Почему 12% компаний получают от AI всё, а остальные 88% - ничего

Что означает цифра, которую все процитировали

В январе на Давосе PwC представил данные опроса 4 454 CEO из 95 стран. Половина не увидела ни роста выручки, ни снижения издержек от AI за год. Эту цифру разобрали тысячи статей, сделав один и тот же вывод: AI не работает. Мне кажется, вывод неточный.

Если читать отчёт дальше заголовка, картина другая. Только 12% компаний получили одновременно и рост выручки, и снижение затрат. 33% улучшили один из параметров. Это значит, что разрыв между лидерами и остальными не в технологии, а в чём-то более скучном.

Gartner прогнозирует, что 60% AI-проектов без AI-ready данных будут брошены к концу 2026 года. MIT в проекте NANDA изучил generative AI пилоты в крупных корпорациях и выяснил: 95% не дали измеримого ROI. Не маленький ROI — вообще никакого.

Три разных источника, одна и та же история. Проблема не в алгоритмах.

Что делают те самые 12%

Мохамед Канде, глобальный председатель PwC, на Давосе сказал фразу, которую все процитировали как банальность: «Компании забыли основы.» За этим стоит конкретное наблюдение, которое я вижу в работе каждую неделю.

Компании, у которых AI даёт результат, делают одно и то же перед внедрением: они описывают процесс до начала автоматизации, проверяют качество данных, и задают конкретную метрику успеха. Три шага. Все три скучные. Большинство их пропускает.

Один из предпринимателей, с кем мы работали в AI Practiq, потратил восемь месяцев и $340K на AI-систему обработки заказов. Система работала быстрее людей — и ошибалась в тех же местах, в тех же пропорциях. Потому что процесс обработки содержал 14 ручных шагов, три из которых дублировали друг друга, а два противоречили. AI не починил это, он ускорил хаос. Из $340K ноль были потрачены на то, чтобы сначала починить процесс.

«Быстрый хаос» — это не победа над хаосом.

Три места, где обычно ломается

Я видел достаточно неудачных внедрений, чтобы выделить три типичных точки слома.

Первая — грязные данные. Компания внедряет AI-аналитику для прогнозирования спроса. Модель обучается на данных из CRM, где дубликаты клиентов, незакрытые сделки двухлетней давности, разная номенклатура для одного товара. Модель обучается на мусоре и выдаёт мусор — только красиво визуализированный. Классический garbage in, garbage out, но с красивым дашбордом.

Вторая — нет метрики до старта. Руководство решает «внедрить AI в маркетинг». Покупают платформу, настраивают генерацию контента, автоматизируют рассылки. Через полгода вопрос: что изменилось? Ответ: «Ну, рассылки делаем быстрее.» Но что с конверсией? С выручкой? С LTV? Никто не замерил до, никто не замеряет после. Компания честно попадает в те 56%, которые не видят отдачи — потому что просто не знают, куда смотреть.

Третья — AI вместо управленческого решения. Самый дорогой сценарий. Компания не может решить внутренний конфликт: размытая ответственность, два отдела тянут одеяло, непонятно кто принимает решения. Вместо того чтобы разобраться с людьми, заказывают «AI-систему координации задач». По данным исследования 2025 года, в среднем провальный AI-проект в крупной компании стоит $7,2 млн. И в среднем каждая крупная компания запускает 2,3 таких проекта в год.

Три вопроса, которые экономят миллионы

Когда ко мне приходят с вопросом про AI-внедрение, я не спрашиваю про бюджет и не спрашиваю про платформу. Задаю три вопроса.

Первый: можете ли вы описать процесс, который хотите автоматизировать, простым языком — кто делает что, в какой последовательности, что считается хорошим результатом? Если команда не может этого сделать, процесс не готов к автоматизации. Не потому что сложный — а потому что его никто не понимает целиком.

Второй: чистые ли данные? Если в CRM 30% дубликатов, если складская номенклатура не совпадает с бухгалтерской, если маркетинг считает лиды в одной системе, а продажи в другой — любая модель будет обучаться на противоречивых данных. Результат предсказуемый.

Третий: есть ли конкретная метрика, по которой через 90 дней станет понятно — сработало или нет? Не «повысить эффективность», а «сократить время обработки заявки с 4 часов до 40 минут» или «увеличить конверсию с 8% до 12%». Без метрики до старта её не будет и после.

По моему опыту, 70% компаний не могут ответить «да» хотя бы на два из трёх. Это не проблема AI, это проблема операционной зрелости.

Для тех, кто смотрит на это со стороны инвестора

Как управляющий партнёр YellowRocks я вижу эту же ситуацию с другой стороны. Если 56% потенциальных клиентов AI-стартапов разочарованы, следующий цикл продаж будет жёстче: длиннее сделки, больше требований к доказательствам ROI, меньше доверия к обещаниям.

Стартапы, которые продают инструменты для AI, будут проигрывать тем, кто продаёт измеримые результаты. Я вижу это уже сейчас в dealflow: компании с моделью «fee за внедрение» теряют клиентов, компании с «процент от экономии» растут.

Топ-20% компаний по данным того же исследования захватывают 74% всех AI-эффектов. Это значит, что AI работает — но только у тех, кто к нему готов. Стартапы, которые помогают компаниям стать AI-ready до внедрения — чистка данных, структурирование процессов, мастер-данные — на мой взгляд, сейчас недооценены рынком.

Все хотят инвестировать в AI. Мало кто думает об инвестициях в фундамент.

56% — это не приговор технологии. Это диагноз операционной культуры компаний, которые пропустили скучную часть. AI масштабирует то, что уже есть: если процесс рабочий — масштабирование даёт рост, если сломан — даёт более быстрый и дорогой сломанный процесс. Прежде чем выбирать платформу, стоит ответить на вопрос, нарисованный на салфетке: а как это работает сейчас?

Про операционную готовность к AI и то, что реально работает у предпринимателей, пишу в Telegram-канале. Там короче и конкретнее.