ИИ в корпорациях упёрся в ROI-стену: 57% компаний второй год не окупают вложения

Исследование Domino Data Lab, опубликованное 23 июля 2026 года, опросило 639 руководителей корпоративного ИИ и выявило парадокс: 93% компаний сообщают об улучшении способности развёртывать модели в продакшен (рост с 88% год назад), но доля предприятий, чей ROI не окупает инвестиции, застряла на 57% — второй год подряд. Параллельное исследование MIT NANDA даёт ещё более жёсткую цифру: 95% ИИ-пилотов не производят измеримого влияния на прибыль. Проблема не в самих моделях, а в last-mile gap — разрыве между работающей моделью и сотрудником, который должен действовать на основе её результатов.

Что обнаружило исследование Domino Data Lab

Domino Data Lab опросила 639 руководителей корпоративного ИИ в середине 2026 года, и центральная находка выглядит как приговор хайпу. Доля компаний, чьи инвестиции в ИИ не окупаются, составляет 57% — ровно столько же, сколько годом ранее, в 2025-м. Это не временная просадка на кривой освоения, а устойчивое плато, которое исследователи фиксируют уже два года подряд.

Парадокс в том, что технические возможности при этом растут. 93% опрошенных руководителей сообщили об улучшении производственных компетенций в 2026 году, против 88% в 2025-м. Компании научились развёртывать модели быстрее, тиражировать их на большее количество процессов и интегрировать в существующую инфраструктуру. Но быстрее — не значит полезнее.

Томас Робинсон, COO Domino Data Lab, сформулировал суть предельно чётко: «Раньше вехой считался выход модели в продакшен. Наше исследование показывает, что этого больше недостаточно. Настоящая веха — это момент, когда бизнес-пользователь может действовать на основе того, что нашла модель. И для слишком многих предприятий этот момент всё ещё не наступает в темпе и масштабе бизнеса, с управлением, которого требует регулируемая отрасль».

Перевод с корпоративного: модель работает, датасайентист доволен, стендап проходит с зелёными статусами, а бизнесу от этого по-прежнему ноль. Подробный разбор того, как ИИ снижает трудозатраты, когда доставка инсайта выстроена правильно

MIT NANDA: 95% пилотов — впустую

Независимое исследование MIT NANDA, опубликованное несколькими месяцами ранее, пришло к параллельному выводу, который в цифрах выглядит ещё безжалостнее. Из всех организаций, запустивших ИИ-пилоты, 95% не увидели измеримого влияния на финансовый результат — ни в P&L, ни в операционной эффективности, выраженной в деньгах. Только 5% интегрированных пилотов принесли значимую финансовую отдачу.

Пять процентов — это статистический шум. Если бы ИИ-инициативы были лекарством, их бы не пропустил ни один регулятор. Если бы они были венчурными инвестициями, фонд с такой результативностью закрылся бы после первого раунда. Причина не в том, что ИИ не работает — он работает, и об этом говорят тысячи кейсов от MIT до Klarna. Причина в том, что между «модель обучена и развёрнута» и «сотрудник принял лучшее решение благодаря модели» лежит цепочка из пяти-шести шагов, и на каждом из них теряется ценность.

Last-mile gap: модель в продакшене не равна ценности

Главный концептуальный вклад исследования — формализация разрыва последней мили между способностью модели производить предсказания и способностью бизнес-пользователя действовать на их основе. Данные опроса показывают, как именно бизнес-пользователи получают доступ к ИИ-инсайтам сегодня, и картина фрагментарна. 34% организаций используют смесь методов доступа, которая варьируется от подразделения к подразделению — это самый частый ответ, и он означает, что в компании нет единого слоя доставки ИИ-результатов, каждый отдел изобретает свой велосипед. 40% по-прежнему полностью зависят как минимум от одного опосредованного метода: запланированный отчёт от команды дата-сайентистов, или заявка аналитику, который запускает расчёт и возвращает результат. Модель готова, но сотрудник, которому нужен ответ, стоит в очереди к человеку, который умеет с ней работать. Это и есть корень плато по окупаемости. Инсайт, который приходит через сутки после того, как он был нужен, стоит столько же, сколько отсутствие инсайта. Модель, которая требует дата-сайентиста для каждого запроса, не масштабируется дальше лаборатории. Технология не отстаёт — отстаёт доставка. Сравните с тем, как работает ИИ-советник с системой памяти: сотрудник задаёт вопрос на естественном языке и получает ответ, учитывающий контекст компании, за секунды, без посредников. Разница между этими двумя сценариями — и есть разница между 5% и 57%.

