Пузырь ИИ лопается: почему 95% пилотов не доходят до продакшна

Жемал Хамидун · Head of AI Alpina Digital ^[1], CPO AlpinaGPT ^[2]

В апреле 2026 года мы провели конференцию «ИИ-Трансформация» ^[3], где спикеры из ведущих российских компаний обсуждали, почему корпоративный ИИ буксует. Тезисы были разные, но сходились в одном.

Я работаю с корпоративными клиентами уже несколько лет. Каждый раз, когда приходит новый клиент с запросом «внедрите нам ИИ», первый разговор примерно одинаковый. Они уже потратили несколько месяцев на пилот: на демо всё работало, а в продакшне — нет.

Цифры, которые не принято произносить вслух

Исследование MIT NANDA ^[4] охватило 150 интервью с руководителями, 350 сотрудников и 300 публичных ИИ-внедрений — и вынесло неудобный вердикт: 95% корпоративных ИИ-пилотов не дают измеримого эффекта на P&L. Только 5% достигают ощутимого роста выручки.

Strategy Partners ^[5] выяснили, что 97% крупных российских компаний уже внедряют ИИ или планируют. При этом опрос МТС Web Services ^[6] среди 700 компаний показал: формализованная ИИ-стратегия есть только у 26%.

Инвестиции при этом растут экспоненциально. Epoch AI ^[7] фиксирует: капитальные расходы Alphabet, Amazon, Meta, Microsoft и Oracle выросли с $162 млрд в 2022 году до $448 млрд в 2025-м. Nvidia за 2024 год выросла по капитализации ^[8] с $1.2 трлн до $3.28 трлн — почти в три раза за один год.

Goldman Sachs ^[9] оценивает прирост производительности от генеративного ИИ в 1.5 процентных пункта в год на горизонте десяти лет. McKinsey — скромнее, 0.7% ежегодно до 2040 года. Капитализация растёт в разы — реальные эффекты пока не догоняют.

Почему проекты умирают

За несколько лет работы с 40+ корпоративными клиентами я вижу одни и те же ошибки ^[10] — и каждый раз они неприятно узнаваемые.

Первая и самая частая — данные, которые не готовы к ИИ. Запускаете модель на устаревших, неструктурированных данных — получаете устаревшие, неструктурированные ответы. В рамках конференции мы обсуждали тему RAG: 70–80% проблем с качеством — это не выбор между GPT и Claude, это данные. На одном из наших проектов клиент передал базу из 12 000 документов с пометкой «актуальное». После аудита осталось 3 800. Мы выбросили три четверти базы без единой строчки кода, и качество retrieval выросло кратно. MIT в своём отчёте ^[4] называет это «learning gap»: проблема не в качестве моделей, а в том, что инструменты не интегрируются в существующие рабочие процессы.

Вторая — безопасность, о которой думают уже после запуска. Компании разворачивают системы, не думая об информационной безопасности с первого дня. Это заканчивается громко и неизбежно: незащищённые эндпоинты, промпты в открытых базах, конфиденциальные данные в публичных моделях без каких-либо политик. Когда происходит инцидент — замораживают не только проблемный проект, а всё. Это дорогой способ научиться тому, что можно было предусмотреть заранее.

Третья история — система есть, пользователей нет. ^[11]По данным совместного исследования Writer и Workplace Intelligence ^[12], опросившего 2400 сотрудников и 1200 топ-менеджеров в США, Великобритании и Европе: 29% сотрудников признались, что мешают внедрению ИИ — скрывают показатели, отказываются работать с новыми инструментами, намеренно снижают продуктивность. Среди поколения Z этот показатель достигает 44%. Не потому что люди против прогресса — просто их не вовлекали, не объясняли зачем, не обучали.

Ещё одна системная проблема — компании считают стоимость лицензии, но не считают стоимость трансформации. Запрашивают КП у вендора, видят цену платформы и думают, что это весь бюджет. За кадром остаются подготовка данных, безопасность, обучение ^[13] людей, мониторинг, перестройка процессов. Реальное соотношение затрат примерно такое: 10% бюджета — технологии, 20% — данные и инфраструктура, 70% — люди, процессы, культура. Большинство инвестируют в обратной пропорции — и получают соответствующий результат.

И наконец — стратегия в PowerPoint вместо реальной стратегии. ИИ внедряется в отрыве от бизнес-целей, метрики успеха не определены до начала, за результат никто не отвечает. Пилот запускают потому что «надо попробовать» — а через три месяца никто не может ответить, сработало или нет, потому что непонятно, что считать успехом.

Одна из причин, почему корпоративные ИИ-проекты буксуют — компании используют публичные сервисы без политик безопасности и не обучают сотрудников. Мы в Alpina GPT ^[14] сделали иначе: собрали ведущие нейросети, ИИ-ассистентов и агентов для рабочих задач в одной платформе, с обучением команды и в соответствии с 152-ФЗ — попробовать бесплатно ^[14] можно прямо сейчас. 

Про пузырь

ИИ — не плохая технология. Это одна из самых важных технологий, которые я видел за свою карьеру. Но рынок переоценил скорость трансформации, а компании внутри него переоценили готовность своих процессов и данных.

История знает похожие сюжеты. В середине 1840-х годов инвестиции в британские железные дороги достигли пика: по данным FocusEconomics ^[15], на пике ажиотажа железнодорожные инвестиции составили 7% ВВП страны — половину всех инвестиций в экономику того времени. С 1846 по 1850 год стоимость акций упала примерно на 50% ^[16], а многие инвесторы, вложившие туда сбережения, были разорены. Технология выжила и действительно изменила мир. Пузырь — нет.

Сейчас та же история в другой обёртке. Компании строят ИИ-инфраструктуру под ожидания, не подкреплённые ни реальным спросом, ни готовыми процессами. Интернет пережил крах доткомов. ИИ переживёт свой пузырь тоже. Вопрос в том, кто будет готов к тому моменту, когда хайп спадёт.

Что отличает тех, у кого получается

По данным того же отчёта MIT ^[4]: покупка ИИ-инструментов у специализированных вендоров и партнёрства дают успех примерно в 67% случаев, тогда как внутренние разработки — только в трети случаев. Это контринтуитивно для многих крупных компаний, убеждённых, что «построим сами» надёжнее. Данные говорят обратное.

За несколько лет я видел компании, которые входят в условные «успешные 6%». Общее у них одно: они начинают с бизнес-проблемы, а не с выбора модели. Определяют метрики успеха до запуска, а не после. Вкладывают в данные и управление изменениями больше, чем в лицензии. Масштабируют 2–3 проверенных кейса вместо запуска 20 пилотов одновременно. И вовлекают бизнес до начала пилота, а не после внедрения.

Каждый из этих пунктов неудобен в моменте: аудит данных скучнее выбора между моделями, управление изменениями требует политической воли, вовлечение бизнеса на старте замедляет начало — но потом ускоряет всё остальное.

ИИ-трансформация не провалится из-за плохих моделей. Она провалится из-за плохих управленческих решений, неготовых данных и систем, внедрённых без пользователей.

Что думаете: пузырь уже лопается — или у него ещё есть время? И что убивает ИИ-проекты в компании быстрее — неструктурированные данные, люди или требования безопасности? 

Поделитесь своим мнением в комментариях ниже! Спасибо за прочтение!