ИИ масштабируется там, где данные в порядке: PYMNTS замерил, в каких функциях корпоративный ИИ реально работает

ИИ масштабируется там, где данные в порядке: PYMNTS замерил, в каких функциях корпоративный ИИ реально работает

Корпоративный ИИ приживается не там, где он перспективнее всего, а там, где у компании структурированные данные, у процесса есть владелец и результат можно измерить. В августовском выпуске The Enterprise AI Benchmark Report компания PYMNTS Intelligence зафиксировала: 95% финансовых компаний уже широко используют или глубоко встроили новые ИИ-инструменты в функцию данных и технологий, в healthcare — 84%, в медиа — 81%. Внутри этой функции 77% масштабировавших компаний применяют ИИ для мониторинга безопасности. При этом почти все опрошенные компании получают от ИИ хоть какой-то финансовый возврат, но полную окупаемость видят только 5–10%, и минимум половина компаний в каждой отрасли ждёт полного возврата вложений пять-шесть лет.

Что это за исследование — и где у него слабые места

Речь про два документа PYMNTS Intelligence. Первый — августовский выпуск The Enterprise AI Benchmark Report, опубликованный 20 августа 2026 года. Второй — отчёт The Enterprise AI Payback Curve от 4 августа, на который первый опирается.

Методология: опрос 60 старших технологических руководителей — тех, кто в компании первым лицом принимает решения по ИИ, — в американских фирмах с годовой выручкой от 1 млрд долларов. Опрос проводился в июне 2026 года. Под «новыми ИИ-инструментами» PYMNTS понимает всё, что построено на больших языковых моделях и агентском ИИ со времён выхода ChatGPT в ноябре 2022 года.

Сразу о слабых местах, чтобы вы понимали, на что опираетесь. Выборка — 60 человек. Это не 1217 компаний, как у PwC в глобальном опросе ценности ИИ. Все респонденты — американские и очень крупные: фильтр в миллиард выручки отсекает и средний сегмент, и малый. Ответы — самоотчёт руководителей, а не финансовый аудит: если директор считает, что ИИ «работает», это попадает в статистику как успех. И ещё одно: PYMNTS Intelligence — исследовательское подразделение медиахолдинга, их отчёты нередко выходят со спонсором. Кто спонсировал эти два выпуска — с открытых страниц не видно, вместо полной версии там форма регистрации. Я не знаю, есть ли там конфликт интересов. Знаю только, что вопросом стоит задаться.

Где ИИ реально работает: данные, безопасность, казначейство

Начну с главного числа. В функции данных и технологий широкий или глубоко встроенный ИИ — уже норма: 95% финансовых компаний, 84% компаний healthcare, 81% медиа. Это почти все. Не «пилотируют», а используют ежедневно.

Что именно делают эти компании внутри функции? PYMNTS приводит разбивку: 77% компаний, масштабировавших ИИ в данных и технологиях, используют его для мониторинга безопасности. Оптимизация инфраструктуры — 68%. Приём и очистка данных — тоже 68%. Инструменты governance — 63%.

Присмотритесь к списку. Ни маркетинговых текстов, ни «креативных ассистентов». Мониторинг инцидентов, инфраструктура, очистка данных, контроль самого ИИ. Скучные, невидимые снаружи задачи. У них есть одно общее свойство: до внедрения ИИ существовала базовая линия. Количество инцидентов в месяц. Стоимость инфраструктуры. Доля грязных записей. После внедрения ту же метрику меряют снова — и видят разницу. Есть что показать совету директоров, есть по чему оптимизировать.

В платежах и финансе та же картина, но с разбросом: около девяти из десяти финансовых компаний масштабировали ИИ в этих функциях, в healthcare — 63%, в медиа — 43%. Меньше половины. Лидирующие применения — управление казначейством и ликвидностью, автоматизация дебиторки и кредиторки, оптимизация ценообразования. Опять функции с цифрой на выходе: денежная позиция, дни просрочки, маржа.

Формулировка самого отчёта точнее любого пересказа:

«Компании масштабируют ИИ не обязательно там, где технология выглядит наиболее перспективной. Они масштабируют его там, где операционная среда делает ИИ проще всего контролировать, оценивать и улучшать».

Где ИИ буксует: продажи, риски, кадры

Теперь обратная сторона. Функция роста и выручки — то, ради чего всё затевалось. У финансовых компаний широко разворачивают ИИ там только три из десяти. В цепочках поставок, в рисках и комплаенсе, в HR и управлении персоналом — по данным PYMNTS, использование новых ИИ-инструментов сидит в фазе предварительных экспериментов или ограниченных пилотов.

Тут есть деталь, которая ломает простое объяснение. Я сначала решил, что медиа отстают от банков в платежах и финансе из-за денег — меньше бюджет, меньше внедрений. Потом посмотрел на функцию роста и выручки и понял, что ошибался: глубоко встроили ИИ в продажи почти каждый десятый медиа-игрок — почти вдвое больше, чем у финансовых компаний. То есть в одной и той же отрасли ИИ прорывается в одну функцию и буксует в другой. Дело не в размере бюджета. Дело в том, у какого процесса есть владелец, чистые данные и метрика «до/после».

И отдельно про HR. MIT в исследовании для Science ещё в 2023 году показал самый большой эффект ИИ именно на людей: +14% продуктивности в среднем и +35% у новичков — мы это разбирали в статье про онбординг. Эффект измерен. Но в корпоративном масштабировании по данным PYMNTS HR — среди самых отстающих функций. Эффект в контролируемых условиях есть, в масштабе компании — эксперименты. Сопоставьте эти два факта. Объяснения у меня нет — данных не хватает.

