Пилотные проекты ИИ: провал в компании

Lisa Ernst · 07.11.2025 · Техника · 8 мин

Генеративный ИИ быстро из эксперимента превратился в стратегическую тему в компаниях. Несмотря на большие вложения, измеримые результаты часто отсутствуют. Исследование MIT показывает, что примерно 5 процентов пилотных проектов по генеративному ИИ достигают устойчивого вклада в продуктивность или P&L. Медиа-отчеты подводят это к резким формулировкам как «95% пилотов GenAI терпят неудачу». Эта статья освещает причины неудачи и показывает, что критично для успешной второй волны внедрения ИИ.

Источник: Собственное представление

Введение

Пилотные проекты ИИ — это мелкомасштабные, предварительные эксперименты по проверке осуществимости, рисков и потенциальных результатов новой технологии, прежде чем она будет внедрена повсеместно. В отношении генеративного ИИ это часто чат-боты, помощники или автоматизации, которые работают на крупных языковых моделях (LLMs). Генеративный ИИ создает на основе образцов данных новые материалы: тексты, изображения или код. Business Impact или ROI здесь речь идёт о измеримых финансовых эффектах, а не о расплывчатом ощущении продуктивности. Важно различать техническую реализацию и реальное принятие. Реализация означает внедрять системы и делать их доступными. Принятие означает, что люди используют решение в повседневной работе, чтобы менять поведение и процессы и достигать эффекта. Таким образом, ИИ — не чисто ИТ-проект, а организационный проект с проектированием процессов, управлением, обучением и управлением изменениями.

Текущее состояние

Исследование MIT-Studie „The GenAI Divide“, основанное на интервью и анализах более чем 300 GenAI-инициатив, оценивает, что лишь примерно 5 процентов изученных приложений обеспечивают измеримый, устойчивый вклад в P&L или продуктивность. СМИ, такие как Tom’s Hardware, TechRadar и Times of India подчёркивают, что основные причины кроются в отсутствии интеграции в существующие процессы и системы. Исследование globale McKinsey-Umfrage „The State of AI: Global Survey 2025“ показывает, что только 39 процентов компаний вообще приписывают EBIT-эффект, и только около 6 процентов считаются «High Performer», у которых ИИ составляет более 5 процентов EBIT. Они отличаются переработанными рабочими процессами, ясным управлением и систематическим отслеживанием KPI.

Источник: kurierverlag.de

Несмотря на большие вложения: препятствия внедрения ИИ остаются.

Анализы консультантских компаний, таких как IHL Group полагают, что примерно 80 процентов проектов ИИ терпят неудачу, и лишь около 30 процентов проходят пилотную фазу. Основные причины — проблемы с данными и отсутствие управления данными. TechRadar сводит к выводу, что от 60 до 90 процентов проектов ИИ к 2026 году находятся под угрозой. Eine Guardian-Analyse ссылается на исследование KPMG, согласно которому только 8,5 процента опрошенных «всегда доверяют» результатам поиска по ИИ. Феномен «Workslop» описывает контент, сгенерированный ИИ, который кажется профессиональным, но не продвигает реальную задачу. Prosci показывает, что 63 процента организаций называют человеческие факторы главной причиной неудачных внедрений ИИ. Данные показывают, что причины почти всегда кроются во взаимодействии данных, управления, процессов и людей, а не в самой технологии моделирования.

Анализ причин

За высокой долей неудачных пилотных проектов ИИ стоит парадоксальное сочетание ажиотажа и стратегической необходимости. Медийно эффектные истории создают давление ожиданий, в то время как исследования показывают, что устойчивый финансовый эффект редок. Компании попадают в «экспериментальную ловушку» с множеством маленьких, слабо связанных пилотов без ясной цели. Medien- und Plattformdynamiken Это усиливает это, поскольку сенсационные цифры вроде «95% пилотов ИИ терпят неудачу» распространяются стремительно. Поставщики и консультанты заинтересованы подчеркивать риски или возможности, так как обе вещи хорошо продаются. Многие организации предоставляют сотрудникам доступ к инструментам ИИ, но не определяют четкие кейсы использования и стандарты качества. Таким образом, ИИ становится игровой площадкой, а не продуманной частью цепочки создания стоимости.

Источник: de.linkedin.com

Наиболее частые ловушки в проектах по ИИ — повторяющаяся тема в медиа.

Для второй волны внедрения ИИ в центр внимания выходит организационная архитектура. Успешные компании активно перерабатывают свои процессы и роли вокруг новых возможностей. Это включает четкие целевые видения, приоритезированные кейсы использования и определённые пути принятия решений по управлению и рискам. Governance Это не вопрос бюрократии, а ответ на конкретные риски. Надежный ИИ работает только с ясной ответственностью, задокументированными источниками данных и регулярной проверкой. TechRadar Подводит итог, что почти все проблемы неудачных проектов ИИ связаны с «грязными данными» и отсутствием управления. Prosci выделяет сопротивление, недостаточную коммуникацию, нехватку обучения и слабое лидерство как главные препятствия. ITPro Также описывает растущую «усталость от трансформации». Успешные команды прочно связывают проекты ИИ с конкретными показателями конвейера и выручки и целенаправленно инвестируют в навыки. Причины почти всегда лежат в сочетании данных, управления, процессов и людей, а не в самой технологии моделирования.

Факты и контрпозиции

Доказано, что значительная часть сегодняшних пилотных проектов ИИ не приносит явной финансовой выгоды. Исследование MIT-Studie „The GenAI Divide“ определяет успех строго как внедрение, выходящее за рамки пилотной фазы, с задокументированными KPI и измеримой окупаемостью ROI через шесть месяцев — и достигает уровня успеха примерно 5 процентов. Несколько профессиональных СМИ поддерживают эту величину. McKinsey-Daten показывают, что лишь небольшое меньшинство сообщает о значительных влияниях EBIT на уровне предприятий.

