Главная
→
Блог
→
ROI от ИИ в 2026: почему 95% инвестиций пока не окупаются

ROI от ИИ в 2026: почему 95% инвестиций пока не окупаются

“

Саммари: Цифра 95% взялась не из общих рассуждений, а из конкретного исследования MIT с разбором 300 реальных внедрений. И там же названы четыре конкретные причины провала — почти все организационные, а не технические. Разбираем их простыми словами.

Откуда взялась цифра

Источник — исследование Project NANDA Массачусетского технологического института (MIT), опубликованное в 2025 году под названием «Разрыв в ИИ: состояние ИИ в бизнесе». Авторы изучили 300 реальных ИИ-внедрений, опросили 150 руководителей и 350 сотрудников и обнаружили: несмотря на 30–40 миллиардов долларов корпоративных вложений, 95% организаций не получили от ИИ никакого измеримого финансового результата.

Важная деталь, которую часто упускают: провал означает не «ИИ не работает», а «пилотный проект не дошёл до измеримого эффекта на прибыль и убытки компании» — то есть сами технологии в этом почти не виноваты, а виноваты четыре конкретные причины, о которых ниже.

Причина 1: деньги идут туда, где эффект красивый, а не туда, где он реальный

Первая причина — распределение бюджета. Около половины бюджетов на генеративный ИИ уходит в продажи и маркетинг, где результат заметен сразу, хотя back-office автоматизация — финансы, бухгалтерия, операционные процессы — часто даёт более сильный и более быстрый возврат инвестиций. Получается замкнутый круг: деньги идут туда, где руководству проще показать результат на слайде, а не туда, где этот результат объективно больше.

Причина 2: сотрудники уже нашли инструменты получше — просто не рабочие

Вторая причина — то, что исследователи назвали «теневой экономикой ИИ». В компаниях с официальной подпиской на корпоративный ИИ-инструмент таких всего 40%, а сотрудников, которые ежедневно используют для рабочих задач личные версии ChatGPT или Claude — целых 90%. Парадокс в том, что эти неофициальные инструменты зачастую работают лучше и внедряются быстрее официальных корпоративных решений.

Здесь работает ещё и обратная связь: чем больше сотрудник привыкает к гибкому личному инструменту, тем меньше он готов мириться со статичным корпоративным аналогом, который не подстраивается под его задачи. Получается, что компания платит за официальный инструмент, а сотрудники продолжают пользоваться личными — просто потому что те реально удобнее.

Это ровно та проблема, которую мы в AllSee закрываем, когда строим корпоративного ИИ-помощника, работающего на серверах самой компании. Когда у сотрудников появляется нормальный внутренний инструмент, который реально отвечает на их рабочие вопросы, они перестают носить рабочие документы в случайные внешние чат-боты — запреты здесь работают плохо, а удобная замена работает хорошо. Подробнее — на allsee.team.

Причина 3: собственная разработка с нуля чаще проигрывает партнёрству

Третья причина — пожалуй, самая неприятная для компаний, которые гордятся, что «делают всё сами». Решения, купленные у внешнего партнёра или специализированного вендора, успешны примерно в 67% случаев, тогда как внутренние разработки своими силами — лишь примерно в 22%, то есть внутренняя разработка проваливается почти вдвое чаще. Причина не в том, что внутренние команды хуже программируют, а в том, что у них часто нет нужной дистанции, чтобы увидеть, где ИИ реально вписывается в процессы компании — тогда как внешние партнёры, уже прошедшие похожий путь с другими клиентами, такую дистанцию имеют по умолчанию.

Эта статистика напрямую объясняет, почему даже при кастомной разработке важно опираться на проверенную методологию, а не изобретать процесс с нуля. Мы в AllSee начинаем любой проект с аудита конкретного процесса и готового порядка внедрения, отработанного на десятках предыдущих проектов, а не пробуем угадать правильный подход заново для каждого нового клиента. Подробнее — на allsee.team.

Причина 4: инструменты не учатся и не запоминают

Четвёртая и, по мнению самих авторов исследования, главная причина — технологический «разрыв в обучении»: большинство систем генеративного ИИ не сохраняют обратную связь, не подстраиваются под контекст компании и не становятся лучше со временем. Авторы отчёта формулируют это прямо: главный барьер для масштабирования ИИ — не инфраструктура, не регулирование и не нехватка специалистов, а именно неспособность инструментов учитьсяглавный барьер для масштабирования ИИ — не инфраструктура, регулирование или нехватка специалистов, а именно неспособность системы учиться.

Что делают те немногие, у кого получилось

Три повторяющихся паттерна отличают организации, которые пересекли этот разрыв: они чаще партнёрятся с внешними провайдерами, а не строят сами (это даёт вдвое более высокий процент успеха), дают командам на местах право внедрять инструменты самостоятельно вместо жёсткого централизованного контроля, и требуют от систем именно способности учиться и глубоко встраиваться в рабочие процессы, а не просто генерировать текст по запросу.

Итог

Цифра 95% пугает, но за ней стоят не технологические провалы, а четыре управленческих решения: куда направить бюджет, что делать с инструментами, которые сотрудники уже выбрали сами, строить самим или довериться опытному партнёру, и требовать ли от системы способности учиться. Ни одно из этих решений не требует более мощной модели — все они требуют более честного взгляда на то, как компания вообще подходит к внедрению.