В сентябре 2025 года крупные компании (250+ сотрудников) впервые за два года снизили уровень реального использования искусственного интеллекта в производственных процессах с 14% до 12%, согласно данным анализа, опубликованного в сентябре 2025 года. При этом средние месячные расходы компаний на ИИ демонстрируют противоположную динамику, готовясь увеличиться с 63 000 до 85 000 долларов США. Это парадоксальное явление — снижение внедрения на фоне роста бюджетов — совпало с публикацией отчета Массачусетского технологического института (MIT) в августе 2025 года, который зафиксировал, что 95% пилотных проектов в области генеративного ИИ в компаниях не достигают стадии промышленной эксплуатации.
Сложившаяся ситуация является частью более широкого тренда, который аналитики характеризуют как период «отрезвления» после первоначальной эйфории от возможностей ИИ. Глобальное исследование McKinsey, актуализированное в 2025 году, показывает, что хотя регулярное использование ИИ по меньшей мере в одной бизнес-функции отмечают 88% организаций, большинство из них все еще находятся на стадии экспериментов или пилотирования и не перешли к масштабированию технологий. Разрыв между широкими заявлениями о внедрении и реальным использованием в основных процессах становится ключевой характеристикой текущего этапа.
Основной причиной сокращения реального использования является массовый провал пилотных проектов при попытке их перевода в промышленную эксплуатацию.
Проблемы интеграции и данные: Исследование MIT указывает, что основная проблема заключается не в качестве самих ИИ-моделей, а в их неудачной интеграции в корпоративные системы. Гибкие инструменты вроде ChatGPT, эффективные для индивидуального использования, не адаптируются к рабочим процессам предприятий и не обучаются на их данных. При масштабировании пилотов компании сталкиваются с низким качеством данных, их неполнотой и несогласованностью, что приводит к резкому падению точности моделей.
Технический долг и инфраструктура: Успешные прототипы, работающие на ограниченных и очищенных данных, часто не выдерживают реальной нагрузки. Решения, функционирующие для 100 пользователей, могут полностью отказать при масштабировании на тысячи одновременных запросов, требуя полного пересмотра архитектуры и многократного увеличения вычислительных мощностей.
Стратегические ошибки: Согласно отчету Лаборатории искусственного интеллекта Школы управления «Сколково», до 95% российских компаний не окупают инвестиции в ИИ. Среди ключевых ошибок — запуск точечных пилотов без дорожной карты масштабирования, отсутствие измеримых базовых показателей и слабая интеграция результатов ИИ в операционные процессы.
Смещение фокуса расходов: Растут инвестиции не в сами ИИ-модели, а в обеспечивающую инфраструктуру. В 2025 году 44% расходов направляется на обеспечение объяснимости решений ИИ, а 41% — на повышение их безопасности и надежности. Компании финансируют создание платформ данных, внедрение практик MLOps1 и интеграцию в legacy-системы2, что являются капиталоемкими подготовительными этапами.
Изменение целей инвестиций: Если первоначально компании фокусировались на инструментах для продаж и маркетинга, то исследование MIT выявило наибольшую отдачу от инвестиций в автоматизацию бэк-офиса — сокращение аутсорсинга бизнес-процессов, снижение затрат на внешние агентства и оптимизацию операций.
Тактика приобретения решений: Данные показывают, что проекты, в которых компании приобретают ИИ-решения у специализированных вендоров, успешны в 67% случаев. В то же время проекты с внутренней разработкой достигают успеха лишь в 33% случаев, что заставляет организации увеличивать бюджеты на закупку и внедрение готовых платформ.
Пишу статьи о бизнесе и финансах. В сферу моих интересов входит макроэкономика, денежно-кредитная и фискальная политика, глобальные экономические тенденции.