Почему мы теряем триллионы на ИИ и как это исправить

Пролог: $2 триллиона, потраченные впустую

$2 триллиона инвестировано в ИИ. $451 млрд вернулось. Убыток: $1,554 триллиона.

80% ИИ-проектов падают… Но 20% уже ОКУПАЮТСЯ…

Источники: McKinsey Global Survey 2025, BCG “Where’s the Value in AI”, Gartner AI Spending Forecast, публичные кейсы компаний

Часть 1: История ROI ИИ за 30 лет

Парадокс инвестиций и результатов

Проанализировав исторические данные с 1995 года, мы обнаружили шокирующую закономерность:

Важное пояснение: в таблице ниже показана доля успешных ИИ-проектов по годам (процент проектов, которые окупались в каждый период), а не накопительный ROI всей индустрии.

*Данные основаны на анализе публичных исследований McKinsey (AI adoption), BCG (ROI анализ), Gartner (инвестиции 1995-2025), а также данных компаний (Sberbank, Yandex) и публикаций Habr (2024-2025)

Ключевая парадоксальность

Это не просто медленный рост. Инвестиции выросли в 160 раз (с $2 млрд до $320 млрд в год). Доля успешных проектов выросла на 18 процентных пункта (с 5% до 23%). Накопительный ROI всей индустрии за 30 лет: -77%.

Под ‘долей успешных проектов’ понимается процент завершённых ИИ-проектов, которые достигли плановых KPI и окупились в течение 3 лет. Например, из 15,000 ИИ-проектов в России (2024-2025) окупились 1,500-3,000 (10-20%). Глобально — 20-25%. Статистика неполная и основана на доступных публичных данных. Реальные цифры могут отличаться на ±10-15%.

Темп роста: В 1995–2000 годах доля успешных проектов росла на +0.6 п.п. в год. К 2020–2025 этот темп остался примерно таким же: +0.6 п.п. в год, несмотря на то, что инвестиции выросли в 80 раз (с $4 млрд до $320 млрд).

Вывод: каждый дополнительный доллар, вложенный в ИИ, приносит всё меньше результата в виде успешных проектов. Индустрия наталкивается на естественный потолок эффективности — это не ошибка менеджмента, это фундаментальный закон убывающей отдачи.

Математическое объяснение: логистическая функция

Для объяснения этого явления мы провели анализ четырёх математических моделей:

1. Логистическая функция (S-кривая) — RSS = 0.000173 ✓ ЛУЧШАЯ

2. Степенная функция — RSS = 0.000265

3. Экспоненциальная функция — RSS = 0.000872

4. Логарифмическая функция — RSS = 0.001026

Логистическая функция описывает естественный жизненный цикл технологии:

Где:

– L — максимально достижимый уровень доли успешных проектов (асимптота)

– k — скорость роста (крутизна кривой)

– t₀ — точка перегиба (год максимального ускорения)

График иллюстрирует S-образный (логистический) сценарий роста ROI от 2025 до 2055 года: быстрый старт, затем замедление по мере приближения к пределу.

Доля успешных ИИ-проектов не может расти бесконечно. Она асимптотически приближается к некоему пределу (в оптимистичном сценарии — 150%, что технически означает: некоторые проекты окупаются несколько раз). Этот предел зависит от того, как будут развиваться ключевые факторы: – облачные вычисления (станут ли дешевле) – регуляция (останется ли мягкой) – кадры (выпустят ли достаточно специалистов)

Часть 2: Аналитика провала — почему 80% проектов не окупаются

Пять причин почему ИИ – это кладбище денег

Из 15 000 ИИ-проектов, запущенных в 2024–2025 годах в России, успешно окупились только 10–20%. Остальные либо не были завершены, либо работают без положительного эффекта.

BCG Report 2024: 74% компаний не видят ценности. Habr анализ 2024-2025: 10-20% из 15,000 проектов в России окупились

1. Неподготовленные данные (критичность: высокая)

ИИ — это не волшебник, а зеркало ваших данных. Если данные грязные, модель выдаст мусор. Большинство компаний начинают с блестящего пилота на чистых данных, а потом понимают, что 80% реальных данных не соответствуют требованиям. Например, банк внедрял систему скоринга кредитов, но исторические данные содержали пробелы в 60% случаев.

В результате модель обучилась на смещённых выборках и выдавала неправильные предсказания.

