AI-автоматизацию часто продают как переключатель: подключите модель — и рутина исчезнет. Реальность скромнее и интереснее. Большая часть корпоративных проектов с генеративным AI не доходит до промышленной эксплуатации, и почти никогда причина не в том, что модель оказалась слабой.
Это не аргумент против AI. Это аргумент против конкретного способа его внедрять — от технологии, а не от задачи.
Сначала — цифры
В 2025–2026 годах накопилось достаточно данных, чтобы говорить предметно, а не на ощущениях.
- Исследование MIT показало, что около 95% корпоративных пилотов с генеративным AI не дают измеримого эффекта на финансовый результат.
- Доля компаний, свернувших большинство своих AI-проектов, за год выросла с 17% до 42%.
- Значимую отдачу на уровне всей организации видят примерно 29% компаний. По оценке IBM, ожидаемый возврат инвестиций дают около 25% инициатив.
- Gartner прогнозирует, что к 2027 году компании откажутся от 40% проектов на «агентном» AI — из-за роста расходов и неясной ценности.
Цифры выглядят разгромно, но читать их нужно правильно. Они не говорят «AI не работает». Они говорят, что большинство внедрений устроены так, что результат в них не закладывается с самого начала.
Почему пилот не доходит до продакшена
Демонстрация почти всегда впечатляет. Модель отвечает на вопросы, разбирает документ, пишет черновик письма. Кажется, что осталось «докрутить».
Но при переходе от пилота к рабочей системе примерно 80% работы — это не модель. Это инженерия данных, интеграция в реальный процесс, управление доступом и качеством, и инфраструктура измерения. Сама модель — оставшиеся 20%.
Пилот живёт в песочнице на чистых данных. Продакшен живёт среди реальных данных, исключений и вопроса «кто отвечает, когда система ошиблась».
Вот что обычно недооценивают:
- Данные. В пилоте берут аккуратную выборку. В реальности данные разрознены, противоречивы и неполны. Их подготовка — отдельный проект.
- Край сценария. Модель красиво обрабатывает типичный случай. Бизнес ломается на нетипичных — и именно их в пилоте не показывают.
- Ответственность. Кто проверяет результат? Что происходит при ошибке? Если ответа нет, система не дойдёт до продакшена — и правильно сделает.
- Измерение. Если до старта не определили, что считать успехом, проект невозможно ни защитить, ни закрыть. Он просто тихо угасает.
Что считать результатом
Здесь — главная развилка. «Мы внедрили AI» — это не результат. Это описание процесса, а не его исхода.
Результат всегда формулируется в терминах бизнеса:
- обработка входящих заявок занимает на N меньше времени;
- доля обращений, решённых без участия человека, выросла до конкретного значения;
- сотрудник перестал вручную переносить данные между двумя системами;
- количество ошибок в типовом документе снизилось до измеримого уровня.
Если такую формулировку нельзя написать до старта проекта — проект не готов к старту. Не потому, что не хватает технологии. Потому что непонятно, зачем она.
Что работает на самом деле
Проекты, которые доходят до продакшена и остаются в нём, устроены похоже.
Узкие задачи с понятной проверкой. Не «универсальный ассистент, который умеет всё», а конкретная операция: разбор входящих документов, классификация обращений, подготовка черновика ответа. У такой задачи есть чёткий критерий «сделано правильно».
Человек в контуре на критичных решениях. AI готовит — человек утверждает. Это не временный костыль, а архитектурное решение для всего, где цена ошибки высока.
Честность важнее «вау». Бот, который уверенно выдумывает ответ, хуже, чем отсутствие бота: он создаёт ложное доверие. Система должна уметь говорить «не знаю» и передавать вопрос человеку.
Измерение с первого дня. Не «посмотрим, как пойдёт», а заранее заданная метрика и способ её снять. Иначе через полгода невозможно сказать, помогло ли это.
Вложение в процесс, а не только в технологию. В успешных внедрениях большая часть ресурса уходит не на модель, а на людей и перестройку процессов вокруг неё.
С чего начать без героизма
Хороший первый проект выглядит скучно — и это правильно.
- Выберите один процесс. Повторяющийся, с понятным входом и выходом, где ошибка не стоит катастрофы.
- Сформулируйте метрику. Одно число, которое должно измениться, и способ его измерить сегодня — до внедрения.
- Опишите контур. Где AI предлагает, где человек проверяет, что происходит при сбое.
- Ограничьте срок. Несколько недель на работающий прототип внутри реального процесса — не на демо.
- Честно подведите итог. Метрика сдвинулась — масштабируем. Не сдвинулась — закрываем и не делаем вид, что «почти получилось».
Этот подход не даёт эффектных пресс-релизов. Зато он попадает в те 5%, где AI действительно меняет показатели, а не презентации.
Коротко
AI-автоматизация без магии — это инженерная дисциплина, а не технологический спрос. Сильная модель — необходимое, но далеко не достаточное условие. Результат закладывается раньше: в выборе задачи, в честной метрике, в продуманном контуре с человеком и в готовности закрыть то, что не сработало.
Если вы думаете о таком проекте, разумно начать не с выбора модели, а с короткого аудита процессов — он показывает, где автоматизация действительно окупится, а где станет дорогой имитацией. С тем, как мы выстраиваем такие системы, можно познакомиться на странице AI-автоматизации.