88% внедрили ИИ, но только 6% выигрывают: парадокс McKinsey

В ноябре 2025 года McKinsey опубликовала исследование, которое должно было стать тревожным звонком для корпоративного мира. Цифры просты и безжалостны: 88% компаний в развитых странах так или иначе используют искусственный интеллект. Но только 6% из них — менее одной из пятнадцати — получают от этого значимый бизнес-результат, то есть ощутимый рост выручки, прибыли или операционной эффективности. Разрыв между 88% и 6% — это не статистическая аномалия и не погрешность измерения. Мы в Aravana AI видим в нём симптом системной проблемы в том, как бизнес подходит к технологическим изменениям. Проблемы, которая повторяется из поколения в поколение — с ERP, с облаками, с мобайлом — и которую ИИ не решил, а обострил.

Начнём с того, что 88% — это впечатляющая цифра сама по себе. Ещё три года назад, в 2022 году, уровень внедрения ИИ составлял около 50%, а если считать только осмысленное внедрение (а не просто «мы используем спам-фильтр с машинным обучением» или «наш CRM автоматически ранжирует лиды»), то и того меньше — около 35%. Рост почти вдвое за три года означает, что ИИ перестал быть экзотикой и стал частью стандартного корпоративного набора инструментов. ChatGPT, Copilot, Gemini, различные SaaS-решения с ИИ-функциями — всё это сделало «внедрение ИИ» доступным для компании любого размера. Подключить API, интегрировать чатбота, добавить ИИ-фичу в продукт — это больше не требует миллионных бюджетов и армии data scientists. Порог входа снизился радикально — и именно это создало иллюзию массового прогресса, за которой скрывается массовая неэффективность.

Но именно в этой доступности и кроется ловушка. «Внедрить ИИ» и «получить от ИИ результат» — это два совершенно разных действия, разделённых пропастью организационных, культурных и стратегических факторов, которые невозможно преодолеть простым подключением API. Мы видим это снова и снова в компаниях разных размеров и отраслей: компания подключает языковую модель к внутренней документации, создаёт «ИИ-ассистента» для сотрудников, публикует пресс-релиз о «цифровой трансформации», CEO выступает на конференции со словами «мы — ИИ-first компания» — и записывает себя в 88% тех, кто «использует ИИ». Но никакого измеримого влияния на бизнес это не оказывает. Сотрудники пользуются ИИ-ассистентом из любопытства первые две недели, потом забывают — потому что он не интегрирован в их реальные рабочие процессы, отвечает слишком медленно, не имеет доступа к актуальным данным или просто не решает ту проблему, которая у них действительно болит. Процессы остаются прежними. KPI не меняются. Через полгода проект тихо закрывается, бюджет перераспределяется, и никто не может ответить на вопрос, что он дал компании — кроме «опыта» и «уроков».

McKinsey выделяет несколько характеристик тех 6%, которые действительно выигрывают. И вот что интересно и даже контринтуитивно — дело почти никогда не в технологии. Технологии у победителей и проигравших примерно одинаковые. Все используют одни и те же модели (GPT-4/5, Claude, Gemini), одни и те же облачные платформы (AWS, Azure, GCP), одни и те же фреймворки (LangChain, LlamaIndex, Hugging Face). Разница в другом — и этот «другой» фактор гораздо сложнее скопировать, чем технологический стек. Его нельзя купить, нельзя скачать с GitHub, нельзя внедрить за квартал.

Первое, что отличает лидеров: они интегрируют ИИ в ключевые бизнес-процессы, а не используют его как надстройку или украшение. Это значит, что ИИ не добавлен к существующему процессу как дополнительный инструмент — он меняет сам процесс. Пример: компания не просто добавляет чатбот в call-центр, отвечающий на FAQ, а полностью переосмысляет клиентский сервис как таковой. Убирает промежуточные звенья (менеджеры, супервайзеры, скрипты), даёт ИИ-системе доступ к полному контексту взаимодействия с клиентом — включая историю покупок, обращений, предпочтений, тональность предыдущих разговоров — и позволяет ей не просто отвечать на вопросы, а предупреждать проблемы до того, как клиент о них узнал. Это болезненно, это требует политической воли внутри организации, это вызывает сопротивление менеджеров среднего звена, чьи роли обесцениваются — но это работает. Компания Klarna, например, сократила время обработки клиентских запросов на 80% и число сотрудников поддержки на 70% — не добавив чатбот к существующему процессу, а перестроив процесс вокруг ИИ. Это не «внедрение ИИ» — это трансформация бизнеса с помощью ИИ. Разница огромна.

