Почему 95 из 100 AI-пилотов не окупаются, а причины во всех одинаковые
Наблюдение, от которого стоит оттолкнуться
В последний год через AI Practiq прошли десятки предпринимательских команд, которые внедряли или пытались внедрить нейросети в свои процессы. Состав команд разный: от двух человек в e-commerce до отделов на 30 человек в среднем бизнесе. Стек технологий тоже разный: где-то ChatGPT Enterprise, где-то локальный LLM, где-то GigaChat плюс собственная обвязка.
А вот причины, по которым пилот не взлетает, оказываются почти идентичными у всех. И это важное наблюдение, потому что оно означает следующее: большинство провальных AI-проектов можно было отсеять ещё до запуска, если задать шесть правильных вопросов. Это не гипотеза, это то, что подтверждается исследованиями MIT NANDA, Gartner, McKinsey и BCG, которые независимо друг от друга приходят к одним и тем же выводам.
Что на самом деле говорят цифры
Отчёт MIT NANDA State of AI in Business 2025 года разобрал корпоративные GenAI-пилоты 2023–2025 и показал: из 30–40 миллиардов долларов вложений измеримую отдачу в P&L получили только 5 процентов проектов. В Gartner от апреля 2026 года эта картина дополняется свежей статистикой: только 28 процентов AI-проектов в корпоративной инфраструктуре доходят до ROI, 20 процентов проваливаются, остальные застревают в «pilot purgatory».
В России всё ещё острее. По данным CNews от марта 2026 года, российский бизнес свернул или заморозил 9 из 10 GenAI-проектов 2025 года. До реальной промышленной эксплуатации доехали 7–10 процентов. И дело не в том, что технологии слабые, а в том, что компании стартуют пилоты без ответов на вопросы, которые можно было задать за полчаса.
Шесть вопросов, которые отсеивают 70 процентов провалов
Первый вопрос — у пилота есть один конкретный владелец P&L. Не CIO, не отдел, не куратор, а человек с бюджетной властью и премией, привязанной к результату. По данным Pertama Partners, 21 процент AI-проектов отменяются именно из-за потери спонсора. Без чёткого владельца проект умирает на первом же бюджетном ревью.
Второй вопрос — есть ли baseline в цифрах до запуска. По Agility at Scale, 87 процентов пилотов стартуют без измерения исходного состояния процесса. В итоге через три месяца никто не может сказать, стало лучше или нет. Без замеров «как сейчас» весь проект становится разговором о впечатлениях, а не о результате.
Третий вопрос — готовы ли данные. Gartner в феврале 2025 года прямо заявил: 60 процентов AI-проектов будут брошены к 2026 году именно из-за отсутствия AI-ready data. В 44 процентах случаев качество данных — главный блокер. Если процесс, который вы хотите автоматизировать, начинается с разрозненных Excel или устных коммуникаций, сначала стандартизуйте вход, потом подключайте AI.
Четвёртый вопрос — готова ли команда переписать процесс, а не просто прикрутить AI к существующему. По McKinsey State of AI 2025, только 21 процент компаний реально перепроектировали workflow под AI, и именно они получили EBIT-эффект. Все остальные добавили AI «сбоку» и получили ноль. Правило BCG 10/20/70: 10 процентов успеха — алгоритмы, 20 — данные и технология, 70 — люди и процессы.
Пятый вопрос — где fallback на человека и как система обязана эскалировать. AI без продуманной эскалации быстро упирается в потолок качества. Klarna в 2024 году запустила массового AI-ассистента, через год CEO публично признал, что переборщил, и начал возвращать людей. Это не история про неудачу AI, это история про недостаточно продуманный fallback.
Шестой вопрос — честный ответ на «строите сами или покупаете готовое». Данные MIT NANDA однозначные: внутренняя разработка AI-систем успешна примерно в трети случаев, покупка готового — в двух третях. Для SMB с бюджетом 2–3 миллиона рублей на первый пилот «мы сами напишем на LangChain» почти всегда означает провал и потерю денег.
«AI-пилот умирает не от технологии, а от того, что его вообще не нужно было запускать»
Что делают те 5 процентов, у кого получается
Если отжать публичные исследования и мои наблюдения за командами в клубе, победители выглядят однотипно. Они выделяют 20–30 процентов бюджета на change management и работу с сотрудниками. Они выбирают один узкий use case с метрикой в рублях или часах, а не абстрактную «цифровую трансформацию». Они запускают пилот длительностью 30–60 дней с одной чёткой метрикой. У них есть чемпион в топ-менеджменте. Они переделывают процесс вместо того, чтобы прикручивать AI сбоку.
И главное — у них есть два равноценных выхода из пилота. Либо экономика подтвердилась и проект масштабируют, либо экономика не подтвердилась и проект закрывают без драмы. Вовремя закрытый провал это не провал, а экономия. Настоящий провал это пилот, который тянут ещё полгода, хотя на 60-м дне уже было ясно, что не взлетит.
Что с этим делать сейчас
Возьмите ближайший AI-проект, который вы собираетесь запустить или уже запустили, и прогоните его по шести вопросам выше. Если хотя бы по трём из шести нет чёткого ответа — проект нужно не запускать, а переосмыслять. Это не остановит амбицию, это сэкономит вам 3–6 миллионов рублей и год времени команды, которые вы иначе потратите на пилот без результата.
Про живые кейсы внедрений, ошибки на старте и разбор конкретных AI-проектов в малом и среднем бизнесе пишу в Telegram-канале «Белодед. Бизнес и инвестиции». Там короче, с цифрами и без теории.