Бизнес наращивает расходы на искусственный интеллект третий год подряд. В прибыли это по-прежнему не видно. Дело не в моделях.

В 1890-х американские фабриканты получили электричество и почти ничего с ним не сделали.

Технология была готова, генераторы продавались, цена падала каждый год. Но фабрика тех лет представляла собой здание, выстроенное вокруг одной паровой машины. От машины шёл главный вал через все этажи, от вала - ремни к каждому станку. Планировку цеха диктовала не логика производства, а длина ремня. Здания строили многоэтажными, чтобы передача не съедала мощность.

Что сделали первые покупатели электричества? Выкатили паровую машину и поставили на её место большой электромотор. Вал, ремни, этажи и весь остальной завод оставили как есть.

Прирост производительности оказался нулевым.

Настоящий эффект пришёл лет через тридцать, когда кто-то догадался ставить отдельный мотор на каждый станок. Исчезли валы и ремни, а вместе с ними исчезла причина строить цех именно так. Здания стали одноэтажными и широкими, станки расставили по ходу движения детали, сверху пустили краны. Производительность американской промышленности рванула вверх в двадцатые. Через сорок лет после того, как электричество стало доступным.

Технологию купили сразу. Организацию под неё перестроили через поколение. Все эти сорок лет электричество исправно работало и не давало ничего.

Мы сейчас стоим ровно в этой точке, только счета приходят быстрее.

Цифры, которые не любят цитировать на конференциях

Начнём с неприятного. Оценка, которую приводит RAND в своём разборе неудач, звучит так: больше 80% проектов с искусственным интеллектом не доходят до результата, вдвое чаще, чем обычные ИТ-проекты. Сами исследователи опросили шестьдесят пять практикующих специалистов по данным и машинному обучению и вывели пять корневых причин. Технической среди них одна: попытка решить задачу, которая нынешним моделям пока не по зубам. Остальные четыре - организационные.

MIT в исследовании корпоративного генеративного ИИ дал цифру жёстче: 95% пилотов не показали измеримого влияния на прибыль. К работе есть претензии - она не проходила рецензирование, база интервью небольшая, критерий успеха узкий. Но порядок величины подтверждают и другие замеры.

Gartner ещё летом 2025 года спрогнозировал, что к концу 2027-го свернут больше 40% агентских проектов. Причины назвал не технологические: растущие расходы, невнятная бизнес-ценность, отсутствие контроля рисков.

При этом технология не сломана. У тех, кто справился, отдача есть. IDC в исследовании, заказанном Microsoft, насчитала в среднем 3,7 доллара на доллар вложений, а у лидеров втрое больше. Заказчика исследования держите в уме, но направление верное: разрыв между верхним децилем и всеми остальными не сужается, он растёт.

Знакомая картина. Мотор работает, завод стоит.

Агент ломается не как программа. Он ломается как сотрудник

Тридцать лет мы покупали софт по понятному контракту: написали один раз, запускаем вечно, ведёт себя предсказуемо, присматривать не надо. Баг - это дефект, дефект чинится, после починки поведение стабильно.

Искусственный интеллект этот контракт разорвал. Как только программа научилась делать что угодно, она перестала делать хоть что-нибудь одинаково. И ломается она теперь не по-программному, а по-человечески.

Плохой сотрудник не выдаёт stack trace. Он уверенно приносит вам не то, что вы просили, аккуратно оформленное и вовремя. Он не говорит «я не понял задачу», он делает вид, что понял. Он переспрашивает у соседа, сосед переспрашивает у него, и через час у вас два занятых человека и ноль результата.

Ровно так же ведёт себя агент. Он не падает - он крутится. Не справившись с задачей, вызывает сам себя, чтобы проверить сам себя, чтобы исправить сам себя. Каждый круг стоит денег. Со стороны это выглядит как работа: логи бегут, статусы меняются, счётчик расходов растёт.

Это совещание о совещании, только со скоростью машины.

И вот тут случается вещь, к которой корпоративные финансы совершенно не готовы. Плохо поставленная задача человеку обходится в один потерянный день. Плохо поставленная задача агенту обходится в сто попыток за минуту, каждая из которых оплачена. Впервые в истории машинная работа может стоить дороже человеческой - не потому, что машина дорогая, а потому, что вы платите за её непонимание в промышленных объёмах.

