ИИ в бизнесе без иллюзий: почему 70% внедрений проваливаются

Каждый месяц я общаюсь с предпринимателями и руководителями, которые пытаются внедрить ИИ в свои процессы. И почти каждый раз слышу одно и то же: «Мы попробовали — не взлетело», «Модель ошибается», «Команда не поняла, как этим пользоваться».

Это не уникальный случай — это мировой тренд. По данным BCG и Gartner, от 60% до 80% проектов по внедрению ИИ не достигают заявленных результатов.

И дело тут не в технологиях. Проблема — в иллюзиях.

Хочу поделиться взглядом изнутри: что я вижу как основатель, который строит продукт с глубокой ИИ-инфраструктурой. Почему компании проваливаются — и почему те, кто внедряют ИИ правильно, получают кратное преимущество.

Иллюзия №1. «ИИ решит все сам»

Многие руководители до сих пор воспринимают ИИ как «суперсотрудника», который должен прийти и волшебным образом улучшить все вокруг.

Но ИИ — не заместитель, а усилитель. Он умножает то, что в компании уже есть. Если процессы хаотичны, данные разрозненны, а сотрудники выгорают — ИИ не спасет. Он просто ускорит хаос.

По данным McKinsey, компании с низкой зрелостью процессов получают всего 15–20% эффекта от внедрения ИИ. У компаний с высокой зрелостью этот эффект достигает 70–80%.

Ошибка №1. Нет стратегии данных

ИИ питается данными. Но в 7 из 10 компаний нет даже минимальной дисциплины в работе с ними.

Проблемы, которые я вижу постоянно:

• данные хранятся в 4–12 разных системах одновременно;
• часть данных дублируется, часть — утеряна;
• CRM заполняется на 20–40% от реального объема информации;
• нет ни одного человека, который отвечает за качество данных;
• данные не очищаются и не обновляются — годами.

В таких условиях ИИ не может дать точных результатов.

Одна IT-компания запускала модель churn prediction для прогнозирования оттока клиентов. После анализа выяснилось, что 30% клиентов были отмечены как «активные», хотя они ушли три месяца назад. Модель «ошибалась» не потому, что плохая, а потому, что ей скармливали мусор.

Ошибка №2. Внедряют технологию, а не решают задачу

Правильный вопрос — не «какой ИИ нам нужен?», а: «Какую бизнес-проблему мы решаем?» Без понимания задач даже лучшие технологии не помогут.

Ошибка №3. Отсутствие культуры экспериментов

ИИ — это всегда тесты, итерации, быстрые гипотезы. Но в большинстве компаний преобладает культура:

• «ошибаться нельзя»;
• «должно работать идеально»;
• «мы внедрим, когда все будет готово».

Из-за этой логики ИИ внедряют год — а потом закрывают через два месяца. А ведь можно:

• начать с маленького процесса;
• протестировать на выборке;
• измерить эффект;
• масштабировать.

Ошибка №4. Люди боятся технологии

По моему опыту, сопротивление сотрудников — главная причина провалов. Люди боятся:

• что ИИ сократит рабочие места;
• что они «не справятся» с новой технологией;
• что от них будут ждать сверхрезультатов;
• что их знания обесценятся.

ИИ внедряется не «в компанию», а в культуру. И если людям не объяснят выгоду, они начнут саботировать — тихо или открыто.

По данным PwC, 54% сотрудников считают, что компании «недостаточно объясняют» роль ИИ в рабочих процессах.

Успешные внедрения: что реально работает

За последние два года я наблюдала один и тот же паттерн: компании, где ИИ дает эффект, делают три вещи.

1. Формулируют одну конкретную задачу и одну метрику. Не «улучшить эффективность». А: «Снизить время обработки заявки с 4 часов до 40 минут».
2. Создают минимально работающую стратегию данных. Не R&D за миллионы, а: единые стандарты, ответственный за качество данных, 2–3 ключевых источника, регулярная очистка.
3. Встраивают культуру быстрых экспериментов. Скорость важнее идеальности. ИИ лучше учится на реальном использовании, чем на бесконечных совещаниях.

Как мы это решаем в Drafter (и почему это работает)

В Drafter мы внедрили ИИ не «для галочки», а для реальных задач предпринимателей:

• подбор релевантных инвесторов;
• анализ бизнес-объявлений;
• рекомендации по партнерству;
• структурирование профилей проектов.

Три принципа, на которых держится подход

1. Стратегия данных как инфраструктура. У нас есть единый «источник правды»: каждый профиль очищается, стандартизируется и валидируется. Это позволяет ИИ давать точные рекомендации.
2. ИИ решает рутину — люди принимают решения. Мы убираем 60–70% ручных действий предпринимателя: от анализа проектов до подготовки презентаций.
3. Минимизация страха. Мы не называем инструменты «ИИ-модуль». Пользователь просто получает удобную функцию. Технология спрятана под интерфейсом.

Результат: среднее время подготовки инвестиционного профиля снизилось с 5 часов до 40 минут.

Почему проваливаются 70% внедрений:

• 32% — отсутствие стратегии данных;
• 26% — слабая постановка задач;
• 18% — сопротивление сотрудников;
• 14% — отсутствие владельца проекта;
• 10% — завышенные ожидания. 

ROI от внедрения ИИ в компаниях с разной зрелостью процессов:

• Низкая зрелость процессов = ROI от внедрения ИИ 15–20%;
• Средняя зрелость процессов = ROI от внедрения ИИ 40–50%;
• Высокая зрелость процессов = ROI от внедрения ИИ 70–80%.

Фреймворк «Успешное внедрение ИИ». Схема из трех блоков:

1. Задача — 1 метрика, 1 процесс.
2. Данные — источник правды, стандарты, очистка.
3. Эксперименты — быстрые итерации, измерение, масштабирование.