Почему компании не могут внедрить ИИ: главные препятствия и что нужно изменить, чтобы AI работал

ИИ можно считать успешным, только если он встроен в процессы, работает ежедневно и изменяет показатели, которые влияют на деньги или риски: снижает стоимость привлечения, ускоряет принятие решений, сокращает рутину, улучшает прогнозы, уменьшает ошибку в планировании, помогает точнее работать с клиентами и кампаниями. Всё остальное — эксперименты. И последние два года компании активно экспериментируют с искусственным интеллектом. В пилотах — чат-боты, ассистенты, генерация отчётов и креативов, скоринг заявок. Но, если посмотреть на статистику...

• По данным MIT и Forbes, до 95% пилотов генеративного ИИ не дают измеримого экономического эффекта.
• Исследования BCG показывают, что три четверти компаний не могут масштабировать даже успешные эксперименты.
• S&P Global отмечает: 42% компаний закрывают большую часть своих AI-инициатив ещё до продакшена, потому что не могут довести их до рабочего состояния.
• Российские исследования говорят то же самое: около 70% корпораций не окупили вложения в ИИ, несмотря на растущие бюджеты и десятки внутренних проектов.

И на этом фоне стоит ещё одна важная цифра: 57% компаний сами признают, что их данные и процессы не готовы к ИИ. То есть проблема не в том, что технологии сырые, а в том, что организации просто не подготовлены к тому, чтобы ИИ стал частью реальной операционной деятельности.

Это и есть AI-незрелость бизнеса: когда технология уже на пороге, а внутри компании для неё нет подходящих условий — ни по данным, ни по архитектуре решений, ни по управлению. В отдельной статье мы уже разобрали ошибки при внедрении AI в маркетинге — это уровень конкретных промахов в проектах: неясная цель, неполные данные, отсутствие владельца. Здесь спустимся на уровень ниже и поговорим о системных барьерах, которые и создают почву для этих ошибок.

Барьер 1. Инфраструктура и аналитика ориентированы на прошлое, а не на решения

У большинства крупных компаний в России уже есть BI, хранилища, отчётность. Формально всё выглядит зрелым: множество дашбордов, регламентированные выгрузки, регулярные отчёты. Но значительная часть этой инфраструктуры создавалась как инструмент контроля и отчётности, а не как основа для оперативных решений и работы моделей.

В результате:

• данные сосуществуют в отдельных контурах: веб-аналитика, CRM, офлайн-каналы, риск-системы, бэк-офис
• одни и те же метрики считаются по разным правилам в разных подразделениях
• BI отвечает на вопрос «что произошло», но почти не помогает ответить, что делать дальше и где именно использовать ИИ

В статье AI-аналитика vs классическая BI мы подробно разбирали эту разницу. Классическая BI фиксирует прошлое, AI-аналитика опирается на прогнозы, сигналы и рекомендации. Нужен операционный контур: единая воронка, идентификаторы, привязка к выручке и марже, обновление с нужной периодичностью.

Первая причина, по которой ИИ не приносит результата, в том, что его пытаются внедрить в архитектуру, изначально спроектированную под статичную отчётность. Модель можно обучить и показать на пилоте, но пока данные живут в логике ежемесячного отчёта, а не ежедневного принятия решений, ИИ не становится частью управления.

Барьер 2. Экономика AI-проектов не встроена в контур управления бизнесом

Второй крупный барьер связан с тем, как в компании устроены бюджеты и финансовое планирование. ИИ часто запускают в режиме «посмотрим, что получится», тогда как бюджетирование, закупки и KPI остаются в старой модели.

Для российского enterprise это выглядит так:

• затраты на AI-инициативы разделены по нескольким статьям — IT, маркетинг, продукт, риск
• закупки проходят через стандартные процедуры, рассчитанные на покупку стабильного софта, а не на тестирование и смену AI-сервисов
• финансовый блок не видит прозрачной модели окупаемости, потому что проекты описаны в терминах технологий, а не влияния на P&L

В результате пилоты реализуются, но в контуре годового планирования ИИ отсутствует. В лучшем случае это «интересные инициативы», в худшем — расходы, которые проще сократить, чем защищать.

Важно разделять уровни. Ошибка — когда команда вообще не формулирует цель пилота. Барьер — когда даже хорошо сформулированный кейс не может пройти через существующую финансовую систему.

Практический подход:

• описывать сценарии ИИ через оцифрованный эффект: снижение затрат, сокращение времени цикла, уменьшение потерь, рост выручки
• заранее согласовывать с финансовым блоком, по какой модели считать эффект и на каком горизонте смотреть на окупаемость
• адаптировать процессы закупки хотя бы для части AI-проектов: предусматривать возможность параллельного тестирования нескольких решений и обновления стека

Технологический разрыв часто начинается именно в финансовых контурах: бизнесу нужна гибкость и скорость, а процессы закупки и планирования по-прежнему ориентированы на долгие циклы и минимизацию изменений. В случае с ИИ этот разрыв становится особенно заметен.

Барьер 3. Организационная структура не предусматривает роли, отвечающие за ИИ

Следующий уровень — организационный. Во многих компаниях есть CIO, CMO, CDO, иногда директор по трансформации. Но почти нигде нет чётко сформулированной ответственности за то, чтобы ИИ стал частью операционной модели.

