56% компаний не видят отдачи от AI. Я посмотрел их процессы - и не удивился

В январе на Давосе PwC представил результаты опроса 4 454 CEO из 95 стран. Главная цифра: 56% руководителей признались, что за последний год не получили от AI ни роста выручки, ни снижения издержек. Ноль. При этом бюджеты на AI растут, вендоры отчитываются об успешных внедрениях, а LinkedIn заполнен кейсами «как мы увеличили конверсию на 300% с помощью ChatGPT».

Я прочитал отчёт и вспомнил разговор с основателем e-commerce-компании из нашего портфеля. Он потратил 8 месяцев и $340K на «AI-систему обработки заказов». Результат: система работала быстрее людей, но ошибалась в тех же местах, в тех же пропорциях - просто быстрее. Проблема была не в AI. Проблема была в том, что процесс обработки заказов сам по себе содержал 14 ручных шагов, три из которых дублировали друг друга, а два противоречили друг другу. AI не починил это, он автоматизировал хаос. И хаос стал быстрее.

Давайте разберём данные, не останавливаясь на заголовке. 56% не видят отдачи - это плохо. Но есть кое-что интереснее. Только 12% компаний (1 из 8) получили одновременно и рост выручки, и снижение затрат. 33% увидели улучшение по одному параметру. Это значит, что даже среди тех, кто получил результат, три четверти получили его частично.

Мохамед Канде, глобальный председатель PwC, на сцене в Давосе сказал одну фразу, которую все процитировали: «Компании забыли основы.» Звучит как банальность, но за ней стоит конкретное наблюдение: большинство провалов AI-внедрения связаны не с качеством технологии, а с тем, что компания начала автоматизировать процессы, которые сами по себе не работают.

Gartner подтверждает это другими цифрами: по их прогнозу, 60% AI-проектов без AI-ready данных будут брошены к концу 2026 года. MIT в рамках проекта NANDA исследовал generative AI пилоты в крупных корпорациях и выяснил, что 95% из них не дали измеримого ROI. Не «дали маленький ROI», а не дали вообще.

Я вижу один и тот же паттерн у компаний, которые приходят в AI Practiq за помощью с внедрением. Назову его «скорость хаоса».

Представьте компанию, где согласование одной задачи проходит через 6 человек в трёх разных системах. Письмо в почте, задача в Asana, комментарий в Google Doc, финальное ок в мессенджере. Четыре канала, шесть участников, среднее время согласования - 4 дня. Компания внедряет AI-ассистента, который автоматизирует часть коммуникации. Время согласования падает до 1 дня. Успех? На первый взгляд - да.

На второй взгляд - нет. Потому что сам процесс согласования в 6 человек избыточен. Два из шести участников не принимают решений, а только «в курсе». Один дублирует проверку другого. AI ускорил это, но не убрал. Теперь компания тратит меньше времени на каждое согласование, но количество согласований растёт, потому что стало «легко» запускать новые. Итог: затраты на AI выросли, количество координационных действий увеличилось, а реальная скорость принятия решений не изменилась.

Вот это и есть скорость хаоса. AI не чинит процессы, он масштабирует их. Если процесс рабочий - масштабирование даёт рост. Если процесс дисфункциональный - масштабирование усугубляет проблему, просто с лучшим интерфейсом.

В AI Practiq мы работаем с предпринимателями, которые внедряют AI в свои бизнесы. За два года я видел достаточно кейсов, чтобы выделить три типичных сценария провала.

Сценарий «грязные данные». Компания внедряет AI-аналитику для прогнозирования спроса. Модель обучается на исторических данных продаж. Проблема: в CRM дубликаты клиентов, незакрытые сделки двухлетней давности, разная номенклатура для одного и того же товара. Модель обучается на мусоре и выдаёт мусор, только красиво визуализированный. Классический GIGO - garbage in, garbage out. Инвестиция в AI: $180K. Инвестиция в очистку данных до AI: $0. Результат: ноль.

