Запускаете AI-пилот? 6 вопросов, которые отсеивают 70% обречённых проектов

В августе 2025 MIT NANDA опубликовал отчёт State of AI in Business, от которого по всему миру тихо сошли с ума финансовые директора: из 30-40 миллиардов долларов, вложенных корпорациями в GenAI за последние два года, измеримый P&L-эффект получили только 5% пилотов. В России картина ещё жёстче - CNews и The Moscow Times в марте 2026 зафиксировали, что отечественный бизнес свернул или заморозил 9 из 10 GenAI-проектов 2025 года, а до промышленной эксплуатации дошли лишь 7-10%. Причина почти никогда не в том, что AI не работает, причина в том, что его запускают в процессы, где он не может работать в принципе, и проверить это можно было на входе, до первого рубля.

Сначала коротко про цифры, чтобы не было иллюзий про «у нас в компании будет по-другому».

Отчёт MIT NANDA обработал сотни корпоративных пилотов 2023-2025 и показал, что разрыв между 5% победителей и 95% провалившихся - не про бюджеты и не про размер компании, а про дисциплину постановки задачи и выбор процессов. Gartner в июле 2024 года предсказал, что к концу 2025 минимум 30% GenAI-проектов будут брошены после PoC, и по апрельскому обзору 2026 года этот прогноз фактически сбылся: в инфраструктурных и операционных командах только 28% AI-кейсов доходят до измеримого ROI, 20% проваливаются полностью, остальные зависают в pilot purgatory.

Отдельно Gartner в феврале 2025 назвал главную причину - 60% AI-проектов до 2026 будут брошены из-за отсутствия AI-ready data, а 44% компаний уже прямо называют качество данных главным барьером (год назад так считали только 19%). BCG в отчёте Build for the Future 2025 разделил компании на три категории: 5% - future-built, 35% - scalers, 60% - laggards, при этом лидеры показывают двухкратный рост выручки и на 40% больше экономии по сравнению с отстающими. То есть разрыв не только растёт, он становится структурным: топ-5% забирают непропорционально много.

В России, по данным Якова и Партнёров совместно с Яндексом, 71% компаний используют GenAI хотя бы в одной функции, но для 65% СМБ стоимость пока высока, а 23% вендоров работают с малым бизнесом. Расходы российских компаний на ИИ в 2024 году - 90 млрд рублей, но до реального прода, по CNews, доехало меньше трети. Причины знакомые: галлюцинации и репутационные риски, дефицит разметчиков и промпт-инженеров, нет синхронизации между IT, бизнесом и ИБ, плюс любовь к «громким» проектам вместо практичных. Успешные кейсы убедительные - СберБот обрабатывает 1,5 миллиона запросов в день и экономит 40% времени операторов, скоринг Т-Банка выдаёт решение за 2 минуты с точностью 94%, - но это единицы. Побеждают не самые крупные и технологичные, а те, кто ещё до запуска задал себе правильные вопросы.

Вот эти шесть.

Самый частый способ убить AI-пилот - запустить его как «инициативу CIO» или «эксперимент инновационного подразделения». По данным того же Pertama Partners, 21% отмен AI-проектов происходит из-за потери executive sponsor на середине пути - бюджет режут, приоритеты меняются, и пилот остаётся без владельца, который может защищать его в бюджетной войне.

Поэтому первый вопрос на входе - есть ли одна фамилия, которая отвечает деньгами за итог этого пилота. Не CIO, который «курирует», не CTO, который «предоставляет платформу», не CDO, который «обеспечивает данные», а конкретный человек с бюджетной властью и персональной премией, привязанной к результату. Если такой фамилии нет, проект почти гарантированно умрёт на первом ревью, и не потому что AI плохой, а потому что защищать пилот будет некому.

Практическое следствие: до того, как обсуждать архитектуру, данные и выбор вендора, вам нужно уложить в одну строку фразу вида «ответственный - Иванов, бюджет - 3 миллиона, срок пилота - 60 дней, метрика успеха - X». Если эта строка не формулируется, пилот нужно откладывать, а не запускать.

