Внедрение ИИ в компанию: шесть точек, где оно проваливается

Где рвётся внедрение. Внедрение ИИ в компанию чаще всего проваливается в одной из шести точек, и почти все они лежат за пределами самой модели. У проекта нет владельца с правом менять процесс. До старта никто не снял замер, а сам процесс живёт в головах двух сотрудников, которым ещё предстоит объяснить его подрядчику. Данные нельзя отдавать наружу. Люди тихо обходят новый инструмент, который к тому же купили раньше, чем сформулировали задачу. В опросе S&P Global доля компаний, которые бросили большинство ИИ-инициатив до промышленного запуска, за год выросла с 17% до 42%. Ниже для каждой точки собраны признаки второй недели и вопросы, которые стоит задать до подписания счёта.

«Пилот прошёл» и «внедрение состоялось»: это разные события

Пилот обычно заканчивается презентацией. Модель отвечает на подобранные вопросы с приличной точностью, и в протоколе появляется слово «успешно». Внедрение начинается позже, когда той же системой месяцами пользуются обычные сотрудники на обычном потоке, а у финансового директора появляется строка с эффектом.

Между этими событиями проекты и теряются. S&P Global Market Intelligence в отчёте мая 2025 года опросил 1 006 специалистов из ИТ и бизнеса Северной Америки и Европы. По их словам, в среднем 46% проектов списываются между проверкой концепции и широким внедрением. IBM опросил 2 000 CEO из 33 стран и увидел ту же картину с другой стороны: ожидаемую отдачу за последние годы принесли 25% ИИ-инициатив, на всю компанию масштабированы 16%. Gartner ещё в июле 2024 года прогнозировал, что к концу 2025 года после проверки концепции бросят как минимум 30% проектов генеративного ИИ.

Самая дорогая иллюстрация этого разрыва случилась задолго до чат-ботов. В 2012 году онкологический центр MD Anderson заказал у IBM пилот на базе Watson: система должна была помогать врачам выбирать лечение. Первый договор был на полгода и 2,4 млн долларов. Его продлевали двенадцать раз, и к ноябрю 2016 года аудиторы Техасского университета насчитали около 62,1 млн долларов, выплаченных внешним подрядчикам. В отчёте сказано, что система «is not in clinical use», то есть в клинике её не применяют. При этом внутренний пилот по раку лёгкого, по словам сотрудников, давал точность прогноза около 90%. Пилоты шли на старой системе медицинских карт, клиника тем временем перешла на новую, и к ней решение так и не подключили.

В договоре на пилот стоит заранее записать, что считается переходом к внедрению: на каком потоке и в какой учётной системе предстоит работать, по какому показателю будут оценивать результат. Чек-лист приёмки по пунктам есть в статье про цену и приёмку ИИ-агента.

Почему внедрение ИИ проваливается: шесть точек разрыва

Причины провала подробно разобрала RAND Corporation, некоммерческая исследовательская организация из США. В 2024 году её авторы расспросили 65 специалистов по данным и инженеров, у каждого не меньше пяти лет работы с моделями. Корневых причин в отчёте пять:

1. задачу плохо поняли или плохо объяснили;
2. данных для модели не хватило;
3. компания увлеклась технологией;
4. для данных и моделей не было инфраструктуры;
5. ИИ поручили задачу, которую он решить не может.

Чаще всего специалисты говорили о решениях и ожиданиях руководства: 84% опрошенных назвали хотя бы одну связанную с ними причину главной причиной провала.

Мы сопоставили выводы RAND с данными крупных опросов и выделили шесть точек, где ошибки внедрения ИИ встречаются чаще всего.

1. Нет владельца с полномочиями

Проект часто отдают в ИТ-отдел или энтузиасту, который первым попробовал чат-бот. У такого человека нет права переписать регламент отдела продаж или поменять норму выработки операторам. Пока энтузиаст тянет проект на себе, тот живёт. Но как только требуется чужое решение, работа замирает.

McKinsey в мартовском отчёте 2025 года проверил, какие элементы управления сильнее всего связаны с эффектом ИИ в прибыли. Сильнее прочих оказался контроль первого лица над управлением ИИ, особенно в крупных компаниях. При этом сам CEO отвечает за него у 28% опрошенных. В отчёте McKinsey «The state of AI in 2025», вышедшем в ноябре, выделены лидеры, около 6% выборки: они приписывают ИИ не меньше 5% операционной прибыли. Их топ-менеджеры втрое чаще, чем у остальных, по-настоящему владеют ИИ-инициативами и отвечают за них.

