От амбиций до разочарований: как бизнес теряет деньги на ИИ

Искусственный интеллект (ИИ) стал центром внимания бизнеса. Компании массово запускали «пилоты», вкладывали миллионы и ждали быстрых результатов. Однако ожидания не оправдались. По данным международной консалтинговой компании BCG, лишь 22% проектов перешли от «пилотов» к реальному внедрению, а ощутимую выгоду получают около 4%. Разбираемся, почему внедрение ИИ часто разочаровывает.

Инструменты вместо бизнес-целей

Компании часто начинают с технологии вместо задачи. Они видят «модный инструмент» — нейросеть, голосового ассистента или чат-бота — и хотят внедрить, не задумываясь, какую конкретную проблему тот решает. В таких случаях результат чаще всего разочаровывает. Например, Taco Bell запустила голосового ИИ-ассистента в drive-thru, рассчитывая ускорить обслуживание. На практике задержки распознавания речи и ошибки взаимодействия с клиентами привели к недовольству и потерям заказов. ИИ не справлялся с обработкой запросов. Это снижало качество обслуживания и сказывалось на результатах сервиса.

Попытка автоматизировать все подряд или, наоборот, полный отказ от искусственного интеллекта одинаково мешают бизнес-результату, будь то повышение скорости процессов, снижение ошибок или улучшение качества обслуживания клиентов. В ретейле, например, алгоритмы иногда автоматически отменяют заказ при нехватке части товаров, не предлагая клиенту альтернативу. В итоге покупатель, готовый согласиться на меньший объем или замену, уходит вовсе без покупки, а компания теряет и доход, и доверие.

Индустрия 4.0 MIT: 95% пилотных проектов по генеративному ИИ в компаниях проваливаются

«Пилоты», которые съели бюджеты

Проблемы становятся особенно заметны на этапе масштабирования. Большинство пилотных проектов останавливается на этапе тестов. Шведский платежный сервис Klarna, пытаясь заменить операторов клиентской поддержки чат-ботом, рассчитывал сократить расходы и ускорить ответы клиентам. Однако система оказалась неспособной справляться с большим объемом обращений: бот неправильно классифицировал запросы, давал шаблонные или не соответствующие вопросу ответы и часто замыкал пользователей в цикле бесконечных уточнений. В результате тысячи клиентов не могли решить базовые проблемы — от возврата платежей до подтверждения транзакций. Поток жалоб вырос настолько, что компания была вынуждена вернуть операторов и признать: без постепенного внедрения, отработанных сценариев и контроля KPI автоматизация превращается в риск для бизнеса.

Медтех-стартап Forward с проектом CarePods столкнулся с похожей проблемой. В пилотных запусках автономные киоски для диагностики здоровья вызывали интерес: пациенты могли самостоятельно сдавать анализы и получать рекомендации с помощью ИИ. Однако при расширении модель дала сбой. Автоматизированные системы не справлялись с задачами: сенсоры работали нестабильно, забор крови часто прерывался, интерфейс создавал трудности для пользователей. Стоимость установки и обслуживания CarePods превышала $1 млн за единицу, а расходы на поддержку оказались выше ожидаемой экономии. В итоге масштабирование стало нерентабельным. Осенью 2024 года Forward закрыл CarePods и отказался от дальнейшего развертывания, сосредоточившись на пересмотре бизнес-модели.

«Пилот» — это только старт, и вместе с тестом модели приходится тестировать процессы вокруг нее: ручные операции действительно исчезают, но появляются новые точки контроля и меняется распределение ролей. Игнорирование этой части делает даже успешный эксперимент источником дорогих провалов.

Сотрудники против ИИ

ИИ работает только в связке с людьми — он не заменяет сотрудников. Но если людей не вовлекать, не обучать и не корректировать роли, технология быстро превращается в источник тревоги, а не в инструмент работы. Исследования международной сети аудиторских и консалтинговых фирм EY показывают: 75% сотрудников боятся, что из-за ИИ некоторые профессии могут исчезнуть, а 65% опасаются за собственные места. При этом почти половина работников отмечают, что их вообще не обучали работе с новыми инструментами. В итоге они либо используют формально, либо полностью игнорируют ИИ в ежедневных задачах.

Недоверие к руководству усложняет внедрение ИИ: сотрудники оценивают технологию через призму действий и коммуникаций менеджмента. В журнале Harvard Business Review отмечается: если сотрудники сомневаются в лидерах компании, то не принимают и внедряемые теми технологии. Резонансный пример — Amazon, где заявление CEO о замене части корпоративных сотрудников ИИ вызвало волну негатива во внутренних каналах Slack. При отсутствии прозрачной информации о целях и правилах применения ИИ растут напряжение и сопротивление, а не эффективность процессов.

