В статье на Habr анализируются основные причины, по которым большинство проектов по внедрению ИИ в компаниях терпят неудачу. Автор отмечает, что 95% ИИ-пилотов не достигают измеримого ROI. Причина не в самой технологии, а в неготовности операционной среды: отсутствии структурированных данных, стандартизированных процессов и оркестрации взаимодействия между системами и людьми. Без этих компонентов любая модель, будь то чат-бот для HR или предиктивная аналитика, обречена на провал.
В качестве иллюстрации приводится типовой сценарий: компания запускает ИИ-ассистента для HR, но сталкивается с тем, что заявки приходят в почту, мессенджеры и устно, история обращений не хранится системно, а данные противоречат друг другу. В результате модель уверенно даёт неверные ответы. Такой пилот замораживают, а топ-менеджмент делает вывод, что «ИИ не работает». Согласно прогнозу Gartner, к концу 2026 года организации бросят больше половины ИИ-проектов, не обеспеченных ИИ-ready данными. 60% пилотов не масштабируются из-за проблем с интеграцией и качеством данных.
| Показатель | Значение |
|---|---|
| Доля ИИ-пилотов, не достигающих ROI | 95% |
| Доля пилотов, не масштабирующихся из-за данных | 60% |
| Доля финансовых директоров, сообщивших об отдаче от ИИ в 2025 | 11% |
| Прогноз Gartner о брошенных проектах без AI-ready данных | к концу 2026 года >50% |
Автор подчёркивает, что затраты на очистку данных и наладку процессов часто не учитываются в бюджете, но именно они составляют основную часть операционных потерь. В 2025 году только 11% финансовых директоров сообщили о прямой финансовой отдаче от ИИ-проектов. Каждый провальный пилот укрепляет скепсис руководства, что затрудняет получение бюджета на следующие инициативы. Чтобы избежать этого, компаниям необходимо сначала выстроить «операционную память» — единую среду фиксации событий, управления процессами и маршрутизации задач. В статье предлагается два критерия для самопроверки: наличие «операционной памяти» и формализованные критерии завершения процесса.
