80% ИИ-проектов не окупаются. Вот данные — а вот где в этих данных дыры

80% ИИ-проектов не окупаются. Вот данные — а вот где в этих данных дыры

RAND Corporation выяснила, что более 80% корпоративных ИИ-проектов проваливаются. MIT NANDA сообщает, что 95% организаций не видят возврата от генеративного ИИ в своей отчётности. Gartner предсказывает, что к концу 2027 года будет отменено свыше 40% агентских ИИ-проектов.

Три цифры из трёх разных исследований. Звучит убедительно, правда? Но я сейчас перескажу вам три числа, и ни одно из них не считает одно и то же.

Что именно считает RAND

Исследование RAND «The Root Causes of Failure for Artificial Intelligence Projects» построено на интервью с данными учёными и инженерами. Это качественное исследование — разговоры, оценки, мнения. Не финансовый аудит, не учёт по бухгалтерии. Когда RAND пишет «80%», это не значит, что они открыли баланс 100 компаний и у 80 обнаружили убыток. Это значит, что подавляющее большинство собеседников рассказали похожие истории: проект стартовал, пилот работал, в продакшен не дошёл.

Это важное различие. «Больщинство собеседников сообщили о неудаче» и «80% проектов не окупились по P&L» — это два разных утверждения. Первое — то, что есть у RAND. Второе — то, как эту цифру обычно цитируют.

Но выводы RAND от этого не становятся слабее. Наоборот, качественный разбор показывает то, что цифры не фиксируют: конкретные механизмы провала. И эти механизмы повторяются.

MIT NANDA: 95% без ROI — что это значит

Проект MIT NANDA в отчёте «The GenAI Divide: State of AI in Business 2025» фиксирует, что 95% организаций не видят измеримого возврата от генеративного ИИ на уровне отчётности — то есть в P&L, в финансовых результатах. Не «95% проектов провалились». Не «95% компаний разочарованы». Конкретно: если вы откроете финансовую отчётность, вы не найдёте там строку «доход от генеративного ИИ».

Это может означать разное. Может, ИИ реально не приносит денег. Может, приносит, но компания не умеет это измерять. Может, эффект есть, но он размазан по десяткам процессов и не выделен в отдельную метрику. MIT фиксирует факт отсутствия в отчётности, а не факт отсутствия эффекта.

Это не_cancel_исследования. Это ограничение методологии, о котором стоит знать, прежде чем цитировать «95%» как приговор.

Gartner: 40% отменённых агентских проектов

Прогноз Gartner от июня 2025 года: к концу 2027 года свыше 40% агентских ИИ-проектов будут отменены. Причины — растущие затраты, неясная бизнес-ценность, недостаточный контроль рисков.

Здесь важно то, что Gartner говорит об агентских проектах. Не обо всём ИИ, не о машинном обучении вообще. Агентские ИИ — это системы, которые действуют автономно: принимают решения, вызывают инструменты, взаимодействуют с внешними системами. Это самая молодая и самая сырая категория. Прогноз об отмене 40% именно таких проектов — не волна про ИИ в целом, а конкретное предупреждение о категории, где хайп опередил инженерию.

Gartner уточняет: отмена происходит не от того, что модели недостаточно умны. Причина — в управлении. Нет определённой бизнес-ценности, нет governance, нет операционной дисциплины. Модель может быть сколь угодно мощной, но если рядом с ней не выстроено процесса — проект закрывают.

Где дыры в данных

Я перечислил три исследования. Давайте теперь разберём, где у них слабые места — не чтобы их обесценить, а чтобы вы понимали, на что опираетесь.

RAND. Качественное исследование на основе интервью. Выборка — те, кто согласился поговорить. Есть систематическое искажение: люди, чьи проекты провалились, охотнее рассказывают о неудачах, чем те, у кого всё хорошо, — из-за эффекта «учёного опыта». Проекты, которые удалось внедрить, не попадают в статистику провалов просто потому, что о них не рассказывают как о провалах. Так что 80% — это, скорее всего, верхняя оценка. Реальная доля провалов может быть ниже. Но даже если это 60% или 50% — это всё равно большинство.