В разговоре партнёров McKinsey о книге «Rewired» есть узнаваемый признак безнадёжного проекта. На совещании звучит вопрос о технологиях, все поворачиваются к единственному человеку, у которого это слово стоит в должности, и становится ясно, что ничего не выйдет. Там же объясняют, почему число удачных пилотов консультантов интересует меньше, чем число сквозных процессов, масштабированных на всю компанию. Ролик на английском, двадцать минут.

На второй неделе уже видно, куда уходят вопросы. Если любое изменение процесса ждёт совещания у руководителя отдела, а ответственный за проект может только передать просьбу, полномочий у него нет. Владельцем лучше назначить того, кто отвечает за показатель процесса и может сам поменять порядок работы. У него должно быть и право остановить проект при плохих результатах.

2. Нет замера до старта

Когда цифры «до» нет, эффект обсуждают на ощущениях: руководителю кажется, что стало быстрее, сотрудники жалуются, что перепроверки прибавилось. В мартовском исследовании McKinsey из двенадцати практик внедрения теснее прочих с прибылью связано отслеживание понятных KPI. Однако отслеживает их меньше одной компании из пяти.

Громкие цифры без замера плохо переживают проверку. Klarna в 2024 году объявила, что ИИ-ассистент делает работу 700 сотрудников поддержки. В проспекте для американского регулятора SEC в сентябре 2025 года это число подано уже как оценка по снижению числа разговоров у штатных операторов. Расходы на поддержку и операции по тому же документу снижались с 2022 года: 287, затем 240 и 203 млн долларов. Получается, часть экономии началась до запуска ассистента в феврале 2024 года. При этом каждому клиенту компания обещает возможность поговорить с человеком.

Commonwealth Bank of Australia обошёлся без замера совсем. В июле 2025 года банк объявил, что заменит голосовым ботом 45 ролей в поддержке, и сослался на то, что звонков стало на 2 000 в неделю меньше. Профсоюз финансового сектора подал спор в Fair Work Commission и указал, что доказательств этой цифры банк так и не показал. По словам профсоюза, звонков на деле становилось больше: сотрудникам предлагали сверхурочные, даже руководителей групп сажали на телефоны. 21 августа банк отменил сокращение и пообещал извиниться перед 45 сотрудниками.

До пилота ИИ нужно посчитать, сколько единиц работы проходит за неделю и сколько минут уходит на каждую. Отдельно зафиксировать долю, которая возвращается на переделку. Как снять такой замер, показано в статье о внедрении ИИ в маркетинг, там же посчитан порог потока и срок окупаемости трёх процессов. Из российских компаний способ проверки описала X5. Эффект ИИ-решений за 2025 год она оценивает примерно в 5 млрд рублей дополнительной операционной прибыли и по ключевым инициативам, как она пишет, проверяет его A/B-тестами. Сами тесты не опубликованы.

На второй неделе достаточно спросить, «сколько было до запуска». Если в ответ дают оценку или обещают посчитать потом, сравнивать результат пилота пока не с чем.

3. Процесс не описан словами

Автоматизировать можно только то, что кто-то способен записать. Часто главный процесс живёт в голове у двух опытных сотрудников, и подрядчик первый месяц выясняет у них, как устроена работа. Проверить готовность можно за полчаса: попросите того, кто ведёт процесс, объяснить его новичку за двадцать минут, вместе с исключениями и с тем, что считается готовым результатом. Если объяснение не складывается, подрядчику придётся собирать процесс по кусочкам из разговоров. До этого опереться модели будет не на что.

McKinsey в марте 2025 года проверил 25 признаков. С эффектом ИИ в прибыли заметнее всего оказалась связана переработка рабочих процессов, хотя фундаментально изменить хотя бы часть из них успел лишь 21% компаний, использующих генеративный ИИ. В ноябрьском отчёте разрыв виден ещё нагляднее: у лидеров отдельные процессы переработали 55%, у остальных 20%.

Михаил Степнов, во время записи директор центра R&D МТС Big Data, говорит об этом в подкасте Школы управления СКОЛКОВО жёстче. Если люди сами не знают, как они работают, внедрение даст «автоматизированное незнание» того, как они работают. Первые этапы внедрения он называет обменом денег на опыт, потому что компания в основном платит за то, чтобы разобраться в себе. Самое полезное для руководителя идёт примерно с 12-й по 25-ю минуту: там про сопротивление сотрудников и про описанные процессы.