На практике это выглядит так:

• IT обеспечивает инфраструктуру и безопасность, но не определяет, какие именно процессы должны меняться. Поэтому техническая реализация есть, но бизнес этого не замечает.
• Маркетинг, продукт и операционные команды отвечают за результат, но без структурированной роли, которая связывает их с данными и моделями, инициативы теряют управляемость и остаются точечными.
• Аналитика поддерживает обе стороны, но не в праве менять процессы. В итоге рядовые специалисты видят препятствия (данные, методология, архитектура), но не могут самостоятельно обеспечить их устранение.

В статье про AI-интегратора мы описывали профиль человека, который умеет вести AI-проекты от идеи до результата: он понимает данные, процессы и экономику. Но одной инициативности недостаточно. Этой роли нужно место в структуре и полномочия на изменения.

Минимальная конструкция может выглядеть так:

• руководитель верхнего уровня (AI-энтузиаст, AI-first), который фиксирует приоритет AI-инициатив и связывает их со стратегическими целями
• небольшая координационная команда — часто это и есть начальный формат AI-офиса
• ответственные внутри ключевых бизнес-направлений, у которых ИИ встроен в KPI, а не остаётся личной инициативой
• Без этой структуры ИИ неизбежно остаётся набором локальных экспериментов. Компетенции не накапливаются, сценарии дублируются, эффекты сложно защищать на уровне руководства

Барьер 4. Регуляторика и безопасность не оформлены в понятные для бизнеса правила

Российские требования к работе с данными — персональными, финансовыми, отраслевыми — объективно строже, чем в ряде других юрисдикций. Но ключевой барьер обычно не в самих нормах, а в том, что внутри компании нет чётко сформулированных правил, как с ними работать в контексте ИИ.

Если таких правил нет:

• службы безопасности и юридический блок вынуждены блокировать любые инициативы «по умолчанию», чтобы не допустить нарушений
• бизнес-подразделения не понимают, какие сценарии вообще можно обсуждать, и предпочитают не инициировать проекты
• сотрудники используют внешние AI-сервисы стихийно, без контроля и единых требований

В статье Как защитить корпоративные данные при работе с AI мы разбирали, как выстраивать безопасную архитектуру и минимизировать риски. На уровне барьеров задача — перевести этот подход в чёткую внутреннюю политику.

В ней должны быть:

• перечень допустимых сценариев: где возможны внешние модели, где только приватные, а где ИИ не применяется вообще
• требования к обезличиванию, маскированию и хранению данных
• прозрачный порядок согласования новых сценариев с ИБ и юристами
• распределение ответственности по типам решений

Когда такие правила формализованы, согласования действительно проходят быстрее, а неопределённость уходит. Это не отменяет требований 152-ФЗ и отраслевых норм, но делает работу с ИИ предсказуемой и безопасной для бизнеса.

Если нужно глубже разобраться, какие ограничения действуют в России и как строить процессы так, чтобы ИИ не тормозили юридические и регуляторные риски, рекомендуем узнать, как устроены AI-этика и регулирование в России.

Барьер 5. Недоверие к моделям и данным после предыдущих волн автоматизации

Есть ещё один важный для российского рынка барьер — накопленный скепсис. Многие компании уже проходили через волны цифровизации и автоматизации: внедрение CRM, крупных BI-платформ, предиктивных моделей. Не все проекты оправдали ожидания.

Последствия хорошо знакомы:

• CRM используется как адресная книга, а не система управления клиентской базой
• в BI есть десятки отчётов, но управленческие решения принимаются по наитию
• ранние попытки построить скоринги и прогнозы дали нестабильный результат и потребовали постоянной ручной корректировки

На этом фоне ИИ воспринимается не как качественный шаг вперёд, а как очередной виток тех же обещаний. И здесь не помогают абстрактные объяснения про новый уровень моделей. Доверие к аналитике формируется тогда, когда прогнозы, сигналы и рекомендации регулярно подтверждаются реальными результатами. С ИИ ситуация аналогичная. Несколько конкретных сценариев, которые стабильно дают экономию затрат, ускорение процессов или снижение ошибок, работают сильнее любой презентации.

Как к этому подойти на практике

Ошибки на уровне отдельных проектов мы уже разобрали в статье про внедрение AI в маркетинге. На уровне барьеров задача другая — создать условия, в которых у ИИ появляется устойчивое место в управлении.

Если свести подход к опорным шагам, он выглядит так:

1. Оценить состояние данных и аналитики с точки зрения возможностей для ИИ, а не только отчётности.
   Понять, есть ли сквозная воронка, единая методология метрик, регулярное обновление данных.

2. Выделить несколько приоритетных задач, где ИИ может дать измеримый эффект.
   Не «внедрить ИИ», а, например, сократить время на операционную работу, снизить стоимость привлечения, повысить точность прогнозов.

3. Назначить ответственных за развитие AI-направления.
   Сформировать минимальную структуру управления: ответственный AI-интегратор, координационная команда, владельцы сценариев в бизнес-функциях.

4. Сформулировать и утвердить политику работы с AI и данными.
   Чётко описать допустимые сценарии, требования к защите данных и порядок согласования.

5. Фиксировать эффект в показателях, которые видят финансовый блок.
   Учитывать не только удобство для сотрудников или пользователей, но и экономию ресурсов, прирост выручки, снижение риска.

Когда такой подход лежит в основе интеграции, ИИ становится логичным продолжением уже существующей системы управления. И тогда вопрос становится другим: не почему AI у нас не взлетает, а какие ещё процессы стоит автоматизировать.