Ученые Массачусетского технологического института выпустили масштабное исследование «Великая коррекция хайпа искусственного интеллекта 2025 г.», в котором попытались трезво оценить реальное влияние ИИ на бизнес. Вывод оказался куда более холодным, чем ожидали оптимисты: около 95% компаний, уже вложившихся в искусственный интеллект, не получили от него заметной практической выгоды.
Изучив 300 организаций, исследователи выяснили: лишь 5% пилотных проектов по внедрению ИИ перерастают в масштабные инициативы и приносят миллионные доходы. Остальные так и остаются экспериментами «в песочнице» — красивыми демонстрациями возможностей технологий, которые не меняют ни структуру затрат, ни выручку, ни конкурентное положение компаний.
Почему ИИ-проекты застревают на стадии пилота
Главная проблема, на которую указывает MIT, — поверхностное внедрение. Большинство компаний ограничиваются тестированием популярных инструментов, вроде ChatGPT или Copilot, на уровне отдельных сотрудников или команд.
Такие решения действительно могут ускорять подготовку документов, улучшать качество текстов, помогать в программировании или аналитике. Но это, по сути, точечная оптимизация:
- ИИ помогает конкретному сотруднику работать чуть быстрее
- но не перестраивает ключевые бизнес-процессы
- и почти не влияет на стратегию, продуктовую линейку или бизнес-модель.
В результате повышается индивидуальная производительность, но она не конвертируется в рост выручки или радикальное сокращение затрат. В масштабах всей компании эффект оказывается размыт и часто вообще неуловим в финансовой отчетности.
Отсутствие глубокой интеграции в процессы
По данным исследования, более 80% компаний уже изучали или тестировали инструменты ИИ, а почти 40% заявили, что начали использовать их в реальной работе. Однако:
- ИИ не встраивается в критические бизнес-процессы — продажи, логистику, цепочки поставок, разработку продуктов
- не интегрируется с внутренними системами (ERP, CRM, документооборотом, управлением производством)
- не получает доступа к ключевым данным, на основе которых можно было бы создавать мощные модели автоматизации и прогнозирования.
То есть ИИ используется как «надстройка» — помощник, а не как основа нового способа работы. В таком формате трудно ожидать прорывного эффекта.
Почему ИИ «не учится» и не становится лучше
Исследователи MIT подчеркивают еще одну принципиальную проблему: большинство современных генеративных моделей не ведут себя как обучаемые сотрудники.
В отчете говорится, что типичные системы:
- не запоминают обратную связь или делают это крайне ограниченно
- плохо учитывают уникальный контекст конкретной компании
- не выстраивают долгосрочное «понимание» задач и бизнес-логики
- часто выдают нестабильные результаты, зависящие от формулировки запроса.
Такие рабочие процессы хрупки: малейшее изменение формулировки, данных или сценария приводит к непредсказуемым ответам. В корпоративной среде, где важны надежность, повторяемость и контроль рисков, это превращается в серьезный барьер.
ИИ как косметический ремонт, а не капитальная перестройка
Вместо того чтобы использовать ИИ для радикальной трансформации цепочек создания ценности, большинство организаций фактически «подкрашивают» отдельные задачи:
- автоматизируют небольшие рутинные операции
- ускоряют подготовку отчетов
- улучшают внутреннюю коммуникацию.
Формально это выглядит как внедрение ИИ. Фактически — это цифровой косметический ремонт, а не перестройка бизнес-архитектуры.
Компании инвестируют миллионы в инфраструктуру, лицензии и эксперименты, но редко пересматривают, как именно они зарабатывают деньги, как создают продукт, как обслуживают клиентов. В итоге деньги тратятся, а влияние на P&L (отчет о прибылях и убытках) остается минимальным.
Сомнительная эффективность ИИ-стратегий большинства компаний
MIT фактически ставит под вопрос стратегию «инвестировать в ИИ, потому что так делают все». Если технология не привязана к конкретным KPI — снижению затрат, росту конверсии, уменьшению времени вывода продукта на рынок, оптимизации запасов — она почти гарантированно останется игрушкой энтузиастов.
Отдельная проблема — управленческая мода. Руководители требуют, чтобы в каждом проекте была «компонента ИИ», но редко понимают, где именно ИИ может дать наибольший эффект, а где дешевле и надежнее обойтись классической автоматизацией или просто улучшением процессов.
Массовых увольнений из-за ИИ в ближайшие годы не будет
Несмотря на пугающие заголовки, исследование MIT предполагает: до 2028 года волны массовых сокращений исключительно из-за генеративного ИИ ожидать не стоит.
Организационное влияние технологий, по оценке авторов отчета, будет проявляться скорее через:
- оптимизацию внешних затрат (аутсорсинг, подрядчики, сервисы)
- консолидацию поставщиков
- автоматизацию части внешних операций
а не за счет тотальной внутренней реструктуризации и немедленной замены людей алгоритмами.
Двойственное влияние ИИ на рынок труда
Дополнительные данные аналитической компании Lightcast показывают более сложную картину. Искусственный интеллект по-разному влияет на разные сегменты рынка к 2025 году.
