«ИИ внедрили 71% компаний» и «ИИ используют 4,8% организаций» - обе цифры правда. Разбираю, откуда разрыв

Цифра громкая, но сама по себе бесполезная - она ничего не говорит о том, что делать. Интереснее то, что стоит в отчёте рядом с ней. Там два наблюдения, которые вместе объясняют, почему деньги на ИИ сгорают предсказуемо.

Дословно: «Chatbots succeed because they're easy to try and flexible, but fail in critical workflows due to lack of memory and customization». То есть чат-боты выигрывают именно потому, что их легко попробовать, - и проваливаются в критических процессах из-за отсутствия памяти и настройки под задачу.

Половина бюджетов на генеративный ИИ уходит в продажи и маркетинг, тогда как автоматизация бэк-офиса чаще даёт лучший возврат вложений. Авторы объясняют перекос прямо: так проще присвоить метрику. К реальной ценности это отношения не имеет. Соедините эти два пункта - и получите механику типового провала. Деньги идут в самую видимую зону, а самая видимая зона архитектурно не дотягивается до того места, где бизнес теряет деньги.

Чат-бот стоит на входе, до первого разговора с человеком, и видит только текст сайта. Он не знает, что клиент звонил в прошлом месяце, какой у него остаток по договору и сколько ему отгрузили в прошлом квартале. А теряется всё это глубже: в качестве разговоров менеджеров, в скорости выставления счёта, в закупе, в дебиторке, в себестоимости.

Здесь стоит развести две цифры, которые ходят рядом и противоречат друг другу. По данным «Якова и Партнёров» и Яндекса, 71% компаний применяют генеративный ИИ хотя бы в одной функции. Выборка - 150 технических директоров крупных компаний из 16 отраслей. По данным Росстата и ИСИЭЗ НИУ ВШЭ, технологии ИИ используют 4,8% российских организаций. Среди организаций с 500+ сотрудниками - 14,9%, среди компаний до 100 человек - 4,1%. Разрыв по размеру - в 3,6 раза. Обе цифры корректны, просто популяции разные: одна считает крупный бизнес, другая - экономику целиком. Третий замер закрывает картину. Всероссийский опрос по цифровой трансформации в январе 2026 года: ИИ называют ключевым трендом 40% компаний, реально используют около 10%. Практический вывод: если вы средний бизнес и у вас ИИ не внедрён - вы находитесь ровно там, где статистическое большинство. При этом MIT отдельно фиксирует, что лучшие компании среднего бизнеса проходят путь от пилота до внедрения примерно за 90 дней, тогда как у корпораций это девять месяцев и дольше.

Здесь полезнее всего цифры S&P Global Market Intelligence за 2025 год: компании отбраковывают в среднем 46% ИИ-пилотов, не доводя их до внедрения. А 42% организаций свернули большинство своих ИИ-инициатив - годом раньше таких было 17%. MIT добавляет второй ракурс: до реальной работы доходит 5% корпоративных ИИ-инструментов, сделанных под себя. Отдельная закономерность из того же отчёта, против интуиции: внешние партнёрства доходят до внедрения примерно в 67% случаев против 33% у внутренней разработки. Пилоты, построенные с партнёром, выходят в полноценное внедрение вдвое чаще собственных.

Это то, что реально отсеивает провальный пилот до того, как на него потрачены деньги:

Пятый проваливают чаще прочих. Формулировка Ярослава Павлова, ректора бизнес-школы ИМИСП: «Единственное, что вы получите при автоматизации хаоса, - это автоматизированный хаос». Туда же - тезис Дениса Филиппова, гендиректора MWS AI: «Проекты не дают эффекта не потому, что ИИ плохой, а потому что его запускают поверх неперестроенных процессов, без подготовки данных, без измеримых результатов».

Возражение «а если оно наврёт в цифрах» самое разумное из всех, и уговорами оно не лечится. Рабочий подход - разделение задачи. Всё, что считается по чётким правилам, считает обычный детерминированный расчёт. Модель подключается только там, где нужна интерпретация: новая статья расходов, нетиповая операция, аномалия в данных. На управленческой отчётности это выглядит так. Обычно P&L собирает финансист руками в Excel, 5-10 дней после закрытия месяца, и ошибки разнесения всплывают месяцами позже. В варианте со слоем данные забираются из учётной системы по расписанию, типовые статьи разносятся правилами, ИИ достаётся только классификация нового. Суммы при этом считает та же арифметика, что и раньше.

С 30 мая 2025 года действует 420-ФЗ: за утечку данных от тысячи до десяти тысяч человек - от 3 до 5 млн рублей, от десяти до ста тысяч - от 5 до 10 млн, свыше ста тысяч - от 10 до 15 млн. За неуведомление Роскомнадзора о факте утечки - от 1 до 3 млн. Повторная утечка считается от оборота: 1-3% годовой выручки, но не менее 20 млн и не более 500 млн. При этом риск существует и без всякого внедрения. По данным MIT, официально подписки на ИИ-сервисы купили около 40% компаний, а личными ИИ-инструментами для рабочих задач пользуются сотрудники более чем в 90% компаний. Вопросы, которые имеет смысл задавать подрядчику до подписания договора: где физически хранятся и обрабатываются данные (ч. 5 ст. 18 152-ФЗ требует локализации), что именно уходит в модель, есть ли договор поручения на обработку персональных данных по ст. 6, покрывают ли действующие согласия клиентов новую обработку, и как устроена ролевая модель доступа. Отдельно про обезличивание, раз про него любят говорить как про универсальное решение. С 1 сентября 2025 года действуют новые требования и методы обезличивания (приказ Роскомнадзора от 19.06.2025 № 140), а 233-ФЗ добавил в 152-ФЗ статью 13.1. Но она про обязанность оператора обезличить и передать данные в государственную систему по требованию уполномоченного органа, а не про свободное использование обезличенных данных в своих целях. Автоматическим способом обойтись без согласий обезличивание не является.

Порядок, который отличается от типового «выбрать инструмент → найти под него задачу»: 1. Пройти свою цепочку от рекламы до денег и отметить, где люди руками переносят данные из окна в окно. 2. Взять точку, где это повторяется чаще всего и где есть цифровой след. 3. Прогнать её по пяти фильтрам выше. 4. Зафиксировать исходные цифры ДО старта: сколько часов в месяц уходит, сколько стоит час, что теряется кроме времени. 5. Запустить пилот на 2-4 недели и сравнить с этими цифрами.

Вопрос «на чём это делать» идёт последним, а не первым. Обратный порядок и есть та самая покупка платформы под моду, которая попадает в статистику 46% отбракованных пилотов.

Интересно мнение тех, кто доводил ИИ-пилот до продакшена: на каком из пяти фильтров у вас отваливались сценарии чаще всего?