2. Отсутствие стратегии интеграции (критичность: высокая)

Пилот работает в лабораторных условиях. Боевая система должна работать 24/7, интегрироваться с legacy-системами, обновлять данные в реальном времени. Большинство компаний не планируют этого. Проект зависает на стадии POC, потому что интеграция обойдется дороже, чем сам ИИ.

3. Завышенные ожидания менеджмента (критичность: средняя)

Условный Генеральный директор читает про Apple, которая сэкономила $500 млн на ИИ-оптимизации. Принимает решение масштабировать это решение под свои реалии: дадим $5 млн на ИИ-проект. Через 12 месяцев он как персонаж из известного мультфильма получает 10% от обещанного. В итоге: менеджмент разочарован, финансирование сокращено, а проект закрыт.

4. Нехватка специалистов (критичность: высокая)

На рынке России спрос на ML-специалистов превышает предложение в 10 раз. Зарплата ML Engineer: 400–600 тыс. рублей в месяц. Поиск занимает 3–6 месяцев. Когда команда наконец собрана, люди быстро понимают, что проект обречён, и уходят к конкуренту.

5. Отсутствие метрик (критичность: средняя)

Как измерить успех ИИ-проекта? Большинство компаний этого не знают. Берут первый растущий показатель (выручку, трафик) и приписывают рост ИИ. Через год выясняется: выручка росла благодаря маркетингу и сезонности, а ИИ сидел в углу.

Примеры неудачных проектов:

• Логистическая компания: внедрила ИИ-систему по оптимизации маршрутов. Модель обучилась на данных за 2 летний период. Оказалось, что этого недостаточно. Новые маршруты оказались хуже старых на 5%. Проект закрыт через 6 месяцев. Потеря: $2 млн.

• Медицинский стартап: разработал ИИ-диагностику по снимкам. Модель отлично работала на тестовых данных (95% точности). В боевых условиях: 62% точности. Причина простая: реальные аппараты для сканирования оказались более разнообразны. Протоколы сканирования в разных медицинских учреждения разные. Вместо дообучения моделей – проект заморозили.

• Банк внедрил ИИ для определения признаков мошенничества. Модель начала блокировать легитимные транзакции, что привело к оттоку клиентов, жалобам в техподдержку и имеджевым потерям. Ошибка первоначальной бизнес модели и требований к системе похоронила отличный проект.

Часть 3: Четыре фактора, определяющих будущее ИИ

Полный список 20 факторов влияния на развитие ИИ

Позитивные факторы:

Таблица факторов, оказывающих негативное влияние:

Анализ по категориям

Из 20 проанализированных факторов только 4 действительно определяют траекторию развития ИИ. Остальные 16 имеют локальное влияние.

1. Облачные вычисления (GPU как сервис): +3.0

До 2015 года для ИИ нужны собственные серверы ($1–5 млн). Теперь: AWS, Google Cloud, Azure предлагают GPU за $500–2000/месяц. Это изменило экономику ИИ радикально. NVIDIA стала самой дорогой компанией в мире (рыночная капитализация $3+ триллиона).

Эффект: треть новых ИИ-проектов в 2024–2025 годах запущены благодаря облаку. Стартапы и SMB могут теперь конкурировать с крупными компаниями.

2. Генеративный ИИ и ChatGPT-эффект: +2.5

До ChatGPT большинство бизнес-руководителей не видели практической пользы ИИ. После ChatGPT (ноябрь 2022) каждый CEO хочет “наш ChatGPT”. ChatGPT достиг 100 млн пользователей за 2 месяца (рекорд в истории).

Компании начали интегрировать готовые API вместо создания с нуля. Микро-проекты (помощь в написании, классификация документов) окупаются за месяцы, не годы.

Эффект: в 2025 году 73% компаний используют какую-то форму генеративного ИИ.

3. Корпоративные облачные сервисы (AWS SageMaker, Azure OpenAI, Google Vertex): +2.5

Компании больше не создают ML-системы с нуля. AWS SageMaker позволяет обучить модель за часы вместо недель. Azure OpenAI предоставляет доступ к GPT за фиксированную плату. Требования к квалификации упали на 60%.

Эффект: сроки внедрения сократились с 12 месяцев до 3–4 месяцев.

4. Ограничения связанные с этикой и законодательством: -3.0 (ГЛАВНЫЙ РИСК)

ЕС ввёл AI Act с жесткими требованиями. США вводят требования через Executive Order. Запреты на использование ИИ в критичных областях (кредит, трудоустройство, правосудие). Требования по соответствию выросли на 40–50% от бюджета проекта.

