Ловушка ИИ-отдела: почему 86% компаний не смогли масштабировать ИИ, хотя пилоты работают

Короткий ответ для тех, кто решает, как внедрять ИИ: 16 ноября 2026 года MIT Technology Review опубликовал выпуск Business Lab с участием SAP и Infosys, и там прозвучала цифра: из более чем 500 опрошенных крупнейших компаний мира (Global 2000) только 14% успешно масштабировали ИИ, 86% остались на стадии исследований, пилотов или фрагментарных экспериментов. Гость выпуска назвал причину «ловушкой ИИ-отдела»: компания создаёт отдельную ИИ-команду, отгораживает её от бизнеса, и та строит технически безупречные пилоты, в которых бизнес себя не узнаёт. Это сходится с данными BCG: 74% организаций застряли в пилотном режиме без плана масштабирования, а 70% усилий при ИИ-трансформации приходится на людей и процессы, и только 10% — на сами алгоритмы.
Я сначала пролистал транскрипт и подумал: ну понятно, очередной выпуск про то, что пилоты не масштабируются, — я это уже разбирал на цифрах Gartner, там тоже всё упиралось не в технологию. Мозг сам достроил привычное объяснение: не хватает денег, не хватает талантов, не хватает поддержки первого лица. А потом я упёрся в формулировку «AI as a department trap» и перечитал. Дело не в нехватке. Дело в изобилии: компания честно наняла команду, выделила бюджет, команда работает — и именно это блокирует масштабирование. И, признаюсь, меня задело: я узнал этот паттерн, мы сами в recall первые месяцы показывали клиентам демки, которые бизнес клиентов не узнавал. Если тема пилотов, которые никуда не едут, вас уже вымотала за этот год — закройте текст и вернитесь позже, он подождёт. Если нет — разбор ниже.
Что произошло 16 ноября
Выпуск Business Lab у MIT Technology Review — это формат подкаста с полным транскриптом, ведёт Megan Tatum. Гости двое: Thorsten Leiduck, SVP и глобальный руководитель экосистемы SAP Business AI Platform, и Satinder Pal Singh, associate VP SAP Business AI Platform и SAP AI Strategy в Infosys. Тема — переход от пилотов к ИИ, встроенному в операционную модель компании. Не технология, а то, что вокруг неё.
Ключевые цифры выпуска, которые стоит положить в таблицу себе на стол:
| Данные | Значение | Источник |
|---|---|---|
| Компании Global 2000, успешно масштабировавшие ИИ | 14% | Infosys / HFS Research, опрос 500+ предприятий |
| Организации в пилотном режиме без плана масштабирования | 74% | BCG, цитируется по Leiduck |
| Компании, которым мешают доступ к данным и их качество | 42% | опрос Anthropic, цитируется по Leiduck |
| Компании, где ИИ и изменения в людях идут как единая инициатива | 4% | Economist Enterprise / SAP, опрос 2015 C-suite |
| Доля усилий ИИ-трансформации на людей и процессы | 70% | BCG, правило 10/20/70 |
Четыре независимых источника: консалтинг (BCG), вендор платформы (SAP), интегратор (Infosys) и исследование редакции Economist Enterprise. Все четыре говорят одно и то же с разных сторон. Это не совпадение — это рынок, который одновременно обнаружил одну и ту же стену.
Ловушка ИИ-отдела: как работает блокировка
Satinder Pal Singh описывает механику прямо, дословно: «At the core of that 86% is what I would describe as AI as a department trap. What happens is that an organization creates an AI team or a center of excellence and walls it off from business. That team builds technically excellent pilots the business doesn’t recognize itself in, and you end up with AI solutions searching for problems, rather than the other way around».
Переведу на язык организации. Компания решает «заняться ИИ». Логичный шаг: собрать команду. Нанимают дата-сайентистов или выделяют центр компетенций, те начинают делать пилоты. Пилоты получаются красивые — демо проходит на ура, метрики на исторических данных радуют. А дальше начинается то, чего в презентации нет: чтобы пилот жил в реальном процессе, его должен принять человек, который этим процессом владеет. Закупщик. Бухгалтер. Руководитель поддержки. И он в этом пилоте себя не узнаёт: его терминологии нет, его регламентов нет, его исключений из правил нет. Решение ищет проблему.
Про «решения в поисках проблемы» говорили последние два года все, кому не лень. Новое здесь другое: Singh называет это не провалом стратегии, а ловушкой структуры. Компания делает всё «правильно» по учебнику — команда, бюджет, пилоты — и именно правильность этих шагов гарантирует результат 86%. Отдел оброс KPI по количеству пилотов. Бизнес не участвует. Между ними — стена.