Агенты без управления: приоритет номер один, governance — нет

Третья находка исследования, пожалуй, самая тревожная для тех, кто отвечает за риск-менеджмент. Расширение агентного ИИ — автономных систем, которые не просто отвечают на вопросы, но и выполняют действия — занимает первое место в приоритетах корпоративных лидеров: 38,5% ставят его на первое место, делит первенство с обучением бизнес-пользователей. Но управление для агентов отстаёт катастрофически. 43% организаций имеют агентный ИИ в управляемом продакшене — с регламентами, аудитом, контролем доступа. Это сегмент, где всё более-менее в порядке. 41% разворачивают агентный ИИ без управления. Из них 29% уже масштабируют — внедряют в боевые процессы, и только 12% пилотируют. То есть тех, кто уже запустил агентов в продакшен без управления, больше чем вдвое больше, чем тех, кто ещё только тестирует. Это означает, что более двух пятых компаний запускают автономные системы, способные принимать решения и выполнять действия, без формального контроля того, что именно они делают. В контексте данных MIT NANDA не удивительно, что 95% пилотов не приносят результата: невозможно измерить окупаемость системы, поведение которой не регламентировано и не отслеживается. Исследование обнаружило чёткую корреляцию: организации, где управление полностью поспевает за ИИ-активностью, в 3,9 раза чаще достигают управляемого агентного развёртывания. Управление не тормозит инновации — оно является предпосылкой для того, чтобы инновации вообще можно было измерить. О важности регламентации бизнес-процессов

Где ИИ реально окупается: паттерны успеха

Если 95% пилотов не приносят финансового результата, возникает закономерный вопрос: что делают оставшиеся 5%? Сводные данные из нескольких исследований позволяют выделить три устойчивых паттерна. Первый паттерн — управляемая доставка инсайта до конкретного человека. Компании из успешных 5% не просто развёртывают модель, они выстраивают канал, по которому результат модели доходит до сотрудника в момент принятия решения, а не в виде еженедельного отчёта. Это может быть интеграция в CRM, чат-бот с доступом к контексту, или ИИ-советник с постоянной памятью. Ключевой принцип — инсайт приходит тогда, когда он нужен, а не когда дата-сайентист освободился. Второй паттерн — измерение результата в часах и деньгах, а не в инновационности. Успешные компании не говорят «мы внедрили ИИ», они говорят «мы сократили время обработки заявки с 45 минут до 12». У MIT, в исследовании производительности службы поддержки, рост составил 14% в среднем по команде и 35% для новых сотрудников — это измеримая экономия онбординга, а не абстрактный вектор развития. Третий паттерн — старт с одного процесса вместо перестройки всего. Контур и SCG в исследовании 2025 года обнаружили, что 60% проектов цифровизации в российском бизнесе проваливаются именно из-за попытки перестроить всё и сразу. Успешные 5% выбирают один конкретный процесс — онбординг, регламенты, базу знаний — и доводят его до измеримого результата, прежде чем масштабировать.

Парето в действии: 20% компаний забирают 75% выгоды

Исследование PwC, опубликованное в апреле 2026 года, обнаружило закономерность, которая объясняет, почему средние цифры по отрасли выглядят так удручающе. Три четверти экономических выгод от ИИ концентрируются всего у 20% компаний. Остальные 80% делят между собой оставшуюся четверть.

Что отличает лидеров от остальных? PwC выявил, что успешные компании фокусируются не на сокращении затрат, а на росте — новые продукты, новые рынки, новые модели монетизации. Компании, которые внедряют ИИ ради экономии, остаются в нижних 80%. Компании, которые используют ИИ для создания ценности, которой раньше не существовало, поднимаются в верхние 20%.

Это согласуется с данными Deloitte: вдвое больше руководителей, чем год назад, сообщают о трансформационном влиянии ИИ на бизнес. Но только 34% компаний по-настоящему переосмысливают свои бизнес-модели, а не просто оптимизируют существующие процессы. Те 34% — это и есть ядро успешных 20%.

Что делать прямо сейчас: практические шаги

Для руководителя, читающего эти данные, выводы достаточно прямолинейны.

Проверьте последний отрезок доставки. Спросите пяти сотрудников, которые должны пользоваться ИИ-инструментами, как именно они это делают. Если ответ «я пишу дата-сайентисту» или «я жду отчёт» — у вас разрыв последней мили, и никакие новые модели его не закроют. Измеряйте в часах, не в моделях. Единственный показатель, который имеет значение — сколько часов в неделю сэкономлено на конкретном процессе. Если метрика не привязана к часам или деньгам, она декоративная. Не запускайте агентов без регламента. Если у вас нет документа, описывающего, что агент может и чего не может делать, кто отвечает за его действия и как откатить результат — не запускайте. Вы попадёте в те 41%, которые масштабируют без контроля. Начните с одного процесса. Выберите область с максимальным количеством повторяющихся вопросов и ручного поиска информации — это онбординг новых сотрудников, регламенты, или база знаний компании. Загрузите контекст в ИИ-систему с постоянной памятью и измерьте результат за неделю.

Как закрыть разрыв последней мили с минимальными трудозатратами

Плато в 57% — это не приговор, а индикатор того, что индустрия инвестирует в модели, но не в доставку. Компании, которые закрывают этот разрыв первыми, получат конкурентное преимущество не от лучшего ИИ, а от лучшей инфраструктуры доставки. recall — ИИ-советник с системой постоянной памяти для бизнеса — создан именно для решения этой задачи. Сотрудник задаёт вопрос на естественном языке и получает ответ, учитывающий специфику компании, её регламенты и уже принятые решения, без посредников и без ожидания. Система памяти означает, что контекст накапливается: чем дольше вы пользуетесь, тем точнее ответы. Узнайте больше о recall и попробуйте бесплатно