Действительно ли 95% корпоративных ИИ-проектов проваливаются? Внимательное чтение отчёта MIT
Все делятся статистикой MIT про 95%, но почти никто не читает сам отчёт. Мы прочитали все 26 страниц: что на самом деле измеряют эти 95%, что такое теневая экономика ИИ и что провалилось на самом деле.

«95% корпоративных ИИ-проектов проваливаются».
Эту фразу вы в этом году видели, наверное, раз пятьдесят. Мы тоже. Потом мы скачали сам отчёт и прочитали все 26 страниц. Он стоит прочтения, но не по той причине, по которой стал вирусным.
Что на самом деле измеряют эти 95%?
Источник статистики: отчёт «The GenAI Divide: State of AI in Business 2025» проекта NANDA из MIT, июль 2025 года (Чаллапалли, Пиз, Раскар и Чари). Исследование опирается на интервью с 52 организациями, опрос 153 руководителей и анализ более 300 публично известных ИИ-инициатив.
Посмотрим на определение из самого отчёта. Чтобы считаться «успешным», инструмент должен дать то, что пользователи или руководители называют «заметным и устойчивым влиянием на производительность или финансовый результат», и оценивается это через шесть месяцев после пилота. То есть измеряется не баланс, а высказывания собеседников. Исследовательская заметка отчёта говорит это прямо: цифры основаны на индивидуальных интервью, а не на официальной отчётности компаний, и их следует считать ориентировочными.
Более того, в разделе об ограничениях авторы признают: окно наблюдения в шесть месяцев может быть слишком коротким для сложных корпоративных внедрений, что занижает показатели успеха.
Так что вывод не в том, что «ИИ не работает». Вывод такой: большинство пилотов к шестому месяцу, по мнению опрошенных, ещё не окупились. Это не одна и та же фраза.
Что такое MIT Project NANDA и что в его отчёте?
Project NANDA это инициатива MIT, которая разрабатывает протоколы для совместной работы ИИ-агентов. Когда ищут «отчёт MIT NANDA», почти всегда имеют в виду публикацию июля 2025 года «The GenAI Divide: State of AI in Business 2025», авторы Challapally, Pease, Raskar и Chari. Ключевые факты коротко:
- Объём: 26 страниц.
- Как собирали данные: интервью с 52 организациями, опрос 153 руководителей высшего звена и анализ более 300 публично раскрытых ИИ-инициатив.
- Определение успеха: «заметный и устойчивый эффект на производительность или финансовый результат» в описании пользователей или руководителей, оценка через шесть месяцев после пилота.
- Главная цифра: 95%, доля тех, кто этому определению не соответствовал.
- Статус цифр: ориентировочные, по собственной оговорке авторов, поскольку они основаны на индивидуальных интервью, а не на официальной отчётности компаний.
Отчёт распространяется в формате PDF, и его пересказывают гораздо чаще, чем цитируют. Если хотите проверить утверждение, ищите точное название вместе с «Project NANDA» и читайте оригинал, а не пересказ пересказа.
Три вывода, которые никто не цитирует
1. Теневая экономика ИИ. Лишь 40% опрошенных компаний купили официальную подписку на ИИ. При этом более чем в 90% тех же компаний сотрудники уже используют личные ИИ-инструменты для работы. Отчёт называет это «shadow AI economy», теневой экономикой ИИ.
2. Цифра о бюджетах не является измерением. Доля ИИ-бюджетов, уходящая на продажи и маркетинг, в одном разделе отчёта указана как 50%, в другом как 70%. Источник цифры: вопрос, в котором руководителей просили распределить гипотетические 100 долларов между функциями. Читайте это как настроение, а не как измерение.
3. Внешние партнёрства против внутренней разработки. Проекты с внешними партнёрами доходили до внедрения примерно в 67% случаев, внутренние разработки примерно в 33%. Мы продаём услуги, поэтому читать эту цифру от нас с недоверием естественно. Отчёт сам разделяет это недоверие: он прямо пишет, что разница может отражать организационные способности, а не решение о покупке, и что корреляция не доказывает причинность.
В одной и той же компании ИИ «не работает» и используется каждый день
Соберите картину. Компания говорит, что официальный проект «не дал результатов». Внутри той же компании люди каждый день пользуются ИИ, часто через личные аккаунты, за которые платят сами, и быстрее заканчивают работу.
Никто это не измеряет. Никто не связывает этот выигрыш с результатами бизнеса.
Диагноз самого отчёта указывает туда же: главный барьер масштабирования не инфраструктура, не регулирование и не таланты, а обучение. Инструменты не сохраняют обратную связь, не адаптируются к контексту, не улучшаются со временем. В том же наборе данных около 83% пилотов с универсальными инструментами дошли до использования, 70% пользователей предпочитают ИИ для быстрых задач, а в сложной долгосрочной работе девять из десяти выбирают человека.
