Исследования MIT и СКОЛКОВО: 95% компаний не получают отдачи от внедрения генеративного ИИ

Подавляющее большинство компаний, инвестирующих в генеративный искусственный интеллект, не достигают ожидаемой экономической отдачи. К такому выводу пришли исследователи проекта NANDA Массачусетского технологического института (MIT) и Лаборатория ИИ Школы управления СКОЛКОВО. По данным MIT, 95% организаций не фиксируют соизмеримой отдачи от внедрения GenAI, а лишь 5% пилотных проектов доходят до промышленной эксплуатации и приносят миллионы долларов.

Масштаб исследования MIT NANDA

Проект NANDA (Networked Agents and Decentralized Architecture) стал одним из самых масштабных анализов эффективности внедрения ИИ в бизнес. Специалисты изучили более 300 государственных инициатив, опросили представителей 52 организаций и 153 руководителя высшего звена. Предварительный отчёт опубликован 30 июля 2026 года.

Статистика получилась неутешительной: более 80% организаций изучали или запускали пилотные проекты с универсальными инструментами вроде ChatGPT и Copilot, однако только в 5% случаев эти системы были успешно внедрены в производство. При этом инструменты, разработанные внешними партнёрами, интегрировались примерно в 67% случаев, тогда как внутренние разработки — лишь в 33%.

Основные причины провалов по версии MIT

Авторы отчёта связывают разрыв между ожиданиями и результатами не столько с качеством моделей или регулированием, сколько с плохой интеграцией. Среди ключевых проблем названы:

• ненадёжные рабочие процессы;
• ограниченная способность систем сохранять обратную связь или контекст;
• низкая результативность в повседневных рабочих задачах.

Исследователи подчёркивают, что оценка успешности может зависеть от конкретной задачи и способа определения успеха самой компанией.

Исследование СКОЛКОВО: 6 системных причин неудач

Лаборатория искусственного интеллекта Центра коммуникаций и цифровых решений Школы управления СКОЛКОВО провела собственное исследование «От пилота к масштабу: как встроить ИИ в процессы и получить отдачу». Работа опубликована 26 сентября 2025 года. Было проанализировано более 1600 кейсов внедрения ИИ в 25 отраслях и проведено 30 глубинных интервью с экспертами.

Главный вывод: успех ИИ-проекта определяет не алгоритм, а культура работы со знанием внутри компании. Эксперты выделили шесть причин неудачного внедрения:

• Неверный выбор формы и культуры работы с информацией. Самый успешный — data-driven подход, когда решающим аргументом служит эксперимент или результат анализа данных.
• Низкое качество и хаотичность исходных данных. Дубли, устаревшие файлы и несовместимые форматы делают даже лучшие алгоритмы бесполезными.
• Стремление максимально автоматизировать все процессы. Максимальный эффект достигается при грамотном сочетании: ИИ усиливает или заменяет человека там, где это оправдано, а ключевые процессы остаются за людьми.
• Когнитивная дистанция и отсутствие взаимопонимания. Разрыв в языке и мышлении у топ-менеджеров, владельцев процессов и разработчиков приводит к недоверию и срывам сроков.
• Отсутствие регулярного анализа эффективности. Короткие циклы демонстрации результатов позволяют быстрее выявлять ошибки, тогда как длинные изолированные спринты накапливают риски.
• Использование устаревших методов анализа эффективности. Классический CRISP-DM и его отраслевые продолжения (DataPro, CRISP-ML(Q), MAISTRO) задали высокие стандарты работы с данными, но почти не учитывали управленческие и культурные барьеры.

Экспертный комментарий: «Хоккейная клюшка» и ранняя стадия

Доцент, заместитель директора Центра коммуникаций и цифровых решений СКОЛКОВО Владимир Коровкин обращает внимание на необходимость осторожной интерпретации данных. По его словам, авторы исследования MIT трактуют успех преимущественно как быстро достижимый финансовый результат.

В языке инвесторов существует понятие «хоккейная клюшка» — типичная траектория технологических проектов. Сначала достаточно долго они почти не дают отдачи, но потом способны уйти на экспоненциальный рост. По мнению Коровкина, большое количество изученных проектов может находиться на «плоской» стадии этой кривой и многие из них способны «выстрелить» — если их не зарубят стейкхолдеры преждевременно.

Что отличает успешные 5% проектов

Анализ успешных внедрений показывает общие паттерны. Успех достигается за счёт точечной интеграции ИИ в узкие процессы для решения конкретной бизнес-боли, а не ради «тотальной автоматизации всего». Наивысшую точность демонстрируют системы с подходом Human-in-the-loop, где ИИ берёт на себя рутину, а критически важные решения остаются за людьми.

Статистика также подтверждает: программные решения от специализированных внешних разработчиков интегрируются успешнее, чем попытки написать всё с нуля силами внутренней команды. Это согласуется с данными MIT о 67% успешности внедрения внешних инструментов против 33% для внутренних.