Индустрия 4.0 Профессиональный иммунитет: как меняется рынок труда в новой реальности

Однако есть и другой сценарий: сопротивление снижается, когда сотрудники сами сталкиваются с разницей в темпах работы. Если часть команды делает пять задач в день, а кто-то одну, то давление возникает естественным образом и выбор становится очевидным: осваивать новые инструменты или рисковать своей позицией. При этом меняются и роли внутри компаний. На рынке становится меньше IT-специалистов, выполняющих только рутинное написание кода, а ценность приобретают профессионалы, которые умеют мыслить системно и распределять задачи между людьми и ИИ. Рутинные процессы постепенно делегируются алгоритмам, а эксперты концентрируются на ключевых решениях.

Недооценка корпоративной культуры — серьезный риск при внедрении ИИ. История Amazon показала, к чему приводит недоверие. Еще более радикальный сценарий продемонстрировала IgniteTech: руководство решило уволить около 80% персонала, объяснив это сопротивлением ИИ-инициативам. Отсутствие плавного внедрения и обучения только усилило напряжение и показало, как важно работать с людьми при внедрении технологий.

На практике наиболее устойчивыми оказываются компании, которые не только интегрируют алгоритмы, но и перестраивают процессы — от автоматизированных заявок до подготовки проектной документации, сохраняя при этом контроль качества за экспертами.

Риски, за которые платят миллионами

Уязвимости выходят далеко за пределы человеческого фактора. ИИ может мешать работе, особенно в областях безопасности, конфиденциальности и управленческих решений. Среда разработки Replit столкнулась с критической ошибкой: ИИ-ассистент удалил базу данных компании-клиента. Потери могли быть минимизированы при ограничении доступа, резервном копировании и создании отдельной тестовой копии ИИ для проверки действий, что позволило бы снизить риски. Подобная уязвимость обнаружилась и у Microsoft: компания планировала функцию Recall для Copilot+, которая должна была фиксировать действия пользователей и обеспечивать возможность отката изменений. Во время тестирования выяснилось, что инструмент сохраняет данные без согласия сотрудников, включая потенциально конфиденциальную информацию из корпоративных репозиториев. Это выявило необходимость доработки системы доступа, уточнения политики приватности и ограничения возможностей Recall на тестовых данных перед полноценным запуском. Стало также очевидно, что контроль за действиями ИИ и тестовые среды для проверки изменений — обязательные меры, чтобы избежать утечки информации и нарушений корпоративных правил. Успешное внедрение ИИ требует продуманного подхода к безопасности и управлению данными: без ограничений доступа, тестовых копий и мониторинга действий автоматизированных инструментов потенциальные угрозы могут перевесить преимущества технологии.

Внедрение ИИ меняет привычные процессы: он ускоряет и автоматизирует задачи, но одновременно обнажает слабые места в архитектуре, политике доступа и культуре работы с данными.

Индустрия 4.0 Хосты и сети: почему бизнесу важна кибербезопасность

Практическое применение ИИ: чек-лист для бизнеса

Эффект от ИИ определяется не технологиями, а тем, как компания интегрирует их в свои процессы. Простое внедрение инструментов без понимания задач и корпоративной среды редко дает ощутимые результаты: автоматизация может ускорять одни процессы, но одновременно создавать новые точки риска. Системный подход помогает избежать этого: сначала формулируются конкретные бизнес-цели, затем тестируются инструменты в реальных условиях, прорабатываются права доступа, сценарии отката и обучение сотрудников. Такой подход превращает ИИ в средство повышения эффективности и качества работы, а не в источник новых проблем и позволяет компании оценивать реальный экономический эффект внедрения.

1. Фокус на конкретной бизнес-цели
   Определите, какую проблему решает искусственный интеллект: сокращение времени обработки запросов, снижение числа ошибок, рост конверсии. Задайте метрики для оценки результата, а не только того, что ИИ просто выполняет задачи без измеримого эффекта.
2. «Пилоты» в условиях, приближенных к эксплуатации
   Проверяйте работу нейросетей в сценариях, максимально приближенных к реальной нагрузке. Включайте стресс-тесты и сценарии отката для быстрого реагирования на ошибки.
3. Контроль доступа и мониторинг действий ИИ
   Ограничьте права ИИ-агентов до необходимого минимума. Обеспечьте возможность мгновенной остановки процессов при некорректных действиях.
4. Приватность и юридическая проверка с первого дня
   Все данные пользователей обрабатываются с участием юристов и специалистов по конфиденциальности. Любые изменения тестируются на отдельной копии системы до запуска.
5. Сотрудники и ИИ работают вместе
   Обучайте команду: объясняйте задачи искусственного интеллекта, его роль и ограничения. Финальные решения и взаимодействие с клиентами остаются за людьми, снижая операционные риски.
6. Межфункциональная операционная команда
   В проекте участвуют продуктовые менеджеры, бизнес-представители, специалисты по данным и рискам. Ответственность распределяется по гипотезам, инфраструктуре и контролю качества.
7. Оценка экономического и операционного эффекта
   Фокус на NPS, LTV, операционных расходах и стоимости ошибок. Решения принимаются на основе измеримого эффекта для бизнеса, а не трендов или модных технологий.