Agility at Scale опубликовали анализ корпоративных AI-внедрений и нашли удивительную цифру: 87% пилотов стартуют без baseline, то есть без измерения исходного состояния процесса до того, как в него добавили AI. Логика команд понятна, никто не хочет тратить две недели на замеры, все хотят скорее увидеть результат, но без baseline вы не сможете доказать эффект даже если он есть, а если его нет - не поймёте почему.

Второй вопрос: что вы мерите до пилота, чем, и какой способ замера считаете достаточным для обсуждения результата через 2-3 месяца. Здесь критична именно конкретика - не «экономия времени сотрудников», а «12 часов в неделю на команду из 5 человек по замерам таймтрекинга», не «рост конверсии», а «CR из лида в демо вырос с 8% до 11% по истории за прошлый квартал».

Дальше на этом baseline строится вся экономика пилота: если сейчас процесс занимает X часов, и вы ожидаете сокращения на Y, то сэкономленные деньги - это и есть бюджетный потолок затрат на AI-решение. Без такого расчёта любая стоимость платформы будет казаться оправданной, пока через три месяца не выяснится, что платформа дороже сэкономленных часов.

Именно поэтому McKinsey в State of AI 2025 называет workflow redesign сильнейшим предиктором EBIT-эффекта от AI: если процесс был криво выстроен до AI, он останется криво выстроенным и после, просто теперь с добавленным слоем галлюцинаций сверху.

Самая неудобная правда про AI-пилоты 2025-2026 звучит так: в большинстве случаев проблема не в модели, проблема в данных. Gartner в феврале 2025 года дал прямую цифру: 60% AI-проектов будут брошены к 2026 именно из-за отсутствия AI-ready data. Это не абстрактная беда, это конкретные ситуации вида «данные лежат в трёх разных системах, где-то в Excel, где-то в CRM, где-то в чате в Telegram, единого владельца нет, стандарта хранения нет, значений в ключевых полях - половина».

Третий вопрос - какие данные нужны пилоту, где они сейчас физически находятся, есть ли у них один владелец, и насколько они структурированы. Если на вопрос «кто владеет этими данными и отвечает за их качество» вы получаете молчание или «они у нас общие», данные не готовы, и AI-пилот на них сделает то же самое, что делает опытный бухгалтер без документов - подгонит результат под ожидание и отправит вам.

Здесь важно соблюсти пропорцию: не нужно строить корпоративное data lake до запуска первого пилота. Достаточно, чтобы тот конкретный процесс, который вы автоматизируете, имел структурированный вход. Если процесс начинается с PDF без таблиц, с устных звонков или с разрозненных Excel-файлов - сначала стандартизуете вход и только потом пускаете туда агента.

По моим наблюдениям в YellowRocks, стартапы, которые успешно продают AI-решения в корпорации, на стадии due diligence спрашивают не про модель, а про data maturity клиента. Потому что модель можно сменить за неделю, а данные - нет.

McKinsey 2025 по результатам опроса тысяч команд назвал главный предиктор экономического эффекта от AI - только 21% компаний реально перепроектировали workflow под AI, и именно эти 21% показывают значимый EBIT-impact, остальные получают ноль или даже минус. Причина простая: если вы добавляете AI в существующий процесс без его редизайна, вы получаете третью точку отказа и замедление за счёт проверок, потому что AI-вывод нельзя сразу пускать в прод, его нужно валидировать.

Четвёртый вопрос - готовы ли владельцы процесса перестроить его под AI, а не просто «добавить AI к тому, что уже есть». Тут сразу видно, кто в команде серьёзно относится к внедрению, а кто хочет галочку: первые готовы пересмотреть роли, KPI, маршруты согласований, вторые говорят «AI должен дополнить то, что мы и так делаем».