Окупаемость: 5–6 лет и 5–10% компаний

Отчёт The Enterprise AI Payback Curve добавляет финансовое измерение, и оно неприятное. Почти все опрошенные компании говорят, что получают от ИИ хотя бы некоторый финансовый возврат. Но почти никто не говорит, что инвестиции окупились полностью: полную отдачу сейчас видят только 5–10%. Минимум половина фирм в каждой отрасли ждёт полной окупаемости пять-шесть лет.

Переведу в быт. Пять-шесть лет — это два-три годовых бюджета подряд, в каждом из которых строка «ИИ» защищается перед финансистами без доказанной полной отдачи. Из десяти компаний полная окупаемость — у одной, ну максимум у двух, если верна верхняя граница в 10%. Остальные восемь-девять всё ещё ждут. Восемь против двух — это не погрешность, это состояние рынка.

Как это стыкуется с цифрами провалов, которые мы разбирали раньше: RAND — 80% провальных проектов, MIT NANDA — 95% без измеримого возврата в отчётности, Gartner — 40% отменённых агентских проектов к 2027 году? Никак не стыкуется — и это честный ответ. RAND считал судьбу конкретных проектов, PYMNTS — восприятие руководителей функций. «Какой-то возврат есть почти у всех» и «80% проектов не доходит до продакшена» могут быть верны одновременно: выжившие проекты понемногу возвращают деньги, а трупы пилотов в опрос про возвраты не попадают. Какие из цифр ближе к вашей компании — зависит от того, куда попадёт ваш следующий проект. Это не ответ, я знаю. Но придумывать связку там, где её нет, было бы хуже.

Вендоры уже поняли: 8 млрд долларов на внедрение вместо новых моделей

Самое любопытное — рынок уже проголосовал деньгами. Летом 2026 года Microsoft запустила Frontier Company: 2,5 млрд долларов и около шести тысяч инженеров и отраслевых специалистов, чья работа — сидеть внутри клиентских организаций и строить ИИ-системы с измеримым результатом. Amazon выделил на параллельную задачу 1 млрд. OpenAI создала Deployment Company — дочку с более чем 4 млрд долларов от 19 инвесторов, среди которых TPG, Bain Capital и Goldman Sachs, плюс купленная консалтинговая фирма Tomoro со 150 инженерами внедрения. Anthropic собрал совместное предприятие на 1,5 млрд с Blackstone, Hellman и Friedman и всё тем же Goldman Sachs — под средние компании без собственных команд.

Дениз Дресслер, директор по доходам OpenAI, сформулировала это ещё в мае в комментарии CNBC: «Задача больше не в способностях модели. Задача — помочь компаниям встроить ИИ-системы в инфраструктуру и рабочие процессы, которые питают их деятельность». И про форвард-инженеров: «Они могут сидеть внутри организации, рядом с пользователями, понимать рабочий процесс и помогать соединять возможности бэк-офисных приложений с моделью, выстраивая интеллект вокруг каждого этапа работы».

Вдумайтесь: OpenAI — компания, которая зарабатывает на продаже доступа к моделям, — тратит миллиарды на то, чтобы её модели заработали внутри чужих процессов. Тот же отчёт PYMNTS это объясняет: 71% руководителей компаний с выручкой от миллиарда называют главным барьером организационную готовность, и только 11% — саму технологию. Модели стали commodity — даже ценообразование OpenAI уже повернулось к корпоративному сегменту, а выручка от корпоративных клиентов обогнала потребительскую. Дефицит переехал из модели в процесс.

Что это значит для компании без миллиардной выручки

У вас нет 2,5 млрд на собственную Frontier Company — и не нужно. Закон из отчёта PYMNTS масштабируется вниз без потерь: ИИ работает там, где данные структурированы, у процесса есть владелец и результат измерим. В небольшой компании это те же самые места, что у банков: документооборот, регламенты, база знаний, поддержка. Не «трансформация всей компании», а конкретная функция, у которой можно померить «до» и «после».

Если начать с функции, где данные не в порядке, — ИИ там будет показывать демо и прохлаждаться. Не потому что модель плохая, не потому что бюджет мал. А потому что нечему давать обратную связь: нет базовой линии, нет метрики, нет владельца, который решит — расширять, чинить или закрывать. Пилоты без обратной связи — это те самые 40% отмен по Gartner и 80% провалов по RAND, просто с другим ценником.

Мы в recall строим советника с системой памяти ровно по этой логике: сначала наводится порядок в том, что компания уже знает — договоры, регламенты, решения, процессы, — и только потом поверх памяти работает модель. Не «ИИ трансформирует всё», а измеримая функция с владельцем. Скучно? Возможно. Окупается? По крайней мере, это единственная схема, за которую голосуют деньгами и банки, и сами вендоры моделей.

И если вы уже вымотались этими пилотами — закройте этот текст и вернитесь к нему позже, когда восстановитесь. Усталому руководителю любой разбор пойдёт в пустоту, а текст никуда не убежит.

Последнее, честно. Я не знаю, сколько в этих пяти-шести годах окупаемости — реальная физика затрат, а сколько — неумение считать эффект: если у функции нет метрики, возврат не увидят и через десять лет, даже если он есть. Данные PYMNTS этого не различают — они спрашивали руководителей, а не бухгалтерию. Мой опыт говорит, что в малых командах счёт сходится быстрее, чем в корпорациях на миллиард, потому что там меньше слоёв, размазывающих эффект. Цифры PYMNTS — про корпорации — с этим не спорят, но и не подтверждают. Где правда — я пока не нашёл.