Про масштабирование у Singh есть афоризм, который я бы повесил на стену любому ИИ-отделу: «A pilot that can’t scale is just an experiment». Пилот, который нельзя масштабировать, — это просто эксперимент. Не актив. Не «этап пути». Эксперимент.
Выход он формулирует так: «Move from treating AI as a technology initiative to treating it as an operating model transformation. AI stops being something IT does for business and starts being something the whole organization does together». ИИ перестаёт быть тем, что ИТ делает для бизнеса, и становится тем, что вся организация делает вместе. Звучит как плакат, и я долго не мог понять, что за ним стоит физически. Понял так: меняется вопрос, с которого начинается каждый кейс. Не «где тут можно применить ИИ», а «какой процесс мы перепроектируем и кто его владелец». Владелец процесса — фигура, без которой масштабирования не будет, независимо от мощности модели.
10/20/70: арифметика, которая объясняет счета
BCG сформулировала правило распределения усилий при ИИ-трансформации: 10/20/70. Десять процентов — алгоритмы. Двадцать — данные и технологическая инфраструктура. Семьдесят — люди, процессы и операционная модель. Цифру 70% приводит и исследование Economist Enterprise при участии SAP со ссылкой на BCG.
Переведу в быт. Если ваша ИИ-программа стоит условные сто единиц усилий, то спорить о выборе модели — это спор о десяти единицах. Ещё двадцать уйдут на то, чтобы данные были доступны и не грязные. И семьдесят — на то, чтобы переписать регламенты, переобучить людей, поменять маршруты согласования, встроить ответы ИИ в документооборот. Большинство компаний, с которыми я говорил, тратят усилия ровно наоборот: восемьдесят процентов времени — выбор и настройка модели, десять — данные, и на людей уже не остаётся ничего.
Это объясняет и цифру 42% из опроса Anthropic, который цитирует Leiduck: компании не могут получить доступ к своим же данным нужного качества. Не «ИИ недостаточно умный». Данные лежат в пяти системах, доступ к ним согласуется неделями, качество никто не гарантирует. Модель тут вообще ни при чём.
Цифры, которые привёз CFO: ИИ обгоняет людей
Параллельно с выпуском MIT вышло исследование Economist Enterprise при участии SAP — опрос 2015 топ-менеджеров средних компаний (выручка от 50 миллионов до миллиарда долларов, Америки, EMEA, Азиатско-Тихоокеанский регион). Оно закрывает вопрос, который Business Lab оставил открытым: а как выглядит «ловушка отдела» в разрезе функций.
66% финансовых директоров говорят, что внедрение ИИ идёт быстрее, чем трансформация рабочей силы. В операциях жёстче: только 4% руководителей операций подтверждают, что ИИ и изменения в людях движутся как полностью интегрированные инициативы, 59% — что ИИ обгоняет изменения. И разрыв в отдаче: измеримую ценность от ИИ видят 47% руководителей операций в средних компаниях против 62% в компаниях больше миллиарда. Разница в 15 процентных пунктов — это не мощность моделей, у средних компаний модели те же. Это способность перепроектировать процессы вокруг ИИ.
Самая честная строка исследования — про HR: 54% директоров по персоналу называют рабочие навыки зоной, наименее готовой к ИИ-трансформации. Не данные, не безопасность, не бюджеты. Навыки. При этом 74% CHRO говорят, что их функция вовлечена в трансформацию рабочей силы значительно больше, чем три года назад. Люди, отвечающие за людей, видят проблему яснее всех — и четыре раза чаще своих коллег-топов называют нехватку навыков вопросом, требующим немедленного внимания.
Соберу смысл трёх источников в одну фразу, аккуратно: пилоты не масштабируются не потому, что ИИ не работает, а потому, что компания меняет пять процентов того, что менять нужно на семьдесят. Это утверждение — интерпретация, но за каждым словом стоит цифра из таблицы выше.
Вопрос, который мне задают чаще всего
«Не проще ли раздать всем доступ к ChatGPT и не городить ни отдел, ни платформу?» — примерно так звучит вопрос, который я слышу от руководителей, уставших от корпоративных ИИ-программ. И это справедливая усталость: если 86% программ не масштабируются, может, вообще никакая программа не нужна?
Thorsten Leiduck отвечает на это в выпуске MIT Technology Review дословно: «AI is absolutely dependent on the data foundation». ИИ абсолютно зависит от фундамента данных. Он настаивает, что компании нужен связный, семантически богатый слой, отражающий именно её бизнес, прежде чем ИИ можно надёжно пускать в процессы. И добавляет про точность: для повседневных задач «80% might be good enough», но в цепочках поставок или финансовом закрытии периода уровень точности в 80% — это «a very terrible result». Личная переписка переживёт ошибку. Закрытие месяца — нет.