К концу второй недели подрядчик уже должен работать с описанием процесса. Если он всё ещё собирает у сотрудников исключения и каждую новую ветку согласовывает заново, записанного процесса у проекта пока нет.

4. Данные не готовы, и здесь начинается 152-ФЗ

Gartner в июле 2024 года опросил 1 203 руководителя по управлению данными. У 63% организаций практик работы с данными для ИИ нет или руководители в них не уверены. На этом основан прогноз аналитиков: до конца 2026 года компании бросят 60% ИИ-проектов, под которыми нет готовых данных. В России о той же проблеме говорят данные ИСИЭЗ НИУ ВШЭ по обследованиям Росстата. Среди барьеров, которые называют крупные и средние организации, нехватка и невысокое качество данных стоят на втором месте с 34%, после высоких затрат (54%).

Неготовые данные выглядят буднично. Таблицы лежат в разных отделах, в них дублируются клиенты, а прайс существует в трёх версиях. Есть и юридическая сторона. Имя, телефон, переписка клиента и резюме соискателя по 152-ФЗ считаются персональными данными. Трансграничной передачей закон называет передачу таких данных иностранному юридическому лицу на территории другой страны (п. 11 ст. 3), поэтому вставка их в зарубежный чат-бот может оказаться трансграничной передачей. Отдельного разъяснения Роскомнадзора о нейросетях на конец сентября 2026 года нет. Если передача всё же трансграничная, оператор обязан заранее и отдельно уведомить Роскомнадзор (ч. 3 ст. 12).

Рядом стоит требование о локализации, и оно устроено иначе. С 2025 года закон прямо запрещает при сборе персональных данных граждан России записывать, хранить и извлекать их с помощью баз данных за пределами страны (ч. 5 ст. 18 в редакции 23-ФЗ от 28.02.2025). Эта норма говорит о сборе данных и о базах, в которых они хранятся. Штраф для компании за её нарушение составляет от 1 до 6 млн рублей, за повторное от 6 до 18 млн (ч. 8 и 9 ст. 13.11 КоАП).

С 1 сентября 2026 года действует и закон об ИИ, 243-ФЗ от 26.07.2026 «О поддержке развития технологий искусственного интеллекта в Российской Федерации». Общего запрета частному бизнесу пользоваться зарубежными моделями в нём нет. С 1 марта 2027 года Правительство получит право устанавливать случаи, когда допускаются только суверенные или национальные большие модели. Какие сферы попадут в этот перечень, на конец сентября 2026 года неизвестно.

И Сбер, и hh.ru говорят о двух путях: обезличивать данные до передачи или работать с моделью в контуре компании либо в российском облаке. Мы советуем начинать с первого. Персональные данные обезличиваются на вашем сервере до отправки. В зарубежную модель уходит текст без имён и телефонов, а таблица соответствий остаётся в России. Зарубежная модель в такой схеме работает как вычислитель, а сами данные клиентов страну не покидают. Этот раздел составлен по тексту норм и юридической консультацией не является. Схему проекта с клиентскими данными стоит заранее показать юристу.

На второй неделе тревогу должно вызвать отсутствие ответа на конкретный вопрос: какие поля из CRM уходят в модель и в какой стране она работает.

5. Люди тихо сопротивляются

Открытый бунт встречается редко. Гораздо чаще сотрудники продолжают работать по-старому и вручную перепроверяют каждый ответ модели, хотя в отчёте пишут, что всё в порядке. Параллельно многие пользуются ИИ в обход компании. KPMG и Мельбурнский университет на рубеже 2024 и 2025 годов опросили больше 48 000 человек в 47 странах. 57% работающих признали, что пользовались ИИ непрозрачно: скрывали это или выдавали результат за свой. 48-49% загружали в публичные ИИ-сервисы чувствительные данные компании, в том числе клиентские. Правила компании при работе с ИИ чаще всего нарушают там, где генеративный ИИ запрещён: 67% против 33% в компаниях без таких правил.

Причину скрытности хорошо видно в Work Trend Index 2024 от Microsoft и LinkedIn (31 000 работников умственного труда, 31 рынок). 53% тех, кто пользуется ИИ на работе, боятся, что с ним в важных задачах будут выглядеть заменимыми. Собственные ИИ-инструменты приносят на работу 78%, а в малых и средних компаниях 80%. Степнов в том же подкасте СКОЛКОВО передаёт это одной фразой сотрудника: «Я боюсь оказаться заменённым и ненужным».