Практически это выглядит так: вы берёте текущий процесс, рисуете его as-is на бумаге со всеми шагами, исполнителями, временами и передачами, и спрашиваете - какие из этих шагов сохранятся, какие исчезнут, какие изменятся, и какие появятся новые. Если рисунок после внедрения AI выглядит точно так же, как до, только с пометкой «теперь шаг 5 делает агент», пилот почти гарантированно провалится. Если появилось 2-3 новых шага для верификации, ушло 4-5 старых, изменились роли - процесс готов к AI.

Правило 10/20/70 от BCG сформулировано на эту же тему: 10% успеха AI-проекта - это алгоритмы, 20% - данные и технология, 70% - люди и процессы. Большинство компаний тратит обратные пропорции, и именно поэтому результат не появляется.

В практической статье Military Times про human-in-the-loop есть точный термин - «Therac-25 эффект»: оператор, который каждый день нажимает «OK» под выводом машины, со временем перестаёт читать вывод и пропускает реальные сбои. В корпоративных AI-внедрениях это один из главных источников скрытых убытков, потому что проблемы накапливаются незаметно, пока не происходит громкий инцидент и не выясняется, что проверок не было уже полгода.

Пятый вопрос - где fallback на человека, и в каких ситуациях система обязана эскалировать, а не пытаться ответить сама. Это нельзя оставить на усмотрение модели, потому что модель всегда будет пытаться ответить, она для этого построена. Эскалацию нужно прописывать заранее: если confidence ниже 80%, если запрос касается денег выше N рублей, если ключевые поля не заполнены, если пользователь дважды переспросил - значит, сразу к человеку.

Klarna в 2024 году запустила AI-ассистента, который взял на себя 2,3 миллиона разговоров, эквивалентных работе 700 человек, а в 2025 CEO Симятковски публично признал, что переборщил и нанимает людей обратно. Эта история не про то, что AI не работает, она про то, что без продуманного fallback любой массовый AI-продукт упирается в потолок качества и начинает терять репутацию быстрее, чем экономит деньги.

Для SMB-пилота это означает простое правило: агент запускается в shadow-режиме минимум на 2-3 недели, когда его ответы параллельно пишет человек, результаты сравниваются, метрики калибруются, и только после этого агент переводится в автономный режим с чёткой схемой эскалации. Если такой схемы у вас на старте нет, вы запускаете не пилот, а бомбу замедленного действия.

MIT NANDA в отчёте 2025 года опубликовал цифру, которую редко цитируют, но она сильно меняет экономику внедрения: внутренние AI-разработки в корпорациях успешны примерно в трети случаев, покупка готовых решений у вендоров - в 67%, то есть ровно вдвое выше. Для SMB с бюджетом до 2-3 миллионов рублей на первый пилот это практически приговор идее «мы сами напишем что-то на LangChain».

Шестой вопрос - покупаете вы готовое решение или строите сами, и почему именно так. Честный ответ здесь важнее красивого. Если вы строите сами, чтобы «владеть технологией», чаще всего это иллюзия владения, потому что поддержка кода, обновления моделей и сопровождение лягут на ту же команду, которая и так перегружена. Если вы покупаете, то жёстко смотрите на SLA, data residency, возможность вывести интеграцию при смене вендора.

Для SMB на апрель 2026 года наиболее рабочий путь - это no-code/low-code платформы поверх готовых моделей: Claude, OpenAI Assistants, GigaChat, YandexGPT, сшитые через Zapier, Make, n8n. Стоимость входа - от 20-70 долларов в месяц на платформу и ещё 30-100 на API первого агента. Это не «полноценная AI-трансформация», но это реальный путь от нуля до трёх работающих workflow за 90 дней, который подтверждён сотнями кейсов Apify, Anthropic и других.

Если вы решили строить сами, правило здесь такое: внутренний проект оправдан только если речь про core business process, который создаёт конкурентное преимущество, и только если в команде есть выделенный ML/AI-инженер на фултайме. Во всех остальных случаях время на строительство выгоднее потратить на интеграцию существующих решений.