Второе: у лидеров есть чёткая, осмысленная стратегия данных. Не просто «у нас есть data lake на AWS» или «мы собираем данные о клиентах», а системный подход к тому, какие данные собираются, как они очищаются, как обеспечивается их качество, доступность и governance. По нашим наблюдениям и по данным самой McKinsey, 80% неудачных ИИ-проектов терпят крах не из-за моделей, а из-за данных. Грязные данные с ошибками и пропусками. Разрозненные системы, не связанные друг с другом — CRM знает одно, ERP — другое, и данные конфликтуют. Отсутствие стандартов: одна и та же метрика определена по-разному в разных отделах (что такое «активный клиент»? — спросите три отдела, получите три разных ответа). Всё это делает даже самую мощную модель бесполезной. Мусор на входе — мусор на выходе, как бы красиво он ни был оформлен нейросетью. Компании, входящие в 6%, тратят 40–60% бюджета ИИ-проектов на подготовку и управление данными. Остальные — менее 15%. Это, пожалуй, самый показательный разрыв.

Третье: лидеры измеряют результат — жёстко, количественно, безкомпромиссно. Звучит банально, но большинство компаний не могут ответить на простой вопрос: «Сколько денег нам принёс ИИ?» Не потому что ответа нет, а потому что никто не удосужился выстроить систему метрик до начала проекта. ИИ-проект запускается с размытыми целями — «повысить эффективность», «улучшить клиентский опыт», «оптимизировать процессы», «трансформировать подход к работе». Что именно означает «улучшить клиентский опыт»? На сколько процентов? За какой период? По какому показателю? Через полгода никто не может оценить, достигнуты ли цели или нет — потому что цели никогда не были конкретными. Лидеры поступают иначе: каждый ИИ-проект начинается с конкретной, измеримой метрики — сокращение времени обработки заказа с 4 часов до 30 минут, снижение возвратов на 15%, увеличение конверсии в покупку на 5 процентных пунктов. Если метрика не достигнута за установленный срок — проект пересматривается или безжалостно закрывается. Без эмоций, без политики, без «ну давайте ещё квартал попробуем» — только цифры.

Четвёртое — и, пожалуй, самое неочевидное: лидеры инвестируют в людей, а не только в технологии. Речь не просто о найме data scientists — хотя и это важно. Речь о системном обучении всех сотрудников, о создании культуры, в которой ИИ воспринимается не как угроза рабочим местам и не как непонятная игрушка IT-отдела, а как инструмент, помогающий каждому работать лучше. Это программы обучения на всех уровнях — от генерального директора до оператора на складе. Это хакатоны, где сотрудники из разных отделов вместе ищут ИИ-решения для реальных проблем. Это внутренние платформы для безопасных экспериментов с ИИ, где можно пробовать и ошибаться без последствий. Это менторские программы, где «цифровые чемпионы» из числа самих сотрудников помогают коллегам освоить новые инструменты. Компании, входящие в 6%, тратят на обучение персонала работе с ИИ в три-пять раз больше, чем средний показатель по рынку. И — что критически важно — обучают не только IT-отдел, а весь персонал, включая руководителей высшего звена.

Мы в Aravana AI считаем, что есть и пятый фактор, который McKinsey упоминает вскользь, но который, на наш взгляд, является определяющим: скорость итераций. Лидеры не пытаются построить идеальную ИИ-систему с первой попытки. Они не проводят полгода в проектировании архитектуры, год в разработке и ещё полгода в тестировании, чтобы получить «совершенный» продукт. Вместо этого они запускают минимально жизнеспособные решения за две-четыре недели, быстро собирают обратную связь от реальных пользователей, безжалостно корректируют то, что не работает, и масштабируют то, что работает. Они относятся к ИИ как к продукту, а не как к проекту. Проект имеет начало и конец, фиксированный бюджет и ожидание результата «в конце». Продукт развивается постоянно, итерация за итерацией, улучшение за улучшением. Компания, которая запустила десять маленьких ИИ-экспериментов за три месяца, три из которых провалились, четыре показали скромные результаты, а три — оказались прорывными и были масштабированы, получит несопоставимо больше, чем компания, которая два года проектировала одну «стратегическую ИИ-платформу» и так и не запустила её.