Неясно, пригодна ли конкретная цифра «95 процентов» в качестве общепринятой метрики. Исследование Marketing AI Institute критически относится к тому, что MIT-исследование основано лишь на 52 глубинных интервью и качественном анализе публичных случаев. Определение «нулевого ROI» исключает эффекты обучения или качественные улучшения процессов. Поэтому 95 процентов следует рассматривать как предупреждающий сигнал и отправную точку для обсуждения, а не как точное глобальное значение.

Ложно или вводит в заблуждение утверждение, что пилотные проекты ИИ терпят неудачу главным образом потому, что технология ещё не созрела. IHL, TechRadar, Prosci, LexisNexis и McKinsey однозначно показывают, что главные причины в неясных целях, плохом качестве данных, отсутствии надлежащего управления, нехватке обучения и слабом руководстве. Пример Guardian о «Workslop» демонстрирует, что проблемы часто возникают из-за того, что работодатели не устанавливают четкие правила, стандарты качества и обучения.

Заголовок «95 % пилотов ИИ терпят неудачу» вызвал разные реакции. Некоторые комментаторы рассматривают это как подтверждение пузыря ИИ. Другие, как и пример Guardian о «Workslop» Marketing AI Institute, , критикуют драматизацию числа как медийное явление. Практическая позиция указывает на то, что высокая доля провалившихся экспериментов также нормально в других сферах инноваций. В то же время растет число конкретных примеров успеха. McKinsey описывает «ИИ‑лидеров», которые благодаря последовательной переработке рабочих процессов и сильному руководству достигают измеримого вклада в EBIT. Послание множества различных реакций состоит в том, что технология ни волшебная панацея, ни полный провал. Важна дисциплина в том, как компании ставят цели, применяемые кейсы, данные, управление и подход к изменениям.

Рекомендации к действиям

Дебаты о неудачных пилотных проектах ИИ означают, что вторая волна внедрения ИИ требует рассматривать ИИ как любую другую стратегическую перемену — с чёткими целями, достоверными показателями и планом по людям, данным и процессам.

Во-первых: уход от вопроса о инструменте к вопросу о проблеме. Вместо «Какую платформу ИИ нам использовать?» полезнее спросить: «Какой конкретный бизнес-процесс мы хотим за следующие 6–12 месяцев измеримо улучшить — и как мы это измерим?» Успешные проекты почти всегда начинаются с четко очерченного кейса использования.

Во-вторых: вопросы данных и управления должны быть вынесены на передний план. IHL, TechRadar и Business Insider Указывают на то, что плохие или недоступные данные и отсутствие управления лежат в основе большинства провальных проектов. Такие рамки, как фреймворки, дают ориентир. NIST AI Risk Management Framework дают ориентир.

В-третьих: требуется сознательное управление изменениями. Prosci показывает, что нехватка обучения, слабая коммуникация и неясные роли являются причиной значительной части проблем с принятием. Практически это означает: планировать время и бюджет на форматы обучения, совместно разрабатывать prompts и примеры, формулировать четкие ориентиры и активно сопровождать пилотные группы.

В-четвертых: обдуманное обращение с показателями успеха. Если ROI определяется только как непосредственный эффект P&L через шесть месяцев, многие значимые обучающие проекты будут зачислены как «провал». Investopedia рекомендует связывать ROI сознательно с периодами, типами затрат и категориями выгод. HBR рекомендую учитывать помимо прямых доходов и снижения затрат также прирост продуктивности, уменьшение числа ошибок и влияние на клиентский опыт.

Пятое: Не поддаваться драматичным заголовкам, а использовать их как повод для более разумных вопросов. Статьи, которые показывают MIT-Studie kritisch einordnen, показывают, как важно изучать методики и сознательно пересматривать определения «успеха» или «нулевого ROI».

Открытые вопросы и вывод

Несмотря на многочисленные исследования, остаются важные вопросы. Во‑первых, отсутствуют широко доступные, долгосрочные лонгитюд-данные по ROI пилотных проектов ИИ на протяжении нескольких лет. Во‑вторых, неясно, насколько сильно различаются коэффициенты успеха в зависимости от сектора, размера компаний и типа кейса использования. В‑третьих, новые разработки, такие как агентский ИИ, поднимают дополнительные вопросы по управлению, ответственности и измеримости. В‑четвёртых, роль регулирования и стандартов остаётся неопределённой; будет видно, приведут ли более чёткие правила к повышению коэффициента успеха или создадут дополнительные барьеры. Наконец, встаёт вопрос, как компании будут в будущем открыто сообщать о неудачах. Прозрачные, анонимизированные отраслевые бенчмарки могут помочь лучше понять неудачи и конструктивно учиться на них.

Вопрос, почему так много пилотных проектов ИИ терпят неудачу, приводит к ясному выводу: в подавляющем числе случаев причина не в «слишком слабом ИИ», а в отсутствии ясности, управлении, базе данных и сопровождении людей. Кто понимает ИИ как организационный проект с четкими целями, чистой архитектурой данных и управления и всерьез относится к управлению изменениями, может попасть в небольшую группу тех, кто из пилотов делает масштабируемые решения с измеримым ROI. Для тебя и вас это означает: вторая волна внедрения ИИ — скорее вопрос дисциплины, чем очередного «чудо-инструмента». Кто готов приоритетизировать несколько чётко определённых кейсов использования, принимать данные и управление всерьёз, вовлекать сотрудников и делать успех измеримым, тот смещает фокус с хайпа на устойчивое бизнес-влияние.