С предыдущей точкой этот разрыв связан напрямую: запрет без удобного официального инструмента подталкивает людей нести клиентские данные в публичные сервисы. Помогает обратный порядок действий. Сначала сотрудникам объясняют, зачем компания внедряет ИИ и что будет с их ролями, затем выдают утверждённый инструмент. После этого можно честно считать, кто им пользуется.

Расхождение обычно видно уже на второй неделе: журнал системы показывает единицы обращений, хотя отчёты отдела говорят об успешном использовании.

6. Инструмент выбран раньше задачи

В отчёте RAND эта причина звучит так: организация «focuses more on using the latest and greatest technology than on solving real problems for its intended users». Иначе говоря, компанию прежде всего занимают не проблемы людей, для которых строится система, а новейшая технология. IBM услышал то же от самих первых лиц: 64% опрошенных CEO признают, что страх отстать заставляет их вкладываться в некоторые технологии раньше, чем понятна их ценность для компании.

На практике это платформа, купленная под процесс, которого пока нет, или подписка на чат-бот, выданная всем с пожеланием найти ей применение. Добавляется и зависимость от одного поставщика: если логика процесса, инструкции модели и данные живут внутри чужой платформы, смена подрядчика превращается в новый проект. До выбора инструмента полезно проверить сам процесс: в соседнем материале разобраны четыре признака процесса, который можно отдать ИИ.

При чтении описания проекта сравните, как часто в нём встречаются название продукта и название процесса вместе с показателем, который предстоит улучшить. Если продукт упоминают чаще, это признак того, что инструмент выбрали раньше задачи.

Шесть точек разрыва в одной таблице

Таблицу удобно пройти с подрядчиком до подписания договора.

Где рвётся	Что видно на второй неделе	Что спросить до старта
владелец	изменения процесса ждут совещания, ответственный только передаёт просьбы	кто может сам поменять регламент и остановить проект
замер до старта	на вопрос «сколько было» отвечают оценкой	какие три числа сняты до запуска и когда повторим замер
описание процесса	подрядчик всё ещё собирает исключения у сотрудников	объяснит ли ведущий процесс его новичку за двадцать минут
данные и 152-ФЗ	никто не знает, какие поля уходят в модель и где она работает	какие персональные данные попадут в систему и в какой стране их обработают
люди	в журнале единицы обращений, в отчётах всё хорошо	что сотрудникам сказали про их роли и кто считает реальное использование
инструмент	продукт назван, процесс и показатель нет	какую задачу решаем и почему выбран именно этот инструмент

Разрыв в любой из шести точек может остановить внедрение, даже когда модель показывает хорошую точность. В случае MD Anderson точность прогноза была около 90%, но систему всё равно не довели до клиники: решение осталось на старой системе медицинских карт.

Неделя до решения

Перед тем как подписывать счёт, стоит потратить неделю на вопросы. Сначала себе:

• кто в компании отвечает за показатель процесса и готов стать владельцем проекта;
• какие три числа описывают процесс сегодня и кто снимет их до старта;
• при каком результате через три месяца мы продолжаем, а при каком останавливаемся;
• какие персональные данные клиентов и сотрудников окажутся в системе.

Затем подрядчику:

• на каком потоке и в какой нашей системе пройдёт пилот и что будет считаться переходом к внедрению;
• что вы сдаёте по договору, отчёт о пилоте или работающий процесс с замером;
• где физически работает модель и какие данные уходят за пределы компании; хороший ответ: имена и телефоны заменяются метками ещё у вас, наружу уходит текст без них, а ключ к меткам хранится в России;
• что останется у нас при смене подрядчика: описание процесса, инструкции модели, данные;
• кто на вашей стороне отвечает за результат после запуска.

В цену пилота входит и работа подрядчика, и время ваших людей, хотя второе в сметах обычно не видно. Аудиторы MD Anderson отдельно оговорили, что 62,1 млн долларов включают только выплаты внешним фирмам, без времени своих сотрудников и инфраструктуры. По срокам ориентир даёт MIT NANDA: у лучших компаний выборки путь от пилота до полного внедрения занимал в среднем 90 дней, у крупных компаний девять месяцев и больше. Цифра получена из интервью. Всё же на неё можно опереться при оценке сроков: если пилот на одном процессе полгода висит без решения, пора пересматривать проект.