Есть ещё один аспект, который заслуживает внимания: отраслевая специфика разрыва. В финансовом секторе доля «победителей» выше — около 12%. В ритейле и телекоме — 8–9%. В производстве — около 3–4%. В здравоохранении — менее 3%. Это объясняется разной зрелостью данных, разной культурой экспериментирования и разной толерантностью к ошибкам. Банк может позволить себе A/B-тестировать ИИ-модель на выборке из 10 000 клиентов — максимальный ущерб от ошибки ограничен и страхуем. Завод не может позволить себе эксперимент, который остановит конвейер на сутки — это миллионы убытков. Больница не может рисковать здоровьем пациента ради тестирования новой модели диагностики — это вопрос жизни и смерти, а не процентов конверсии.

Мы думаем, что разрыв между 88% и 6% — это не аномалия и не сбой, а закономерность, которую можно было предсказать. Любая значимая технология проходит через фазу «широкого внедрения при низкой отдаче», прежде чем лучшие практики становятся общедоступными и внедрение начинает давать устойчивые результаты. Так было с ERP-системами в 90-х — большинство внедрений SAP провалились или не оправдали ожиданий, Gartner называл цифру 75% неудачных проектов, но те компании, которые преуспели, получили колоссальное конкурентное преимущество на десятилетие вперёд. Так было с облаками в 2010-х — «lift and shift» миграции часто не давали обещанной экономии и даже увеличивали расходы, но компании, которые перестроили архитектуру приложений под облако (cloud-native подход), трансформировали свой бизнес. Так происходит с ИИ сейчас.

Что из этого следует для компаний, которые пока находятся среди 82% (тех, кто внедрил ИИ, но не получает значимого результата)? Мы предлагаем начать с честного, беспощадного аудита. Не «что мы делаем с ИИ», а «какой конкретный, измеримый результат мы получаем от каждого ИИ-проекта». Составьте список всех ИИ-инициатив. Для каждой укажите: метрику успеха, текущий статус, потраченный бюджет, полученный результат. Если ответ для большинства — «пока непонятно» или «мы в процессе» или «нужно больше времени» — это красный флаг. ИИ-проект без чёткой метрики успеха — это не инвестиция, а расход.

Далее — приоритизация. Невозможно трансформировать всё сразу. Выберите один-два процесса, где ИИ может дать наибольший эффект, и сфокусируйтесь на них полностью. Лучше один проект, доведённый до измеримого результата и масштабированный на всю компанию, чем десять «пилотов», каждый из которых «подаёт надежды» и «развивается в правильном направлении». Пилоты — это кладбище ИИ-инициатив. По данным McKinsey, 87% пилотов никогда не переходят в продуктив. Восемьдесят семь процентов. Это не неудача — это системная проблема. Начните с малого, но доведите до конца — и только потом расширяйтесь.

И наконец — готовность менять организацию, а не только технологию. ИИ, встроенный в неэффективный процесс, просто автоматизирует неэффективность. Мы это называем «автоматизация хаоса» — вы тратите миллионы на то, чтобы быстрее делать то, что не нужно делать вообще. Чтобы попасть в 6%, нужно быть готовым переосмыслить не только инструменты, но и то, как устроена работа в компании. Это труднее, дольше и болезненнее, чем подключить API. Но это единственный путь к реальному, устойчивому, масштабируемому результату.

Вопрос, который мы считаем ключевым: если 82% компаний тратят ресурсы на ИИ без ощутимого результата, не является ли сам подход «сначала внедрим технологию, потом поймём зачем» фундаментально ошибочным — и не стоит ли начинать с бизнес-проблемы, а не с технологии?