Действительно ли 95% корпоративных ИИ-проектов проваливаются? Внимательное чтение отчёта MIT

«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.

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.

Если в вашей компании ИИ «не работает»

Сначала проверьте четыре вопроса:

1. Что ваши сотрудники уже решают с личных аккаунтов? Теневое использование: самый честный индикатор того, что действительно работает.
2. Какой метрикой вы измеряете эффект ИИ? Без измерения вердикт «провал» опирается на впечатления, а не на данные.
3. Вы запускали пилот с большой концепцией или с одним узким процессом? Работающие примеры в отчёте объединяют два свойства: узкий охват и быстрая, видимая польза.
4. 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