В 2025 году совокупные расходы компаний на генеративный ИИ достигли примерно 644 млрд долларов, по оценкам Gartner и смежных исследований. При этом более 80% проектов не достигают заявленных целей, а доля инициатив, добравшихся до устойчивого продакшена, остаётся ниже 15%. Эти цифры из отчётов McKinsey State of ИИ 2025 и других аналитических работ приводит Никита Устриков в статье на Хабре, основанной на данных MIT NANDA, Gartner, McKinsey, стратегии развития ИИ в БКС и докладе на TechWeek-2026.

Исследование MIT NANDA, охватившее свыше 300 инициатив, показывает ещё более жёсткую картину: около 95% пилотных GenAI-проектов не дают измеримого эффекта на прибыль или производительность, оставаясь в статусе POC или локальных пилотов. Это совпадает с позицией Gartner, которая в 2025 году поместила генеративный ИИ в фазу разочарования (Trough of Disillusionment) на своём Hype Cycle. Первоначальные ожидания не оправдались, и внимание смещается с эффектных демо на архитектуру, данные, governance и ROI.

Автор выделяет пять причин, по которым корпоративные ИИ-проекты не доходят до результата. Первая — отсутствие измеримой бизнес-цели на старте: инициативы начинаются с формулировок «нам нужен ИИ» без чётких метрик в деньгах или операционных показателях. Вторая — автоматизация сломанных процессов: если процесс хаотичен, ИИ масштабирует его состояние, а не исправляет, создавая «дорогой сломанный процесс». Третья — неполный учёт полной стоимости владения (TCO): в расчёт часто включают только разработку, забывая про инфраструктуру, токены, поддержку и обучение пользователей. Четвёртая — выбор инструмента до формулировки задачи: сначала фиксируется модель или вендор, а потом под них пытаются выстроить работу. Пятая — отсутствие персонального владельца результата в продакшене: за бизнес-эффект после запуска никто не отвечает численно.

Для отсеивания заведомо провальных инициатив в БКС используют сравнительную рамку: проект с проблемными характеристиками отличается от здорового отсутствием финансовой модели, чётких метрик и ответственного за результат. Автор подчёркивает, что проблема не в качестве моделей, а в organisational practices: выборе задач, процессах и управлении результатом. Это подтверждается и тем, что агентные системы (agentic ИИ) и ИИ-ready data, которые сейчас на пике завышенных ожиданий, рискуют повторить путь GenAI, если компании не учтут эти уроки.