Бывает, что правильный ответ звучит как «не внедрять». Так стоит поступить, если процесс нельзя описать словами и заняться этим некому или ни один руководитель не готов стать владельцем. Отказаться стоит и тогда, когда ошибку модели трудно заметить, а бьёт она по клиенту или по отношениям с регулятором. В таких случаях деньги разумнее потратить на описание процесса и порядок в данных. К вопросу о внедрении можно вернуться через полгода с цифрами на руках.

Частые вопросы

Почему внедрение ИИ проваливается чаще обычных ИТ-проектов?

RAND приводит чужие оценки, по которым проваливается больше 80% ИИ-проектов, вдвое чаще ИТ-проектов без ИИ. Собственный вывод исследования касается причин: чаще всего проект губят решения и ожидания руководства, второй по частоте идёт нехватка данных.

Сколько должен длиться пилот ИИ?

Столько, чтобы замер после запуска можно было сравнить с замером до него на обычном потоке. По оценке MIT NANDA, у лучших компаний выборки от пилота до полного внедрения проходило около 90 дней. Если за этот срок так и не решили, продолжать или останавливаться, проекту не хватает владельца или критерия.

Можно ли сотрудникам вставлять данные клиентов в зарубежный чат-бот?

Имя и телефон клиента, как и его переписка, относятся к персональным данным. Их передача зарубежному сервису может оказаться трансграничной, и тогда о ней нужно заранее уведомить Роскомнадзор; отдельного разъяснения регулятора о нейросетях пока нет. Безопаснее обезличивать данные или брать модель в контуре компании. Это не юридическая консультация, схему проекта стоит показать юристу.

Запрещает ли закон об ИИ зарубежные модели?

243-ФЗ вступил в силу 1 сентября 2026 года и общего запрета для частного бизнеса не вводит. С 1 марта 2027 года Правительство сможет определить случаи, когда допускаются только суверенные или национальные модели. Перечень таких случаев на конец сентября 2026 года не опубликован.

Кто должен отвечать за внедрение ИИ в компании?

Человек, который отвечает за показатель процесса и может сам менять порядок работы в нём. Ему нужно и право остановить проект при необходимости. По данным McKinsey, у компаний-лидеров топ-менеджеры втрое чаще остальных владеют ИИ-инициативами. Ответственному из ИТ-отдела без права менять процесс будет трудно довести проект дальше пилота.

---

Пилот на одном процессе, с владельцем и замером до старта. Optimism помогает внедрять ИИ в компании. До запуска вместе с вами назначаем владельца процесса и снимаем базовые цифры. Тогда же записываем точку отказа, то есть результат, при котором проект останавливается. Обсудить внедрение ИИ.

Источники

Исследования и опросы

• RAND Corporation, The Root Causes of Failure for Artificial Intelligence Projects, 13.08.2024
• MIT NANDA, The GenAI Divide: State of AI in Business 2025, июль 2025
• McKinsey, The state of AI, март и ноябрь 2025
• S&P Global Market Intelligence, Voice of the Enterprise: AI and Machine Learning, 30.05.2025
• IBM Institute for Business Value и Oxford Economics, CEO Study 2025, 06.05.2025
• Gartner, пресс-релизы о брошенных проектах генеративного ИИ и о готовности данных, 29.07.2024 и 26.02.2025
• ИСИЭЗ НИУ ВШЭ, «Крупный бизнес наиболее активно внедряет ИИ», 24.09.2026

Сотрудники

• KPMG и University of Melbourne, Trust, attitudes and use of artificial intelligence, 2025
• Microsoft и LinkedIn, 2024 Work Trend Index, 08.05.2024

Право, тексты норм по КонсультантПлюс

• Федеральный закон № 152-ФЗ «О персональных данных», ст. 3, 12, 18
• КоАП РФ, ст. 13.11, ч. 8 и 9
• Федеральный закон от 26.07.2026 № 243-ФЗ о поддержке развития технологий искусственного интеллекта

Задокументированные случаи

• University of Texas System, аудит проекта MD Anderson Oncology Expert Advisor, ноябрь 2016
• Klarna Group plc, Form F-1/A, SEC, 08.09.2025
• Finance Sector Union о голосовом боте Commonwealth Bank of Australia, июль и август 2025

Теги публикации: 152-ФЗ, внедрение ИИ, ошибки внедрения ИИ, пилот ИИ, управление проектами