Масштабное внедрение искусственного интеллекта и автоматизации в корпоративном секторе всё еще не оправдывает возложенных на них надежд. Несмотря на постоянный приток инвестиций в передовые решения — от инструментов RPA до генеративного ИИ и автономных агентных систем — подавляющее число организаций стабильно не дотягивает до целевых показателей по оптимизации затрат.
Таковы результаты исследования Bain & Company, охватившего 951 компанию по всему миру. Статистика свидетельствует: 37% респондентов планировали сократить расходы на 11–20%, однако около 40% из тех, кто проводил аудит результатов, смогли добиться лишь скромных 0–10% экономии. Это не означает полный провал технологий, но указывает на то, что ожидаемый финансовый эффект так и не был реализован в полном объеме.
Ситуация осложняется парадоксальным поведением бизнеса: 90% компаний, не достигших поставленных целей, продолжают наращивать инвестиции, переключаясь на внедрение ИИ-агентов, от которых ждут большей автономности. На рынке формируется поляризация: узкая группа компаний успешно конвертирует реальную экономию в новые проекты, в то время как большинство оказывается в ловушке завышенных ожиданий.
Исследование также обнажило разрыв между иллюзией автономности систем и их реальной работой. Только 7% компаний используют полностью самостоятельные решения в операционной деятельности. Повсеместно доминирует модель с постоянным участием человека (38%) или алгоритмы, требующие «ручного» вмешательства при возникновении неопределенности (32%). Это доказывает, что многие бизнес-кейсы изначально строились на ложных предпосылках о степени автоматизации.
Аналитики подчеркивают возникновение финансового перекоса: расчеты окупаемости опирались на сценарии тотальной автоматизации, однако на практике роль человека остается критической, что искажает экономику проектов. Именно это несоответствие становится главной причиной недостижения целевых показателей.
Особую тревогу вызывает модель финансирования новых разработок. 44% организаций рассчитывают покрывать затраты на генеративный ИИ за счет экономии от предыдущих попыток автоматизации. Однако, как показывает практика, прошлые инвестиции не принесли запланированных результатов, что делает стратегию самофинансирования крайне рискованной.
Среди главных препятствий внедрения компании выделяют доступность и интеграцию данных (41% опрошенных) — этот фактор оказался весомее бюджетных лимитов или дефицита кадров. Примечательно, что с этой проблемой чаще сталкиваются именно лидеры рынка, так как они работают с более сложными и глубокими пластами внедрения.
Эксперты Bain указывают на ряд организационных просчетов: автоматизацию заведомо неэффективных процессов без их оптимизации, игнорирование реальной отдачи прошлых проектов при планировании новых, а также размытость зон ответственности при делегировании решений ИИ.
Успешные игроки демонстрируют другой подход: для них внедрение ИИ — это фундаментальная трансформация операционной модели. Они пересматривают бизнес-процессы, перераспределяют роли внутри команд и жестко формализуют ответственность за ошибки алгоритмов.
Итоговый вывод однозначен: главным лимитирующим фактором для масштабного успеха ИИ являются не технологии, а качество организации данных, процессов и управления изменениями. Дистанция между компаниями, которые смогли трансформировать свою внутреннюю модель, и всеми остальными неуклонно растет, создавая на рынке эффект «двух скоростей» внедрения инноваций.
Источник: iXBT