Второй вопрос, который я себе задаю сам: «А если просто не трогать управление, пусть ИИ-команда пилит и внедряет, а разберёмся потом?» Здесь ответ Singh, дословно: «The absence of governance doesn’t speed up AI adoption. It creates a risk backlog». Отсутствие управления не ускоряет внедрение ИИ — оно создаёт отложенный backlog рисков, который в итоге вынуждает остановить всё и проводить аудит. Мы это уже видели в другом масштабе: когда агентов стали пускать в инфраструктуру, индустрия ответила переносом контроля из модели в окружение. С оргструктурой та же физика: если прав доступа, маршрутов согласования и ответственных за решения агентов нет с первого дня, они не «появятся потом» — они накопятся в долг.
Обе цитаты — из первоисточника, полного транскрипта Business Lab. Я выбрал именно их, потому что они отвечают на два реальных возражения, а не на выдуманные.
Что это значит для компании среднего размера
Практические следствия, без консалтинговых плакатов.
Первое — считать усилия по правилу 10/20/70 честно. Если в плане внедрения 80% строк про технологию и ни одной про изменение регламентов и обучение — план написан для провала, и это видно до старта, на бумаге.
Второе — у каждого ИИ-кейса должен быть владелец процесса, а не только владелец модели. Вопрос «кто подпишется, что будет пользоваться этим каждый день» отсеивает «решения в поисках проблемы» быстрее любого ROI-расчёта.
Третье — данные как проект, не как надежда. Цифра 42% из опроса Anthropic про доступ и качество данных — это не про ИИ, это про документооборот и регламентацию, про то, в каком виде лежат знания компании и кто за них отвечает. Мы в recall это видим на каждом внедрении: пока документы не собраны и не структурированы, советник с системой памяти отвечает общими словами — не потому, что модель слабая, а потому, что спросить нечего.
Четвёртое — пилоты, которые выбираются по трём линзам Singh: влияние на метрику бизнеса, осуществимость на текущих данных и людях, тиражируемость. Если кейс не проходит хотя бы одну линзу, он эксперимент, и его место в песочнице, а не в бюджете.
Чему я не верю в этом раскладе
Сомнения, потому что их должно быть больше, чем выводов.
Конфликт интересов очевиден: SAP продаёт платформу, Infosys — интеграцию, BCG — трансформацию. Всем троим выгодно, чтобы проблема выглядела не технологической, а организационной — организационные проблемы решаются их счетами, технологические — счётами вендоров моделей. Цифра 14% от Infosys/HFS мне кажется более надёжной, чем рамка «8% AI-native» из того же выпуска: у «AI-native» нет общепринятого определения, это маркетинговая категория, и коэффициент «четыре раза больше вклада в выручку» на такой выборке я бы в презентацию не положил.
Опросы C-suite — это самоотчёт людей, чьи бонусы зависят от оптимистичной картины. Когда 66% CFO говорят, что ИИ обгоняет трансформацию рабочей силы, это может означать и «мы честно попробовали и не успели», и «мы купили лицензии, а людей не трогали». Разницу опрос не показывает.
И главное — я не знаю, как выглядит «правильная» альтернатива ИИ-отделу в компании, где нет критической массы компетенций. Распустить отдел и раздать ИИ бизнес-функциям — значит получить те же пилоты, только без инженерной культуры. Оставить отдел — ловушка. Singh говорит «operating model transformation», но трансформация операционной модели — это месяцы и годы, и ни один из источников не даёт готового маршрута, который я мог бы пересказать без домыслов.
Вместо вывода
Я не знаю, как правильно выйти из ловушки ИИ-отдела, если ты уже в ней. Мой опыт говорит, что помогает малое: один процесс, один владелец, одна метрика, и ИИ-команда в роли инструмента, а не заказчика. Цифры Infosys, BCG и Economist говорят, что компаний, которые дошли до масштабирования, — меньшинство, и не потому, что остальные глупые. Где правда — наверное, между моим опытом и их таблицами, и я пока не нашёл место, где она лежит целиком. Но что ловушка реальна и у неё есть имя — это я теперь знаю точно.
Если после этого текста вы захотите проверить свои собственные данные и регламенты на готовность — именно это делает наш продукт, recall: ИИ-советник с системой памяти для бизнеса. Он не заменит владельца процесса и не проведёт трансформацию операционной модели, но отвечает на вопросы по вашим документам, а не по памяти модели из интернета.
recall — ИИ-советник с системой памяти для бизнеса. Не забывает контекст между разговорами, помнит решения и договорённости.
Попробовать бесплатно