Искусственный интеллект — уже не завтрашний день, а сегодняшняя реальность. 35% компаний вовсю его используют, а в телекоме это делают больше половины организаций. Но есть нюанс: гонка за хайпом слишком часто заканчивается не взлётом, а жёсткой посадкой. Исследователи из MIT подсчитали, что до 95% корпоративных экспериментов с генеративным ИИ не приносят реальных денег. Мало того, в 2025 году 42% компаний свернули свои ИИ-инициативы, а годом ранее таких было всего 17%.

Почему так? Давайте честно разберём типичные грабли, на которые наступает бизнес. Без заумных теорий, зато с реальными кейсами и цифрами. Чтобы вы, когда решите внедрить инновацию, не получили красивый, но абсолютно бесполезный прототип.

Генеральный директор вдохновился рассказами про нейросети в соцсетях, разработчики хотят поиграться с новой моделью, и в итоге проект стартует «просто потому что модно». А на выходе получается эффектная витрина, за которой пустота.

Исследование Harvard Business Review подтверждает: у тех, кто ставит чёткие цели, шансов на успех в 3,5 раза больше. Но загвоздка в том, что цели часто формулируют неправильно. Например, считают количество скачиваний, а не удержание клиентов, гонятся за блеском, а не за сутью.

Вот вам в качестве примера американская сеть ресторанов быстрого питания Taco Bell. Компания запустила голосового ассистента на автораздаче. Звучит круто, но на деле у ИИ не получалось точно распознавать речь людей, очередь росла, недовольство клиентов увеличивалось. Вот и получилась технология ради технологии.

Что делать? Забудьте фразу «внедрить ИИ». Скажите себе: «хочу, чтобы заявки обрабатывались на 20% быстрее», «хочу снизить отток на 10%». А уж каким инструментом вы этого добьётесь — дело десятое.

ИИ работает не на магии, а на основании данных. Если вы «скормите» ему дубли, устаревшие прайсы и кривые сканы накладных, то на выходе получите то же самое, но с «интеллектуальным» лицом. Эксперты отмечают, что подготовка качественной базы часто требует больших ресурсов, чем разработка самой модели.

Почти 80% компаний спотыкаются именно на этом — на плохой дата-инфраструктуре. А дата-сайентисты, между прочим, 45% своего рабочего времени тратят не на создание гениальных моделей, а на разгребание этих авгиевых конюшен с данными.

Яркий пример — ИИ-ассистент ведущего американского производителя элитных тканей Kravet. Он давал верные ответы лишь в 40% случаев. Виной всему оказались файлы с противоречивой и устаревшей информацией, а также нечитаемый для ИИ формат файлов (сканы).

Что делать? Прежде чем звать волшебников, наведите порядок в доме. В ERP-системе это может быть особенно трудно, но без этого никак. Стандартизируйте номенклатуру, вычистите клиентскую базу, разберитесь со складскими остатками. Ведь это фундамент вашей будущей аналитики.

Интеграцию ИИ в кривой процесс можно сравнить с установкой спойлера от Ferrari на старую разбитую «шестёрку». Красиво, но быстрее не поедет. Компании часто думают, что ИИ — это такая чудо-кнопка Plug and Play: подключил, и всё заработало само. Но это глубочайшее заблуждение.

Чтобы ИИ-инструменты работали корректно, необходимо перепроектировать весь рабочий процесс. Например, поставщик рекламной и брендированной продукции Gold Bond Inc. не стал просто создавать чат-боты. Компания проанализировала, какую работу сотрудники ненавидят больше всего (ей оказался ручной ввод данных из накладных в ERP), и именно эти задачи поручила ИИ. В результате машина стала структурировать входящие документы и автоматически заполнять заявки на закупку. Это пример правильного подхода, когда ИИ берёт на себя рутину, а человек занимается исключениями и контролем.

Что делать? Не спрашивайте: «Где бы сюда прикрутить нейросеть?». Лучше задайте такой вопрос: «От какой рутины мы можем избавить людей?». Это меняет всё.

Бизнес говорит: «Нам нужно, чтобы было быстро и удобно». ИТ заявляет: «Нам нужно 200 человеко-часов и чистые данные». Бизнес не понимает, почему нельзя «просто сделать», а программисты не вникают, зачем маркетологам эти бесконечные отчёты.