Компании выдали каждому сотруднику, включая худших, безлимитный штат и безлимитный бюджет. Никого при этом не научив нанимать, ставить задачи и увольнять.

Почему из всего ИИ работает только программирование

Обратите внимание на любопытную деталь: подавляющая часть денег, которые сегодня реально зарабатываются на искусственном интеллекте, приходит из разработки программного обеспечения. Не из юриспруденции, не из маркетинга, не из финансового анализа, хотя языковая модель формально способна на все три.

Причина простая и она не про технологию.

Код либо компилируется, либо нет. Тесты либо проходят, либо падают. У программирования есть встроенная проверка правильности, которая работает без участия человека, мгновенно и бесплатно. Агент может ошибаться сколько угодно - его поправит компилятор.

В остальных профессиях такой проверки нет. Никто не написал, чем хороший договор отличается от плохого, в форме, которую можно исполнить. Хороший юрист «просто видит». Хороший аналитик «чувствует». Хороший продавец «понимает клиента». Всё это прекрасно работало, пока работу делали люди, которые учатся подражанием и годами сидения рядом со старшим.

Машина подражанием не учится. Ей нужен критерий.

Отсюда следует вывод, который мне кажется главным во всей этой истории: узкое место корпоративного ИИ - не модели, не вычислительные мощности и не «нехватка специалистов по данным». Узкое место - в том, что почти ни одна компания никогда не формулировала письменно, что считается хорошо сделанной работой. Даже для людей. Пока задачу ставили человеку, это сходило с рук: человек достраивал недосказанное из контекста, из опыта, из выражения лица начальника.

Теперь недосказанное достраивать некому. И выясняется, что большая часть управленческой работы последние сто лет держалась на том, что никто не заставлял руководителя договаривать до конца.

Компании, которые первыми превратят свои размытые процессы в проверяемые критерии, получат преимущество, которое конкурент не купит вместе с подпиской. Модель у всех одна и та же. Критерии - свои у каждого.

Никто не обучает свою замену бесплатно

Есть у этой истории и вторая половина, про которую в презентациях не пишут, потому что она неприятная.

Чтобы агент делал работу хорошо, ему нужно передать то, что знает лучший сотрудник. Не должностную инструкцию - настоящее знание: почему с этим поставщиком платим вперёд, а с тем никогда, по каким признакам сделка разваливается за две недели до подписания, кому в министерстве звонить, а кому писать.

Именно это знание последние несколько столетий было гарантией занятости. Средневековые цеха охраняли рецептуру и не пускали чужих. Незаменимый сотрудник тем и незаменим, что часть компании существует только у него в голове.

Искусственный интеллект - первая технология, которая просит выложить всё это разом, добровольно и в письменном виде.

Люди не идиоты. Они прекрасно понимают, чем закончится. И начинают делать то, что делали всегда: придерживать контекст. Формально сотрудничают, реально скармливают системе безопасную поверхность процесса, а суть оставляют при себе. Даже в технологических компаниях, где сотрудники держат акции и напрямую заинтересованы в успехе, попытки использовать рабочие материалы для обучения моделей вызывают настоящие скандалы. Что тогда говорить про завод, банк или строительную компанию.

Организация устроена так, что отторгает самую важную для своего будущего технологию. Не из глупости - из инстинкта самосохранения её сотрудников. Это управленческая задача, а не техническая, и покупкой лицензий она не решается.

Куда на самом деле пойдут деньги

В Кремниевой долине сейчас в моде ставка против существующего бизнеса. Логика такая: старые компании увязли в своих процедурах и внутренней политике, перестроиться не смогут, поэтому надо финансировать новые фирмы, которые с нуля построены вокруг агентов и съедят рынок услуг целиком. Двадцать один триллион долларов услуг в мировой экономике знаний - куш, за который стоит подраться.

Ставка красивая. Я думаю, она в основном проиграет.

Причина в том, что главный актив никуда не переехал. Он остался внутри старых компаний: отлаженные процессы, которые уже работают, клиентская база, которая уже платит, каналы, которые уже построены. Новичок с идеальными агентами и без клиентов проигрывает середняку с плохими агентами и с клиентами. Так было в каждую предыдущую волну и нет причин, чтобы в эту стало иначе.

