частоте повторения. Максимальный эффект дают массовые, регламентированные, дорогие в обслуживании операции: обработка обращений, первичный контроль документов, дефектация, планирование маршрутов и запасов. Витринные проекты дают заметный эффект в презентации и слабый — в отчете о прибылях и убытках.

Заранее объявленная метрика и базовая линия. До запуска фиксируется текущее значение показателя, целевое значение и срок, на котором проект признается неуспешным. Отсутствие критерия провала — главный признак того, что проект не планировался к масштабированию.

Владелец процесса, а не владелец технологии. Ответственным за результат должен быть руководитель бизнес-функции, для которого показатель является рабочим KPI. Проект, чей единственный спонсор — ИТ-директор, редко переживает стадию демонстрации.

Перепроектирование регламента одновременно с внедрением. Если алгоритм закрывает этап, этот этап должен исчезнуть из процедуры, а не дублироваться контролем «на всякий случай».

Институционализированная проверка результата. Человеческий контроль сохраняется, но становится выборочным, формализованным и измеримым — с фиксацией доли ошибок и обратной связью в модель. Это одновременно вопрос эффективности и вопрос доверия сотрудников к системе.

Прозрачный разговор о занятости. Внедрение, воспринимаемое как скрытая программа сокращений, получает пассивное сопротивление и деградацию качества входных данных. Понятная кадровая рамка — переобучение, перераспределение задач, изменение нормативов — является технологическим, а не только этическим требованием.

Заключение: сменить метрику успеха

Главный вывод из глобальной статистики неудач состоит не в том, что рынок ИИ переоценен, а в том, что он измеряется неправильно. Количество пилотов, число подключенных сервисов и объем инвестиций описывают активность, но не результат. Экономический смысл имеет одна метрика — доля решений, доведенных до промышленной эксплуатации, и подтвержденный эффект в стоимостном выражении.

Для компаний это означает переход от логики эксперимента к логике операционной модели: меньше пилотов, глубже перестройка процессов, жестче критерии. Для государственной политики — смещение фокуса поддержки с демонстрационных проектов на инфраструктуру внедрения: качество и доступность данных, вычислительные мощности, отраслевые типовые решения для среднего бизнеса, подготовка специалистов промежуточного слоя.

Искусственный интеллект действительно способен стать фактором нового качества экономического роста. Но он не является ни ускорителем сам по себе, ни заменой управленческой работе. Он лишь предельно точно проявляет зрелость организации: там, где процессы описаны, данные упорядочены, а ответственность распределена, эффект возникает быстро. Там, где этого нет, ИИ добросовестно автоматизирует беспорядок — и разрыв внедрения воспроизводится снова.