Перейти к содержанию
суббота, 21 ноября 2026 г.

ИИ Вестник

Главные новости о развитии искусственного интеллекта в России

95% ИИ-пилотов не дают прибыли: почему Европа тормозит на входе, а Россия — на выходе

Corporate office desk with AI dashboards, frustrated analyst reviewing failed pilot reports, dim lighting.
Generated by Sourceful Riverflow (RouterAI)

Корпоративные внедрения генеративного ИИ множатся, но до отчёта о прибылях и убытках доходят единицы. Европа увязает в комплаенсе ещё до старта пилота, Россия наращивает расходы почти вдвое, но сталкивается с дефицитом готовых продуктов и провалом на этапе продакшена.

Свежие отраслевые отчёты фиксируют устойчивое расхождение между оптимизмом опросов и бухгалтерской реальностью. С одной стороны, значительная часть продакт-менеджеров сообщает о росте продуктовых метрик после подключения больших языковых моделей, с другой — исследование MIT Project NANDA, охватившее более трёхсот корпоративных внедрений на десятки миллиардов долларов, показывает: около 95% пилотов не дают измеримого эффекта на чистую прибыль. Разрыв объясняется просто — в одну категорию смешивают ускорение работы отдельного сотрудника, эффектное демо в изолированной среде и деньги, реально дошедшие до финансовой отчётности.

Сопоставление европейской и российской статистики удобнее начинать с выравнивания выборок. По сводке Eurostat, среди всех предприятий от десяти сотрудников ИИ применяют лишь около 20% — от 5,2% в Румынии до 42% в Дании, однако для крупного бизнеса от 250 человек доля внедрения поднимается до 55%. При этом Eurostat учитывает любой ИИ, включая классический машинный скоринг и распознавание текста, тогда как в российском крупном бизнесе, по данным исследования «Яков и Партнёры» и «Яндекса», 71% компаний использует именно генеративные модели, а с учётом классических доля доходит до 88%. Разрыв в темпах очевиден, но ещё важнее то, что траектории двух экономик расходятся радикально.

Европа притормаживает на входе: по замерам Eurostat, бизнес упирается не в деньги, а в дефицит профильных инженерных и продуктовых компетенций (71% компаний), юридическую неопределённость вокруг регламента EU AI Act (52,5%) и жёсткие ограничения по приватности данных (48,8%). В результате модель месяцами согласовывают с юристами и комплаенсом ещё до запуска пилота. Россия, напротив, вдавила педаль газа: по данным FinExpertiza на основе статистики Росстата, за год затраты бизнеса и госсектора на ИИ выросли на 95%, почти вдвое, до 176,1 млрд рублей. Около 80% этих денег ушло на софт и разработку, 92% бюджетов осели в Москве, а 84% всех затрат генерирует финансовый сектор и страхование, где 78% руководителей рапортуют о «видимом экономическом эффекте».

Между строкой анкеты «мы отметили эффект» и строкой «выросла операционная прибыль» лежит пропасть. Аудит открытого рынка ИИ-агентов от «Яков и Партнёры» показывает, что из двенадцати публичных российских продуктов этого класса готовых автономных решений оказалось ровно ноль — только платформы-конструкторы для самостоятельной сборки и узкие ассистенты. Из этого следует, что каждый крупный банк и корпорация вынуждены писать агентов внутри себя с нуля, что напрямую бьёт по срокам и стоимости. Европа тонет в согласованиях на входе, Россия сжигает миллиарды, но вязнет на выходе, там, где прототип из песочницы сталкивается с реальным продакшеном.

Причины одинакового выхлопа подробно разобраны в том же исследовании MIT, причём на выборке американского энтерпрайза, где денег и зрелости инфраструктуры больше, чем в Европе и России. Авторы брали жёсткий горизонт в шесть месяцев после завершения пилота и выявили две закономерности. Первая — любовь к собственным велосипедам: кастомное решение с нуля доходит до промышленного результата лишь в 33% случаев, тогда как специализированный продукт внешнего вендора срабатывает в 67%. Вторая — перекос в сторону витрины: больше половины бюджетов уходит на продажи и маркетинг, тогда как реальную экономию приносит скучный бэк-офис — разбор документов, комплаенс, риск-скоринг и автоматизация рутины.

Для российского рынка это означает, что рост расходов сам по себе не конвертируется в прибыль без смены подхода. Практика корпоративных пилотов показывает: на чистом тестовом датасете любая модель демонстрирует красивые цифры, но дальше начинается взрослая жизнь — протаскивание через контур информационной безопасности, укладка в жёсткие SLA по задержке ответа и расчёт цены ошибки второго рода. Когда антифрод или риск-модель начинает резать легитимных клиентов ложными срабатываниями, экономия от автоматизации сгорает быстрее, чем окупается железо. Показателен пример голосового антифрода, остановленного через три недели после выхода на живой трафик: цифры показали, что экономика и качество детекции не бьются, и вовремя дёрнутый стоп-кран спас бюджет от превращения пилота в «зомби-проект».

Альтернатива кастомной разработке — покупка готовых платформ и интеграция внешних агентов, что подтверждается статистикой успешности вендорских решений против самописных. Однако на российском рынке выбор пока ограничен конструкторами, требующими собственной инженерной команды, а европейский путь упирается в регуляторные задержки. Проблема в итоге не в том, что технологии ИИ не работают: они отлично работают там, где сначала перестраивают сам бизнес-процесс, а уже потом ставят внутрь модель. Если нейросеть за секунду собирает досье на заёмщика, но файл три дня лежит в очереди на ручную проверку, никакого эффекта на P&L не будет. Дальнейшее развитие событий зависит от того, начнут ли корпорации считать цену ошибки и стоимость интеграции до запуска пилота, а не после, и появятся ли на рынке готовые автономные агенты, способные пройти через контур безопасности без многомесячных согласований.

Читайте также