MIT NANDA. Отсутствие ROI в P&L может быть следствием методологии учёта, а не реального отсутствия эффекта. Если компания не выделяет ИИ-эффект в отдельную статью, он не появится в отчётности — независимо от того, есть он или нет. С другой стороны, если бы эффект был действительно большим, его было бы трудно скрыть даже без специальной метрики. Так что, ну, где-то посередине. 95% — это, скорее всего, завышение, если говорить о реальном отсутствии эффекта. Но даже половина от 95% — это почти половина. Много.

Gartner. Прогноз, а не факт. Gartner предсказывает будущее, и их прошлые прогнозы сбывались с разной точностью. Но направление — отмена агентских проектов — уже подтверждается: Forbes в июле 2026 года опубликовал разбор, где корпоративные ИИ-инициативы закрывают именно по причинам, которые Gartner назвал: governance, бизнес-ценность, затраты.

Что реально ломает проекты

Если отбросить методологические оговорки, все три исследования сходятся на одном: причина провалов — не модели. Не алгоритмы. Не «ИИ недостаточно умный».

RAND выделяет конкретные паттерны:

Несоответствие ожиданий и реальности. Руководство представляет ИИ как магию, способную решить любую задачу. Команда — не может объяснить, что именно они делают, языком, который руководство поймёт. Результат: проект финансируется до тех пор, пока не становится очевидно, что чуда не будет. Потом закрывают.

Слабая инфраструктура данных. Это звучит банально, но RAND фиксирует это как системную проблему. Модель можно обучить за неделю. Подготовить данные — месяцы. Компании начинают с модели, а не с данных. Проект доходит до пилота, показывает результат на чистых тестовых данных, а в продакшене натыкается на грязные, неполные, несогласованные данные. Эффект исчезает.

Отсутствие операционной интеграции. ИИ-модель внедряют как отдельный инструмент — рядом с процессом, но не внутри него. Сотрудник должен consciously открыть ИИ, задать вопрос, перенести результат в свою систему. На этом этапе происходит отвал: если ИИ не встроен в рабочий процесс, если для его использования нужно совершать дополнительные действия — люди просто перестают им пользоваться. Не потому что он плохой. Потому что он лишний шаг.

MIT добавляет к этому финансовое измерение: даже когда ИИ что-то улучшает, эффект не дотягивает до P&L, потому что компания не перестроила процесс вокруг ИИ. Экономия в часах на одном этапе размазывается по overhead на другом.

Gartner фокусируется на governance: агентские ИИ-проекты закрывают не потому, что агент плохо работает, а потому, что никто не определил, кто отвечает за решения агента, какие границы допустимы и как откатить результат.

Что мы видим на практике

Три цифры — 80%, 95%, 40% — дают разные оценки, но рисуют одну и ту же картину. Я не знаю, какая из них ближе к реальности. Скорее всего, все три — верхние оценки, и реальная доля провалов ниже. Но даже если взять консервативную оценку в 50% — это означает, что у вас один шанс из двух.

На проектах, которые мы ведём, провалы происходят по тем же причинам, что описывает RAND. Не потому, что модель не справилась. А потому, что данные были грязные, или процесс не был перестроен, или не было человека, который отвечает за результат ИИ, а не просто «использует» его.

И именно поэтому мы строим recall не как модель, а как инфраструктуру доставки: данные, процесс, ответственный, регламентация. Модель — commodity. Разницу делает то, что вокруг неё.

RAND, MIT и Gartner сходятся: технологии доступны всем, но отдача концентрируется у тех, кто перестроил процессы. Если ваш ИИ-проект — пилот ради пилота, он с вероятностью от 40 до 95% будет отменён. Если он встроен в процесс — шансы меняются.