Почему 95% пилотов ИИ не дают результата — и что отличает остальные 5%

В августе 2025 года лаборатория MIT NANDA выпустила отчёт, который разошёлся по всем деловым изданиям одной цифрой: 95% корпоративных пилотов генеративного ИИ не приносят измеримого результата. Fortune пересказала его под заголовком «95% пилотов ИИ в компаниях проваливаются».

Цифра удобная для хайпа и почти бесполезная в таком виде — как и любой процент без контекста. Полезное начинается там, где видно, из чего отчёт собран, где именно ломаются проекты и что делают те 5%, у которых получается. И ещё интереснее — посчитать, при каких условиях пилот окупится у ИП с пятью сотрудниками, а не у корпорации из списка Fortune 500.

Что именно посчитали в MIT

Отчёт называется «The GenAI Divide: State of AI in Business 2025». База: 150 интервью с руководителями, опрос 350 сотрудников и разбор 300 публичных внедрений. То есть это не мета-анализ экспериментов, а исследование практики: интервью, опрос, кейсы. Рецензирования не было — это отраслевой отчёт, и относиться к нему надо соответственно.

Главные числа:

— около 5% пилотных программ дают быстрый рост выручки, остальные 95% буксуют и почти не влияют на финансовый результат; — больше половины бюджетов на генеративный ИИ уходит в продажи и маркетинг, а самая высокая отдача обнаружилась в бэк-офисе: отказ от части аутсорсинга, сокращение расходов на агентства, оптимизация операций; — покупка готовых решений у специализированных поставщиков и партнёрства срабатывают примерно в 67% случаев, а собственные разработки внутри компании — примерно втрое реже; — причина провала, по мнению авторов, не в моделях, а в «разрыве обучения»: универсальные инструменты вроде ChatGPT хороши для одного человека, но не встраиваются в рабочие процессы компании и не подстраиваются под них.

Последний пункт — самый ценный. Он означает: проблема не в том, что «ИИ ещё не умеет», а в том, что между моделью и конкретной работой нет прослойки, которая знает эту работу. Ровно эту прослойку обычно и называют внедрением.

Расчёт: где на самом деле ломается экономика

Возьмём ИП с пятью сотрудниками. Пять типовых процессов, которые съедают время: разбор заявок, счета и акты, сводки и отчёты, поиск по документам, переписка с клиентами.

Допустим, каждый процесс занимает 6 часов в месяц — всего 30 часов. Автоматизация убирает 30% рутины, то есть 9 часов. При условной стоимости часа 1 000 ₽ это 9 000 ₽ экономии в месяц.

Внедрение «под ключ» по рынку — от 150 000 ₽. Считаем окупаемость: 150 000 ÷ 9 000 ≈ 17 месяцев. За это время часть процессов успеет измениться, сотрудник — уволиться, а подписка на сопровождение (20 000 ₽ в месяц) съест всю экономию втрое быстрее.

Вот и объяснение «95%» без всякой мистики: пилоты запускают на задачах, которые в принципе не окупают внедрение. Не потому что ИИ плохой, а потому что 6 часов в месяц — слишком маленькая ставка.

Считаем иначе. Берём один процесс, но тяжёлый: подготовка коммерческих предложений, 20 часов в месяц, автоматизация убирает половину — 10 часов, те же 10 000 ₽ в месяц. Окупаемость 15 месяцев. Уже лучше, но всё ещё долго.

Чтобы внедрение за 150 000 ₽ окупилось за полгода, экономия должна быть 25 000 ₽ в месяц — это 25 часов при ставке 1 000 ₽/ч. Выходит, продавать надо не «помощь с рутиной», а замену конкретной функции: человека на аутсорсе, подрядчика за 30–50 тысяч в месяц, ночные смены поддержки.

Это неприятный вывод для всех, кто продаёт ИИ как «удобство». Зато он объясняет, почему в отчёте деньги нашлись в бэк-офисе: там сидят подрядчики с понятным чеком, а не «потерянные полчаса в день».

Что делают те 5%

Из отчёта вырисовываются три признака, и они не про технологии.