Значит, провалился не ИИ. Провалилась инфраструктура, превращающая личную продуктивность в результаты организации: слой измерений, интеграции и обучения. В большинстве компаний этот слой так и не был построен.
Отчёт описывает ровно то, что мы построили
В отчёте есть вывод, который напрямую касается нашей отрасли: реальная экономия возникает в основном в бэк-офисе, и одна из статей: снижение внешних расходов на агентства и контент примерно на 30%.
Этот вывод нас не тревожит; мы построили PumpGrowthOS именно поэтому. Что классическая агентская модель, вручную выполнять повторяемую работу и выставлять за неё счета, проиграет ИИ, было видно заранее. Посмотрите, чем отчёт описывает «успешные 5%»: системы, встроенные в процессы, измеримые бизнес-результаты, внедрения, которые учатся со временем. Это и есть наша модель: вместо продажи агентских услуг строить инфраструктуру измерений, цикл решений на основе данных и автоматизацию, встроенную в процессы, а затем вести рост на этой системе.
Иначе говоря, когда отчёт советует «сократите расходы на агентства», он описывает и то, к чему переходить, и описывает он не агентство, а систему роста. Как этот подход выглядит на практике, мы по шагам разобрали в нашем руководстве по маркетингу на основе данных.
Заметка о прозрачности
Отчёт выпущен проектом NANDA из MIT. NANDA разрабатывает протоколы взаимодействия ИИ-агентов, и вывод отчёта, как нетрудно заметить, состоит в том, что «ответ в агентных системах». Это не делает отчёт неверным. Но это значит, что данные и вывод заслуживают раздельного чтения. Именно это мы и сделали в этой статье.
Почему 95% ИИ-пилотов не достигают цели? Что говорит сам отчёт
Если поискать «почему 95% ИИ-проектов проваливаются», найдётся множество уверенных ответов. Ответ самого отчёта уже и полезнее:
- Разрыв в обучении. Главный барьер не инфраструктура, не регулирование и не кадры. Инструменты не запоминают обратную связь, не подстраиваются под контекст и не улучшаются со временем.
- Инструменты, не подходящие для сложной работы. Для быстрых задач люди охотно используют ИИ, но для сложной долгосрочной работы предпочитают людей в соотношении девять к одному.
- Слишком широкий старт. Работающие примеры объединяют узкий охват и быстрая, заметная ценность.
От себя добавим один пункт из нашего прочтения: индивидуальный прирост производительности, часто на личных аккаунтах, редко измеряют и связывают с бизнес-результатами. Поэтому пилот может выглядеть провалом, хотя работа вокруг него идёт быстрее.
А что, по данным отчёта, делают иначе «успешные 5%»? Системы, встроенные в процессы, измеримые бизнес-результаты и решения, которые обучаются со временем. Проекты с внешними партнёрами тоже чаще доходили до внедрения, но авторы предупреждают, что это может отражать возможности самой организации и что корреляция не доказывает причинность.
Так какой процент ИИ-проектов проваливается? На самом деле этот отчёт не измеряет провал. Он измеряет, сколько пилотов через шесть месяцев показали заметный и устойчивый эффект в глазах опрошенных. Читайте 95% как сигнал того, насколько трудно превратить пилоты в измеримый результат, а не как долю неудач самого ИИ.
Если в вашей компании ИИ «не работает»
Сначала проверьте четыре вопроса:
- Что ваши сотрудники уже решают с личных аккаунтов? Теневое использование: самый честный индикатор того, что действительно работает.
- Какой метрикой вы измеряете эффект ИИ? Без измерения вердикт «провал» опирается на впечатления, а не на данные.
- Вы запускали пилот с большой концепцией или с одним узким процессом? Работающие примеры в отчёте объединяют два свойства: узкий охват и быстрая, видимая польза.
- Учится ли купленный инструмент на вашем процессе, или каждый раз начинает с нуля?
Вопрос не в том, «работает ли ИИ». Вопрос в том, действительно ли он не работает, или он работает там, куда вы не смотрите.
Источник: Challapally, Pease, Raskar, Chari. «The GenAI Divide: State of AI in Business 2025», MIT Project NANDA, июль 2025. PDF отчёта
Ваш сайт выглядит хорошо. А работает ли он?
PumpAudit проверяет ваш сайт на 10 уровнях по 95 пунктам: скорость, SEO, видимость в ИИ, безопасность, почта и конверсия. Оценка бесплатна и готова за одну или две минуты.