Сценарий «нет метрики успеха». Руководство решает «внедрить AI в маркетинг». Покупают платформу за $5K в месяц, настраивают генерацию контента, автоматизируют рассылки. Через полгода спрашиваю: «Что именно изменилось?» Ответ: «Ну, мы теперь быстрее делаем рассылки.» Быстрее - это хорошо. Но что с конверсией? С выручкой? С LTV? Никто не замерил до, никто не замеряет после. AI работает, метрик нет, результат неизвестен. И компания честно попадает в те 56%, которые «не видят отдачи», потому что не знают, куда смотреть.

Сценарий «AI вместо решения». Самый дорогой из трёх. Компания не может решить организационную проблему - конфликт между отделами, размытая ответственность, отсутствие приоритетов. Вместо того чтобы разобраться с людьми и процессами, заказывают «AI-систему координации задач». $7,2 млн - столько в среднем стоит провальный AI-проект в крупной компании, по данным исследования 2025 года. И в среднем каждая крупная компания за год запускает 2,3 таких проекта.

Когда ко мне приходят с вопросом «стоит ли нам внедрять AI», я не спрашиваю про бюджет или платформу. Я спрашиваю другое.

Можете ли вы описать процесс, который хотите автоматизировать, на одном листе бумаги? Не в виде красивой BPMN-диаграммы, а простым языком: кто делает что, в какой последовательности, какой результат считается хорошим. Если команда не может этого сделать - процесс не готов к автоматизации. Не потому что сложный, а потому что его никто не понимает целиком.

Чистые ли ваши данные? Если в CRM 30% дубликатов, если в складской системе номенклатура не совпадает с бухгалтерской, если маркетинг считает лиды в одной системе, а продажи - в другой, то любая AI-модель будет обучаться на противоречивых данных. Результат предсказуем.

Есть ли у вас конкретная метрика, по которой вы через 90 дней поймёте: сработало или нет? Не «повысить эффективность», а «сократить время обработки заявки с 4 часов до 40 минут» или «увеличить конверсию из лида в сделку с 8% до 12%». Если метрики нет до внедрения, её не будет и после.

Звучит просто, но по моему опыту, 70% компаний не могут ответить «да» хотя бы на два из трёх вопросов. И это не проблема AI. Это проблема операционной зрелости.

Как управляющий партнёр YellowRocks, я смотрю на внедрение AI с двух сторон. С одной - помогаю портфельным компаниям интегрировать AI в продукты. С другой - оцениваю стартапы, которые продают AI-решения бизнесу.

И здесь данные PwC рассказывают историю, которую не замечают. Если 56% компаний не видят отдачи от AI, значит 56% потенциальных клиентов AI-стартапов разочарованы. Следующий раунд продаж будет сложнее, цикл сделки длиннее, требования к доказательствам ROI жёстче.

Для AI-стартапов это означает сдвиг: от «мы помогаем внедрить AI» к «мы гарантируем измеримый результат». Стартапы, которые продают инструменты, проиграют тем, кто продаёт outcomes. Я вижу это уже сейчас в dealflow: компании с моделью «fee за внедрение» теряют клиентов, компании с моделью «процент от экономии» растут.

Для инвестора ранней стадии здесь есть возможность. Топ-20% компаний захватывают 74% всех AI-эффектов, по данным того же исследования. Это значит, что AI работает - но только у тех, кто готов к нему. Стартапы, которые помогают компаниям стать AI-ready (чистка данных, структурирование процессов, мастер-данные), на мой взгляд, недооценены рынком. Все хотят инвестировать в AI, мало кто хочет инвестировать в фундамент для AI.

56% - это не приговор технологии. Это диагноз операционной культуры. AI работает у тех, кто перед внедрением потратил время на скучную работу: почистил данные, описал процессы, определил метрики. У остальных AI становится дорогим зеркалом, которое показывает в увеличенном виде то, что и так было сломано.

Если вы думаете о внедрении AI в свой бизнес, начните не с выбора платформы. Начните с вопроса: можете ли вы нарисовать свой процесс на салфетке? Если нет - рисуйте. Это будет самая прибыльная инвестиция, которую вы сделаете в этом году. Дешевле любого AI-вендора и с гарантированным результатом.