Одна боль, а не десять. Успешные внедрения начинаются с конкретной точки: «не успеваем отвечать на заявки», «теряем документы», «не сходится отчётность». Не «внедрим ИИ, чтобы стать эффективнее».

Покупают, а не строят. Готовое решение с поддержкой срабатывает втрое чаще собственной разработки. Для компании без своего IT-отдела это вообще безальтернативно: собственная сборка требует человека, который будет её вести.

Менеджеры на местах, а не «центр компетенций». Внедрение идёт, когда им занимается тот, кто отвечает за процесс, а не отдельная лаборатория инноваций. В малом бизнесе это сам собственник — и это, пожалуй, единственное его преимущество над корпорацией.

Тест на 30 дней

Проверить, окупится ли ИИ именно у вас, можно без бюджета и без подрядчика.

1. Выберите один процесс. Тот, где есть повторяемость и понятный объём часов.
2. Замерьте базовую линию. Две недели записывайте, сколько минут в день уходит. Без цифры до — не будет цифры после.
3. Сделайте минимальную версию. Не агента, а скрипт или готовый сервис на одной задаче: например, черновик ответа клиенту по шаблону.
4. Сравните через две недели. Экономия меньше 10 минут в день — процесс не тот, ищите другой; больше 40 минут — можно считать внедрение.
5. Посчитайте деньги, а не минуты. Экономия в часах × стоимость часа × 12 месяцев против цены внедрения и подписки.

Если на четвёртом шаге экономии нет, дальше идти не нужно: масштабирование бесполезной автоматизации только увеличивает счёт за токены и поддержку.

Где цифра «95%» может врать

Отчёт честно описывает свою выборку, но переносить его выводы на весь рынок нельзя.

— Это опрос и интервью, а не измерение эффекта. Компании могли занижать или завышать проблемы, а часть провалов не попала в выборку вообще. — Речь о крупных компаниях с устоявшимися процессами. У ИП из трёх человек «внедрение» часто означает «владелец просто начал пользоваться ChatGPT» — это не тот же самый эксперимент. — Критерий успеха — «быстрый рост выручки». Внедрение, которое не растит выручку, но снижает издержки, по этой метрике считается провалом, хотя деньги приносит. — Цифра 95% стала мемом и живёт отдельно от отчёта: в пересказах её иногда приписывают вообще всем ИИ-проектам, включая личные.

Вывод, который я бы взял из отчёта: проваливаются не модели, а попытки внедрить ИИ «вообще». Работает узкая задача с измеримым чеком и человек, который за неё отвечает.

Что делать

1. Найдите процесс, который стоит вам 20+ часов в месяц или заменяет подрядчика с чеком от 30 000 ₽. Начните с него, а не с «полезного ИИ».
2. Замерьте две недели до внедрения. Без базовой линии любой результат будет ощущением, а не фактом.
3. Покупайте готовое, если нет своего IT-специалиста: по данным MIT это втрое надёжнее собственной сборки.
4. Считайте окупаемость в месяцах, а не в «удобстве». Больше 12 месяцев — либо задача мелкая, либо цена внедрения завышена.
5. Не автоматизируйте то, что скоро отмените: половина провалов — это автоматизация процесса, который компании не нужен.
6. Разделите эффект на два счёта: экономия времени и снижение расходов. Первый легко оспорить, второй виден в бухгалтерии.

Смотрите также

Что реально даёт ИИ в работе: расчёт по трём сценариям — и один, где он мешает Сколько стоит собрать личного ИИ-ассистента в 2026: смета до рубля Оффер и цена услуги в России: как считать, чтобы не работать в минус

Источники

1. MIT NANDA, The GenAI Divide: State of AI in Business 2025 — https://nanda.media.mit.edu/ai_report_2025.pdf
2. Fortune, «MIT report: 95% of generative AI pilots at companies are failing», 18.08.2025 — https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo/
3. Stanford HAI, AI Index Report 2026 (контекст по внедрению ИИ в экономике) — https://hai.stanford.edu/ai-index/2026-ai-index-report
4. Zapier, State of agentic AI adoption, декабрь 2025 (525 руководителей) — https://zapier.com/blog/ai-agents-survey