Эффект: проекты в ЕС и США замораживаются на 20–30%.

Риск: если регуляция ужесточится, окупаемость отодвинется еще на 10–15 лет.

Часть 4: Четыре сценария окупаемости ИИ

График показывает:

• Оптимистичный сценарий (зелёная линия) — окупаемость 2036 год (11 лет)

• Реалистичный сценарий (голубая линия) — окупаемость 2052 год (27 лет)

• Консервативный сценарий (жёлтая линия) — не достигает 100% к 2055 году

• Негативный сценарий (красная линия) — максимум 46% к 2055 году

Сценарий 1: Оптимистичный (25% вероятность)

Окупаемость в 2036 году (11 лет от 2025)

Какие факторы могут на это положительно повлиять?

• CaaS (Cload-as-a-Service) упадут в цене на 30–40%;

• Происходит популяризация ChatGPT;

• Регуляция остается мягкой;

• Появляется миллион ИИ специалистов.

Триггеры: стандартизация, облако, специалисты, no-code платформы.

Сценарий 2: Реалистичный (50% вероятность)

Окупаемость в 2052 году (27 лет от 2025)

Условия: облако стабильно, регуляция умеренная, медленный рост компетентности.

Сценарий 3: Консервативный (20% вероятность)

Окупаемость не наступит до 2055 года

Барьеры: организационная инерция, жёсткая регуляция, застой компетенций.

Сценарий 4: Негативный (5% вероятность)

Максимум ROI 46% к 2055 году

Причины: регуляция, проблемы безопасности, волна провальных проектов.

Часть 5: Успешные проекты — что работает

Из 15 000 ИИ-проектов 2024-2025 окупились 10-20% (текущих проектов). Но доля успешных проектов в целом по индустрии выросла до 23% (включая успехи прошлых лет).

Что связывает эти 10–20% успешных проектов в ИИ:

1. Четкая постановка задачи: не “внедрить ИИ”, а “сократить время обработки заявок на 70% при сохранении качества”.

2. Качественные данные: инвестиция в подготовку и нормализацию ДО запуска.

3. Малая команда: 3–4 специалиста вместо 50 человек. MVP за месяц.

4. Долгосрочный взгляд: ROI приходит через 2–3 года, не месяц.

5. Интеграция в процесс: система вплетена в рабочий процесс, а реализована как отдельный проект “для инвесторов”.

Примеры компаний, которым удалось применить эти подходы

• Сбербанк: кредитный скоринг, антифрод — окупились за счет масштаба. ROI: 180–220% за 3 года.

• Яндекс: рекомендации в услугах — долгосрочные инвестиции, ROI: 200%+ за 5 лет.

• Газпромнефть: предиктивное обслуживание оборудования — экономия миллионов на простоях.

Часть 6: Чем отличается мировой опыт от российского?

Накопительный ROI: мировой -77%, российский -80.6% Доля текущих успешных проектов: мировая 23%, российская 21%. Почему разница такая небольшая?

1. Санкции и изоляция: западные компании используют OpenAI, CloudFlare, работают в интернете. Российские компании делают всё сами — дорого и медленно.

2. Дефицит специалистов: Кремниевая долина: 1 ML инженер на 10 работников. Россия: 1 ML инженер на 1000 специалистов.

3. Консервативность: российские компании медленнее берут риски.

4. Размер рынка: крупных компаний гораздо меньше и это сужает возможности для экспериментов.

Часть 7: Какая ситуация на 2025 год?

Что меняется:

1. Генеративный ИИ в офисных приложениях: ChatGPT в Excel, автозаполнение в Word, помощь в коде.

2. Поколение ML-инженеров: за 10 лет вырос пул специалистов, знающих ИИ с университета.

3. Понимание реальности: компании понимают, что ИИ — инструмент, не волшебство.

Микро-тренд: микро-проекты вместо гигантских

Вместо $100-млн проектов на 5 лет, компании запускают $1–3 млн проектов на 6–12 месяцев. Каждый проект чёткий, измеримый, окупаемый.

Часть 8: ПРЕДУПРЕЖДЕНИЕ — Dot-Com пузырь 2.0 (2026–2027)

Историческая параллель

В конце 1990-х годов интернет-компании получили инвестиции под девизом “мы не прибыльны, но мы растём”. В 2000–2001 годах Nasdaq упал на 78%. Мы стоим на краю похожего события в ИИ.

