ИИ-проекты съедают бюджеты, но не приносят ROI. Виновата технология?

Разбираем, почему 95% корпоративных ИИ-пилотов проваливаются, и как внедрить систему метрик, которая гарантирует результат в условиях новой российской реальности.

Миллиардные бюджеты против нулевого результата. В чем дело?

Парадокс ИИ: Больше денег – меньше успеха?

Судя по заголовкам, 2025 год – время тотального доминирования ИИ. Компании вливают в эту сферу рекордные бюджеты, превышающие $640 млрд. Но если копнуть глубже отчетов консультантов, открывается картина куда менее радужная. Недавнее исследование MIT прямо говорит: 95% пилотных проектов по генеративному ИИ в крупных корпорациях – проваливаются. Они просто не доходят до реального внедрения и не приносят прибыли.

Сразу возникает вопрос: это много или мало? Для сравнения: в мире венчурного капитала, где риск – основа бизнеса, провалом заканчиваются 90% стартапов. Но корпоративные ИИ-пилоты, за которыми стоят безграничные ресурсы и команды дата-сайентистов, показывают результат еще хуже. Их успешность (5%) оказывается вдвое ниже, чем у «голодных» стартапов (10-25%).

Проблема в головах, а не в алгоритмах

Получается странная ситуация. Огромные корпорации с армиями консультантов проигрывают студентам в гараже. Стартапы обычно проваливаются из-за нехватки денег, рынка или опыта ^[1]. Корпорации же проваливают ИИ-проекты, имея все это в избытке. Так может, дело все-таки в самой технологии? Может, она слишком сложна, сыра и не готова для реального бизнеса?

Спойлер: нет.

Проблема не в технологии. Она в головах. Руководство попало в двойную ловушку: страх ^[2] отстать от глобальных трендов (FOMO) и страх оказаться без нужных технологий в условиях изоляции. Для российского бизнеса эта проблема стоит еще острее. К глобальной «ИИ-лихорадке» добавляется необходимость срочного импортозамещения и навигации в условиях санкционных ограничений. Слепое копирование западных KPI в этой ситуации – прямой путь к списанию бюджетов.

Анатомия провала: Три “horror story” из реального бизнеса

Вместо скучного анализа причин -три анонимных, но абсолютно реальных кейса, которые заставят любого руководителя задуматься.

Кейс №1: «Идеальная модель»

Банк потратил $2 млн и год работы команды из 10 человек на создание модели предсказания оттока клиентов. Точность модели достигла 98%. Технический успех был оглушительным. А потом модель положили на полку. Оказалось, никто в компании просто не был готов что-то делать с этими предсказаниями. У маркетинга не было инструментов для точечных предложений, а колл-центр не был готов к упреждающим звонкам. Модель работала, но отток не снизился ни на процент. Деньги были потрачены на создание сложного калькулятора, которым никто не пользовался.

Кейс №2: «Чат-бот, который всех бесил»

Крупный ритейлер с гордостью отчитался о внедрении чат-бота, который взял на себя 80% всех обращений в поддержку. Метрика «процент автоматизации» в отчетах выглядела великолепно. А потом посмотрели на индекс удовлетворенности клиентов (CSAT) – за полгода он рухнул на 30%. Выяснилось, что бот отлично справлялся с простыми вопросами, но как только возникала нестандартная ситуация, он зацикливался. Перевод на «живого» оператора занимал больше времени, чем прямое обращение. Метрика автоматизации убила клиентскую лояльность.

Кейс №3: «Складской оракул»

Производственная компания внедрила ИИ для оптимизации складских запасов. Алгоритм, анализируя тысячи SKU, сезонность и логистические цепочки, выдавал математически ^[3] безупречные рекомендации. Но логисты на местах продолжали заказывать «по-старинке». Причина? «Система не понимает нашей специфики», «скоро праздники, надо больше», «этот поставщик ненадежный». В итоге отдел ИИ и отдел логистики существовали в параллельных вселенных. Технология не была интегрирована в реальные процессы, и ее экономический эффект был равен нулю.

Во всех этих случаях измерялась активность ИИ, а не изменение бизнес-показателей. Точность, процент автоматизации, скорость расчетов – это технические метрики. Они важны, но сами по себе не приносят денег.

Семимерный фреймворк: От “метрик тщеславия” к реальной ценности

Два новых измерения для российских реалий

Чтобы не попадать в ловушку «метрик тщеславия», необходимо оценивать ИИ-проекты системно. На основе анализа успешных и провальных внедрений в российских компаниях, предлагаю расширенный фреймворк, который учитывает специфику текущих рыночных условий.

Классические пять измерений (финансы, операции, клиенты, технология, люди) остаются актуальными. Но два последних критически важны именно для российского контекста 2025 года. Технологический суверенитет измеряется не декларациями, а конкретными показателями: стоимостью миграции, наличием альтернатив и контролем над кодом. Этика и доверие – это не просто соблюдение закона, а реальное принятие технологии пользователями и прозрачность ее работы.

Набор инструментов для руководителя: Как принимать решения в 2025 году

Я собрал несколько практических инструментов, которые можно использовать уже сегодня. Это не волшебная таблетка, а скорее «швейцарский нож» для принятия взвешенных решений.

1. Чек-лист «Готовы ли вы к ИИ?»

Он заставляет задуматься над неудобными вопросами: «Что вы будете делать, если ваш ИИ-вендор завтра попадет под санкции?» или «Как вы объясните клиенту, почему ИИ отказал ему в кредите?».

2. Карта рисков ИИ-проекта

Это простой инструмент: рисуете две оси, «Бизнес-эффект» и «Риск технологической зависимости», и размещаете на ней свой проект. Все, что попадает в «красную зону» (высокий риск, низкий эффект), должно быть немедленно пересмотрено.

3. Шаблон ROI-калькулятора

Учитывает не только прямые, но и косвенные затраты: время команды на интеграцию, риски, обучение ^[4].

4. Макет дашборда для C-level

Никаких десятков графиков. Руководителю нужны 3-5 ключевых цифр, которые показывают реальное влияние ИИ на бизнес. Например: «Уровень технологической независимости (%)» и «Индекс доверия пользователей».

Главное — не технология, а скорость адаптации

В конечном итоге, на рынке побеждает не тот, у кого самая сложная нейросеть. Побеждает тот, кто быстрее других адаптирует свои процессы и метрики к меняющейся реальности. Измерение ROI – это не что-то, высеченное в камне. Это живой процесс, который нужно постоянно корректировать.

Российские компании сейчас в уникальной ситуации. Необходимость перестраиваться под новые технологические реалии – это шанс. Если грамотно настроить систему метрик, этот вызов можно превратить в преимущество. Те, кто научится оценивать ИИ-проекты не только по «железным» показателям, но и с учетом рисков зависимости и этики, получат реальное конкурентное преимущество на годы вперед.

С чего начать? Провести аудит вашего главного ИИ-проекта по предложенному фреймворку. Это поможет создать систему, которая будет работать, а не просто существовать.