С одной стороны, ИИ уже стал фактором сокращений в технологическом секторе:
- в ИТ-индустрии алгоритмы берут на себя все больше задач по программированию, поддержке и администрированию
- по отдельным оценкам, до 80 тысяч сотрудников могли лишиться работы из-за автоматизации
- крупные корпорации, такие как технологические гиганты, одновременно массово оптимизируют штат и вкладывают десятки миллиардов долларов в новые проекты на базе ИИ.
С другой стороны, за пределами «чистой» ИТ-среды спрос на специалистов, умеющих работать с ИИ, стремительно растет.
Где навыки ИИ повышают зарплаты
За рамками классического техсектора наблюдается противоположная тенденция:
- в маркетинге нужны специалисты, которые умеют использовать ИИ для персонализации, анализа поведения клиентов, генерации контента
- в HR — эксперты, способные применять ИИ для отбора резюме, прогнозирования текучки кадров, повышения вовлеченности сотрудников
- в финансах — аналитики, управляющие моделями прогнозирования рисков, спроса и денежных потоков
- в образовании — методисты и преподаватели, строящие адаптивные программы на базе ИИ-инструментов.
Здесь ИИ выступает не как замена человека, а как мощный мультипликатор его компетенций. И зарплаты специалистов, умеющих грамотно работать с новыми инструментами, заметно растут.
Почему только 5% проектов приносят миллионы
Те самые 5% успешных ИИ-проектов, о которых говорит MIT, объединяют несколько общих черт:
1. Четкая бизнес-цель
Проект изначально нацелен на измеримый результат: снижение издержек на определенный процент, рост выручки в конкретном сегменте, улучшение ключевого показателя эффективности.
2. Глубокая интеграция с данными компании
Успешные решения «подкручиваются» под внутренние данные — транзакции, логи, производственные показатели, историю взаимодействия с клиентами. Модель не просто «умная сама по себе», она понимает реальность конкретного бизнеса.
3. Встраивание в существующие или новые процессы
ИИ не живет отдельно, а становится обязательной частью рабочего процесса: без него задача просто не выполняется или становится слишком дорогой и медленной.
4. Непрерывное улучшение и обучение
Команда регулярно обновляет модели, встраивает обратную связь от пользователей, корректирует алгоритмы, пересматривает метрики.
5. Поддержка топ-менеджмента
Руководство не только одобряет проект, но и готово менять организацию ради его успеха — пересматривать ответственность, мотивацию, регламенты.
Что мешает компаниям перейти из 95% в 5%
Ключевые барьеры, которые выделяют эксперты, можно сгруппировать так:
- Организационные: отсутствие владельца ИИ-инициатив на уровне топ-менеджмента, конфликт интересов между подразделениями, сопротивление изменениям.
- Технологические: разрозненные системы, «грязные» данные, устаревшая архитектура, усложняющая интеграцию ИИ.
- Кадровые: недостаток людей на стыке бизнеса и технологий, способных перевести бизнес-задачу в архитектуру ИИ-решения.
- Культурные: страх сотрудников перед автоматизацией, восприятие ИИ как угрозы, а не как инструмента.
Без решения этих проблем любая, даже самая мощная модель, останется игрушкой в руках продвинутых энтузиастов.
Как компаниям извлечь реальную ценность из ИИ
Исследование MIT не просто фиксирует неудачи, оно фактически подсказывает, как изменить подход:
1. Начинать не с технологии, а с бизнес-кейса
Сформулировать конкретную задачу: что именно должен улучшить ИИ и как это будет измеряться.
2. Выбирать процессы с высокой ставкой
На ранних этапах имеет смысл фокусироваться на областях, где каждые 1–2% улучшения ощутимо отражаются на прибыли: ценообразование, логистика, управление запасами, скоринг клиентов, планирование производства.
3. Интегрировать ИИ «внутрь» систем, а не поверх них
Встраивать модели в CRM, ERP, системы управления складом, контакт-центры — так, чтобы ИИ становился частью ядра, а не внешним виджетом.
4. Перестраивать процессы под ИИ, а не наоборот
Часто приходится менять сами регламенты и распределение ролей, чтобы ИИ мог реально взять на себя часть решений или действий.
5. Обеспечить контур ответственности и контроля качества
Ввести метрики качества решений ИИ, процедуры проверки, журналы действий, механизмы эскалации сложных случаев к людям.
Чему учит «великая коррекция хайпа» ИИ
Аналитики MIT фактически говорят о взрослении индустрии. Период восторженных ожиданий, когда от ИИ ждали чудес «сам по себе», сменяется более приземленным этапом — трудной, детальной и часто неблестящей работы по интеграции.
Грань между компаниями, которые просто «играют с ИИ», и теми, кто на нем зарабатывает, будет становиться все более четкой. Первые останутся в тех самых 95%, для которых ИИ — это презентации, пилоты и PR. Вторые войдут в узкий круг игроков, где ИИ не украшение, а фундамент конкурентного преимущества.
Итог исследования прост, но жесток: сама по себе технология ИИ почти ничего не гарантирует. Реальная ценность появляется только там, где компания готова менять процессы, культуру и управление под новые инструменты — а не надеяться, что один модный алгоритм магически решит старые бизнес-проблемы.