Признаки приближающегося пузыря

1. Гиперинфляция оценок ИИ-стартапов:

• В 2024 году средняя оценка ИИ-стартапа: $500 млн

• В 2025 году: $1+ млрд (2x за год)

• Обоснование: “мы используем LLM и применяем ИИ”

2. FOMO (Fear of Missing Out) инвестиций:

• Каждый VC боится упустить “следующего OpenAI”

• Инвестируют в проекты БЕЗ бизнес-модели, БЕЗ доходов, БЕЗ ROI

• “Монетизируем позже” — классический признак bubble

3. Массовая переоценка:

• Стоимость GPU (NVIDIA) выросла в 10 раз за 3 года

• Стоимость облачных сервисов ИИ выросла на 300% за 2 года

• Ожидается резкое снижение цен, что обвалит оценки компаний

4. Начало разочарования (сигнал краха):

• 80% ИИ-проектов не окупаются (мы это подтвердили)

• Компании начинают закрывать ИИ-подразделения (Nike, Meta, Google сокращают)

• СМИ начинают писать “А может быть, ИИ не так хорош?” — это вершина пузыря

Когда произойдёт крах?

Исторически bubble лопается, когда:

1. Медиа нарратив меняется с оптимистичного на критичный ✓ (уже началось в Q3 2025)

2. Первый крупный фонд объявляет убытки — ожидается Q1-Q2 2026

3. Массовое вывод средств — каскадный эффект ✓ (2026–2027) .

Прогноз краха

Что произойдёт после краха?

1. Цены на GPU упадут на 40–60% — инвестиции станут доступнее

2. Стартапы закроются — выживут только те, у кого реальный продукт и доходы

3. Инвестирование перейдет в “boring” проекты — те, что уже окупаются

4. ROI ИИ может даже вырасти — После краха в 2026-2027 индустрия переоценится. Останутся только эффективные проекты. Они будут расти быстрее (новый оптимистичный сценарий: 2040-2045).

Как подготовиться?

Для инвесторов:

• Не покупайте ИИ-акции с P/E > 50 в 2026 году

• Следите за сигналами: когда медиа начнет писать “ИИ-зима”

• Копите кэш для покупки во время краха (2027)

Для компаний:

• Оцените реальный ROI ИИ-проектов (не маркетинговый, а настоящий)

• Готовьтесь к тому, что облако может подешеветь на 50% в 2027

• Инвестируйте в проекты, которые окупаются СЕЙЧАС, не “когда-нибудь потом”

Для стартапов:

• Постройте реальный продукт, не PR-машину

• Найдите первых платящих клиентов в 2025 году

• Готовьтесь к краху инвестиций — живите на bootstrapping

ЗАКЛЮЧЕНИЕ: правдивый прогноз

Сценарий A: Если пузырь лопнет в 2026–2027 (50% вероятность)

1. 2026: Крах ИИ-стартапов, массовое закрытие проектов

2. 2027–2028: “ИИ-зима” (хайп спадает на 80%)

3. 2028–2030: Переоценка, остаются только прибыльные компании

4. 2030–2036: Медленный рост (но теперь реальный, не на шумихе)

5. Результат: Окупаемость сдвигается с 2036 на 2040–2045

Сценарий B: Если пузырь не лопнет, рост продолжится (50% вероятность)

1. 2026–2030: Продолжение хайпа, нерациональное инвестирование

2. 2030–2035: Постепенное разочарование (80% проектов не окупаются)

3. 2035–2040: Медленный крах, но не драматичный

4. Результат: Окупаемость в 2052 (как в реалистичном сценарии)

Финальный вердикт

Инвестиции в ИИ не окупались 30 лет не потому, что технология плохая. Потому что мы не умели её внедрять.

30 лет — это время обучения. И теперь мы знаем, как делать правильно:

– Четкая задача (не “внедрить ИИ”, а “сэкономить 70%”)

– Подготовленные данные

– Маленькая команда

– Долгосрочный взгляд

– Реальные метрики

Те 20% проектов, что окупаются, это следующее поколение. 2026–2027 будет крах. Но это не конец. Это возможность.

После краха останутся только компании, которые внедрили ИИ ПРАВИЛЬНО. Может быть ваша компания будет одной из них?