Почему большинство проектов ИИ в среднем бизнесе терпят неудачу и как этого избежать

Многие компании среднего бизнеса запускают проект ИИ с большими ожиданиями, а год спустя оказываются перед пилотным проектом, который так и не был введен в продуктивную эксплуатацию. Это не единичный случай, а уже правило, и соответствующие цифры теперь берутся не только из консалтинговых презентаций, а из независимых исследований с участием сотен опрошенных компаний.

Сколько проектов ИИ на самом деле терпят неудачу?

Согласно исследованию инициативы MIT NANDA от 2025 года, в котором были проанализированы 300 внедрений ИИ, а также проведены интервью со 150 руководителями и опрос более 350 сотрудников, 95 процентов внутрикорпоративных пилотных проектов генеративного ИИ не приносят измеримой отдачи от инвестиций (Return on Investment) (источник: MIT NANDA, материалы Fortune, август 2025).

Отчет называется «The GenAI Divide» и ясно показывает, что проблема редко кроется в самой языковой модели. Причина в так называемом разрыве в обучении (Learning Gap): компаниям не удается интегрировать инструменты ИИ в существующие рабочие процессы, зоны ответственности и корпоративную культуру, вместо того чтобы применять их изолированно, наряду с повседневной деятельностью.

На чем конкретно терпят неудачу проекты ИИ в среднем бизнесе?

В конце 2025 года Gartner опросила в общей сложности 782 руководителя, ответственных за ИТ-инфраструктуру и эксплуатацию, и установила, что лишь 28 процентов сценариев применения ИИ в этой области действительно приносят ожидаемую отдачу, тогда как 20 процентов полностью терпят неудачу (источник: Gartner, пресс-релиз от 7 апреля 2026).

57 процентов руководителей, сообщивших как минимум об одном неудачном проекте, назвали главной причиной то, что ожидали слишком многого и слишком быстро. Еще по 38 процентов дополнительно указали в качестве причин пробелы в квалификации команды и недостаточное качество данных. Применительно к немецкому среднему бизнесу это означает: тот, кто планирует проект ИИ как классическое внедрение программного обеспечения с фиксированным техническим заданием, недооценивает, сколько доработок в отношении данных, процессов и ожиданий на самом деле требуется.

«Доля неудачных проектов в 20 процентов в основном обусловлена инициативами ИИ, которые либо слишком амбициозны, либо плохо очерчены. ИИ, который не соответствует существующим процессам, попросту не может обеспечить ROI», — отметила Melanie Freeze, директор по исследованиям Gartner, комментируя исследование (перевод редакции). Ее рекомендация ИТ-руководителям: начинать с качественных, реализуемых пилотных проектов, вместо того чтобы гнаться за крупными проектами ИИ.

Почему именно крупные, амбициозные проекты ИИ терпят неудачу чаще?

Согласно исследованию MIT, более половины бюджетов на генеративный ИИ направляется на инструменты продаж и маркетинга, тогда как, по данным опрошенных компаний, доказуемо наибольшая польза заключается в неприметных бэк-офисных процессах, например при замене аутсорсинга или расходов на внешние агентства.

Крупные, общекорпоративные программы ИИ с множеством одновременных сценариев применения порождают именно ту сложность, на которой, по данным Gartner, спотыкается большинство неудачных проектов: неясная бизнес-польза, растущие расходы, отсутствие контроля над качеством данных. Отдельный же, четко ограниченный сценарий применения можно оценить, скорректировать или прекратить за несколько недель, не связывая при этом шестизначный бюджет.

Для компании среднего бизнеса с ограниченной ИТ-командой добавляется еще один эффект: крупная программа ИИ на месяцы занимает именно тех специалистов, которые должны поддерживать текущую деятельность. Если программа терпит неудачу спустя девять месяцев, этих мощностей не хватает вдвойне, и в проекте, и в обычной работе.

Как выглядит проект ИИ, который не терпит неудачу?

Согласно исследованию MIT, успешные проекты ИИ объединяет общая закономерность: тесная связь между инструментом ИИ и конкретным бизнес-процессом, который он должен улучшить, вместо изолированного внедрения инструмента наряду с текущей деятельностью.

Именно на это рассчитана модель NordFlux «пилот в первую очередь» (Pilot-first). Вместо многомесячного внедрения с неопределенным исходом каждый проект начинается с четко ограниченного 30-дневного пилотного проекта: один процесс, одна измеримая цель, критерий успеха, который определен заранее, а не согласовывается впоследствии. На практике в NordFlux это означает: клиент сначала планирует комплексную программу автоматизации для нескольких отделов, мы совместно выделяем один, четко измеримый процесс, например проверку счетов или запись на прием, тестируем его 30 дней в реальной эксплуатации, и только после подтверждения реального снижения нагрузки происходит масштабирование. Если пилотный проект не удается, ущерб составляет затраты одного месяца, а не сожженный годовой бюджет.

Подробнее о нашем подходе вы можете прочитать в разделе нашей услуги Консалтинг по ИИ, а о создании отдельных цифровых сотрудников по принципу пилотного проекта — в разделе нашей услуги ИИ-агенты.

Часто задаваемые вопросы

Сколько должен длиться пилотный проект ИИ?

В модели NordFlux 30 дней. Этого достаточно, чтобы протестировать отдельный процесс в реальной эксплуатации и подтвердить измеримую пользу, не связывая при этом крупный бюджет.

Как заранее распознать, что проект ИИ, вероятно, потерпит неудачу?

Типичные тревожные сигналы — это слишком широкий охват сразу нескольких отделов, отсутствие заранее определенного критерия успеха и непроверенная база данных; по данным Gartner, это три самые распространенные причины неудачных проектов ИИ.

Является ли ИИ в среднем бизнесе в принципе слишком рискованным?

Нет. И MIT, и Gartner объясняют неудачи преимущественно организационными причинами, а не самой технологией. Четко ограниченные, хорошо интегрированные сценарии применения доказуемо приносят результаты.

Что NordFlux делает иначе, чем классический крупный проект ИИ?

Мы начинаем с одного измеримого процесса вместо общекорпоративного внедрения, определяем критерий успеха до начала пилотного проекта и масштабируем только после подтверждения реального снижения нагрузки.

Какие процессы лучше всего подходят для первого пилотного проекта ИИ?

Повторяющиеся, основанные на правилах бэк-офисные процессы с четко измеримыми трудозатратами, например проверка счетов, запись на прием или ввод данных, согласно обоим исследованиям, лучше всего подходят для первого малорискового теста.