Деньги пойдут не тем, кто заменит существующий бизнес, а тем, кто научит его работать по-новому. Работа состоит в том, чтобы разобраться в конкретной компании настолько глубоко, что её можно запрограммировать: описать процессы, вывести критерии качества, убрать пустые круги, встроить агентов туда, где они дают эффект, и не встраивать туда, где не дают.

Это звучит как разовый проект. Это не разовый проект. Каждый внедрённый сценарий открывает ещё десяток соседних, а граница возможного сдвигается каждый месяц. Компания, которая начала перестраиваться, потребляет перестройку постоянно - примерно как завод, который однажды поставил мотор на станок и обнаружил, что теперь надо переделывать всё здание.

Что из этого следует здесь

Российский рынок пришёл к тому же выводу своим путём и, надо отдать должное, довольно быстро.

По данным МТС Web Services, лишь 26% компаний, которые закладывают в бюджет расходы на искусственный интеллект, имеют внятную стратегию внедрения. Остальные либо пилотируют, либо только собираются. Отраслевые обзоры фиксируют переход в фазу пост-хайпа: бизнес перестал считать ИИ волшебной кнопкой и начал относиться к нему как к инструменту, под который надо перестраивать процессы. Барьеры называют одни и те же - оценка окупаемости, качество данных, нехватка людей, способных сформулировать сценарий и критерий эффекта.

Последний пункт стоит перечитать. Дефицит не в тех, кто умеет обучать модели. Дефицит в тех, кто умеет объяснить машине задачу так, чтобы результат можно было проверить.

Отдельно замечу то, что скоро выйдет из области теории. Агент, который принимает решения, рано или поздно получает право платить. Технически инфраструктура для машинных расчётов уже собрана и работает; в России к сентябрю 2026 года складывается и правовая рамка. Вопрос «кто отвечает за платёж, который провёл алгоритм» перестаёт быть философским ровно в тот момент, когда алгоритм проводит первый платёж. Ответ на него придётся давать не разработчикам, а финансовым директорам и юристам - и лучше до, чем после.

Пора управлять

У каждой фазы этого бума был свой лозунг. Сначала нам говорили продавать лопаты золотоискателям, и мы построили инфраструктуру. Потом продавать услуги вместо софта, и мы построили новые фирмы. Инфраструктуры хватает. Услуг хватает.

Осталось скучное: разобраться, где ваши агенты крутятся вхолостую, а где действительно работают. Написать, что считается хорошим результатом, для каждого процесса, который вы хотите отдать машине. Договориться с людьми, которые держат знание, о цене за то, чтобы они его отдали. Проверить, сколько вы платите за попытки, а не за результат.

Ничего героического. Ровно та же работа, которую сто лет назад проделали фабриканты, когда сняли ремни и поставили мотор на каждый станок.

Машина умнее сотрудника. Кто-то по-прежнему должен объяснить обоим, что делать.

Источники

RAND Corporation, «The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed», 2024. Оценка «больше 80% провалов, вдвое чаще обычных ИТ-проектов», пять корневых причин, 65 интервью с практикующими специалистами.

MIT, Project NANDA, «The GenAI Divide: State of AI in Business 2025», июль 2025. 95% пилотов без измеримого эффекта на прибыль при вложениях в 30-40 млрд долларов. По ссылке - изложение в Fortune.

Gartner, пресс-релиз от 25 июня 2025 года. Прогноз отмены больше 40% агентских проектов к концу 2027 года.

IDC, «2024 Business Opportunity of AI», исследование по заказу Microsoft. 3,7 доллара отдачи на доллар вложений в среднем, 10,3 у лидеров, свыше 4000 опрошенных руководителей.

МТС Web Services, «Технологические стратегии бизнеса», декабрь 2025. Стратегия по ИИ есть у 26% российских компаний, имеющих бюджет на это направление, против 44% по облачным решениям и 42% по кибербезопасности.

«Ведомости», март 2026 - о переходе российского рынка в фазу пост-хайпа.

Обзор TAdviser 2026 - барьеры внедрения и дефицит компетенций на российском рынке.

Об электрификации фабрик. Разрыв в несколько десятилетий между появлением технологии и ростом производительности разобран в классической работе: Paul A. David, «The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox», American Economic Review, 1990.

Нужна помощь с этим?

Разберём вашу ситуацию и предложим решение под задачу.

Стратегический консалтинг Web3