Особенно «весело», когда в компании реализуется культура People-driven (вопрос решает «гуру», который всё знает) или Process-driven (действуем по регламентам, даже если они не очень). А вот те, кто живут по Data-driven (решения на основе цифр и экспериментов), взлетают в разы быстрее.
Резонансный пример — история Amazon, когда CEO объявил о замене части людей ИИ. Внутренний Slack взорвался от негатива. Сотрудники перестали доверять начальству, а автоматически и технологиям, которые продвигает руководство.

Что делать? Соберите команду из тех, кто говорит на языках обоих миров. Продакт-менеджеры, толковые аналитики — они станут вашими переводчиками с языка бизнеса на язык технологий и обратно.

Сотрудники обычно не препятствуют эффективности, но они становятся врагами ИИ, если боятся за свои рабочие места. Исследование EY показывает, что 75% людей опасаются, что из-за ИИ некоторые профессии исчезнут, а 65% переживают за свои собственные позиции. При этом почти половина опрошенных заявляет, что их никто не обучал работе с новыми инструментами.

В итоге сотрудники либо саботируют ИИ, либо используют его формально. История компании-разработчика ПО IgniteTech, где уволили 80% персонала под предлогом их сопротивления новому, только усилила напряжение на рынке и показала, как делать не надо.

Однако есть и позитивные кейсы. В уже упомянутом Gold Bond Inc. после перестройки процессов и вовлечения супер-пользователей (сотрудников, которые тестировали ИИ на реальных задачах) ежедневное использование искусственного интеллекта выросло с 20% до 71%, а 43% сотрудников сообщили об экономии до двух часов в день. Когда люди видят пользу, а не угрозу, сопротивление исчезает.

Что делать? Не пугайте людей увольнениями. Покажите, как ИИ заберёт себе скучную рутину, а им оставит интересную работу. Страх уходит, когда приходит польза.

Многие проекты так и остаются на стадии пилота. По данным BCG, только 22% проектов переходят от экспериментов к реальному внедрению, а ощутимую выгоду получают лишь 4% компаний. Почему? Потому что пилот часто живёт в идеальных, тепличных условиях. А при масштабировании выясняется, что система не справляется с нагрузкой, требует перестройки смежных процессов или не интегрируется с legacy-системами.

Например, Microsoft столкнулась с такой проблемой при тестировании функции Recall для Copilot+: инструмент сохранял данные без согласия сотрудников, включая конфиденциальную информацию. Пришлось срочно дорабатывать политику доступа и приватности.

Ещё одна ловушка — «синдром самоделкина». MIT выяснил, что компании, покупающие готовые решения, достигают успеха в 67% случаев. Те же, кто пытается построить ИИ-систему самостоятельно — только в трети случаев.

Успешное внедрение ИИ — это не столько технологический, сколько управленческий вызов. Чтобы ваши инвестиции окупились, придерживайтесь некоторых правил.

1. Начинайте с боли, а не с технологии. Сфокусируйтесь на одной конкретной задаче: «сократить время закрытия отчётности» или «повысить точность прогноза продаж».

2. Приведите данные в порядок. Инвестируйте в Data Governance (управление данными). Используйте ERP-систему как единый источник правды для очистки и стандартизации данных.

3. Перестраивайте процессы. Не накладывайте ИИ на старые рабочие процессы. Определите, что будет делать машина, а что — человек.

4. Обучайте и вовлекайте людей. Покажите сотрудникам, как ИИ может экономить их время для творческих и более интересных задач.

5. Думайте о масштабировании с первого дня. Выбирайте решения, которые легко интегрируются с вашей текущей экосистемой (ERP, CRM) и могут расти вместе с бизнесом. Отдавайте предпочтение проверенным вендорам с опытом интеграции.

Искусственный интеллект — это мощнейший инструмент повышения эффективности, но он не терпит дилетантского подхода. Причиной 95% провалов становятся не технологии, а управленческие ошибки. Поэтому интеграция ИИ в ERP-систему или другое корпоративное ПО должна начинаться не с кода, а со стратегии.

В BusinessPad мы знаем, что успех приходит только тогда, когда инновации внедряются системно, с чётким пониманием целей и уважением к людям.