До 95% компаний не окупают инвестиции в ИИ из‑за управленческих ошибок

До 95% компаний в России и мире внедряют ИИ без ожидаемой отдачи. Об этом говорится в исследовании «От пилота к масштабу: как встроить ИИ в процессы и получить отдачу», выполненном Школой управления СКОЛКОВО. Эксперты проанализировали кейсы из 25 отраслей и выделили шесть причин провалов, не связанных с «железом» и сложными технологиями.

Первая причина — неверный выбор формы и культуры работы с информацией. Компании с преобладанием data‑driven подхода успешнее внедряют ИИ, чем организации с people‑driven и process‑driven культурами. Вторая — низкое качество и хаотичность данных: подготовка и стандартизация часто требуют больше ресурсов, чем разработка модели. Без общей Data Story риск провала растёт.

Третья причина — стремление тотально автоматизировать процессы. Эффект даёт комбинированный режим, где распознавание, принятие решений и исполнение распределяются между человеком и ИИ. Четвёртая — «когнитивная дистанция» между стейкхолдерами: проекты запускают ради статуса, без вовлечения бизнеса, метрик успеха и пользовательского опыта.

Пятая — отсутствие регулярного анализа эффективности: устойчивее команды, работающие короткими циклами прототип → тест → обратная связь → улучшение. Шестая — использование устаревших методологий оценки, игнорирующих управленческие барьеры. Обновлённый фреймворк AI Success Cycle встраивает управление когнитивной дистанцией и мониторинг принятия технологии на каждом этапе.

Авторы рекомендуют компаниям: оценить культуру принятия решений и уровень data‑driven, провести аудит данных и оформить Data Story, определить, где безопасно автоматизировать, собирать кросс‑функциональные команды и назначать «брокеров знаний», показывать прототипы каждые 3–4 недели и применять AI Success Cycle.

Также даны семь управленческих советов: вовлекать всех участников с начала проекта; проверять наличие конкретной бизнес‑цели, а не «внедрить ИИ»; поддерживать баланс между стейкхолдерами; организовывать «торговые зоны» для согласований; работать через общие артефакты — User Story, Data Story, MVP, дашборды; назначать брокеров знаний; не отпускать проект на «автопилот» и поддерживать ритм обратной связи после релиза. Метodология исследования включала анализ литературы, сбор и разметку кейсов мультиагентной системой, экспертную валидацию и 30 полуструктурированных интервью в российских компаниях.

Обратите внимание: Грибники в России позволяют себе покупать целые авто благодаря этому редкому грибу