Если отжать все исследования McKinsey, BCG, Gartner и MIT, получается короткий список отличий успешных AI-внедрений от провальных. Они выделяют 20-30% бюджета на change management и работу с людьми (по Pertama Partners, такие проекты успешны в 2,9 раза чаще), выбирают узкий use case с измеряемой метрикой в рублях или часах, запускают пилот как business problem (сначала формулируют, где теряют деньги, потом выбирают технологию), имеют senior-чемпиона в топ-менеджменте и переделывают процессы, а не прикручивают AI сверху. AWS в своей SMB-методичке формулирует формат пилота предельно чётко: 30-60 дней, одна метрика, узкий use case.

Ещё один важный пункт - у них есть два равноценных выхода из пилота, и оба считаются успехом. Либо пилот показал экономику и его масштабируют, либо пилот показал, что экономики нет, и его закрывают без чувства вины. Провалившийся пилот, который вовремя закрыли, - это не провал, это экономия. Провал - это пилот, который тянули ещё полгода «из принципа», когда уже на 60-м дне было ясно, что не взлетит.

Почему именно 95% AI-пилотов не дают ROI?

Это цифра из отчёта MIT NANDA State of AI in Business 2025, который обработал сотни корпоративных пилотов за 2023-2025. В 95% случаев причина в связке «неподходящий процесс плюс плохие данные плюс отсутствие владельца», а не в технологии - модели всё давно достаточно умные. Это подтверждают параллельные оценки Gartner (60% AI-проектов будут брошены из-за unready data к 2026) и BCG (только 5% компаний доводят AI до измеримого результата).

Сколько должен длиться AI-пилот, чтобы понять, работает он или нет?

AWS в методичке для SMB рекомендует 30-60 дней. Я со своей практики добавляю: если через 45 дней команда не смогла сформулировать измеримый результат в цифрах по сравнению с baseline, пилот почти наверняка не работает, и тянуть его дальше не имеет смысла. Лучшее, что можно сделать - честно закрыть и пойти делать следующий, а не «ещё квартал, чтобы дотюнить».

С какого процесса лучше всего начать первый AI-пилот в SMB?

Те, где много повторяющихся задач с структурированным входом и низкой ценой ошибки. Типовые победители: квалификация входящих лидов, ответы на часто задаваемые вопросы клиентов, обработка входящих счетов-фактур, генерация еженедельных отчётов по стандартной структуре, первичный скрининг резюме. Это то, что закрывается no-code агентом за 1-2 недели и стоит меньше 100 долларов в месяц.

Что делать, если уже вложили миллион в пилот и понятно, что не работает?

Закрывать. Честно. Зафиксировать в документе, что именно не сработало и почему, это пригодится для следующего пилота. Каждый месяц задержки при явно проваленном проекте - это не инвестиция в успех, а экономия на собственной репутации внутри компании, которая потом обернётся невозможностью запустить следующий, нормальный пилот.

AI-пилоты в 2026 году проваливаются не потому, что технологий не хватает, и не потому, что команды слабые. Они проваливаются, потому что их запускают в процессы, которые не готовы, без владельца, без baseline, без редизайна, без fallback, с попыткой строить всё самим и без вменяемой метрики успеха. Шесть вопросов выше - это минимальный фильтр, через который стоит пропустить любой AI-проект до того, как подписать первый контракт с вендором или выделить бюджет. Если хотя бы по трём из шести у вас нет чёткого ответа, проект нужно не запускать, а переосмыслять.

Те 5%, которые доходят до денег, почти всегда отвечают на все шесть вопросов однозначно и заранее. Разница между ними и остальными - не в бюджете и не в размере компании, а в дисциплине на входе. Это хорошая новость, потому что дисциплину можно натренировать за одно совещание, а миллионы в проваленные пилоты - уже не вернуть.