Почему ИИ не работает: 7 причин, по которым внедрение проваливается
ИИ «не работает» не потому, что модели слабые. Компании берут не ту задачу, не готовят данные и не перестраивают процессы. Разбираем семь причин с цифрами из MIT, McKinsey, RAND и Gartner.
Масштаб проблемы в цифрах
95%
MIT NANDA, «State of AI in Business 2025»
>80%
RAND, 2024, вдвое чаще обычных ИТ-проектов
~30%
Gartner, прогноз к концу 2025
6%
McKinsey, «The State of AI in 2025»
Кому полезен этот разбор
- Руководителям, чей пилот ИИ впечатлил на демо, но ничего не дал в проде
- CTO и продактам, которым надо объяснить совету директоров, почему вложения в ИИ пока не окупились
- Командам, которые выбирают первую задачу под ИИ и не хотят попасть в 80% провалов
- Скептикам, которым важно отделить реальные ограничения технологии от организационных ошибок
Сначала, важная развилка
Фраза «ИИ не работает» прячет две разные ситуации, и лечить их одинаково нельзя.
- Технология не подходит под задачу. Модель галлюцинирует там, где нужна 100% точность; данных для дообучения нет; цена ошибки слишком высока. Это реальные ограничения, о них честно в блоках про галлюцинации и задачи, где ИИ противопоказан.
- Технология подходит, но провалена реализация. Выбрали не ту задачу, не подготовили данные, не назначили владельца, не перестроили процесс. По исследованиям MIT, RAND и Gartner именно эта группа причин даёт большинство провалов.
Дальше, семь причин в порядке от самых частых (организационных) к технологическим. Для большинства причин указан источник цифр.
⛔ 7 причин, по которым ИИ не работает
- 1. Выбрана не та задача. RAND: главная причина провалов не в технологиях, а в том, что бизнес «неправильно понимает или формулирует, какую проблему нужно решить с помощью ИИ». ИИ цепляют к процессу ради хайпа, а не ради конкретной метрики.
- 2. Данные не готовы. Компании считают свои данные «хорошими», потому что получают еженедельные отчёты. Под новую задачу эти данные не годятся. Без доступа к актуальным базам и внутренним регламентам генеративный ИИ начинает додумывать.
- 3. Нет владельца и стратегии. По данным «Якова и Партнёров» и Яндекса (2025), только 26% российских компаний, закладывающих бюджет на ИИ, имеют стратегию внедрения. Без бизнес-владельца проект повисает между ИТ и функцией.
- 4. Процессы не перестроены под ИИ. McKinsey: «лидеры» в 2,8 раза чаще фундаментально переделывают рабочие процессы (55% против 20%). Прикрутить ИИ к старому процессу, значит не получить эффекта на P&L.
- 5. Универсальный инструмент не учится у компании. MIT: типовые инструменты вроде ChatGPT выигрывают для отдельного сотрудника за счёт гибкости, но застревают в корпоративе, они не адаптируются к рабочим процессам. Это и есть «GenAI Divide».
- 6. «Агент-вошинг» и недооценка сложности. Gartner: более 40% проектов по агентному ИИ свернут к концу 2027 года. Многие из них, ранние эксперименты «на хайпе», а часть «агентов», переименованные старые чат-боты.
- 7. Галлюцинации и цена ошибки. Модель устроена так, что при незнании «угадывает», а не говорит «не знаю»: обучение и оценка вознаграждают уверенный ответ. В операционных процессах и работе с данными это превращается в риск.
★ Главный неочевидный вывод
Парадокс провалов ИИ в том, что проблема почти всегда не в ИИ. И MIT, и RAND приходят к одному: модели достаточно хороши, ломается организация вокруг них.
RAND прямо пишет: лидерство и постановка задачи проваливают проекты чаще, чем технические ограничения. MIT называет это «learning gap», дело не в качестве модели, а в том, что инструмент и компания не учатся друг у друга.
Вывод для практики: прежде чем менять модель или вендора, проверьте задачу, данные, владельца и процесс. В 80% случаев чинить надо там, а не в нейросети.
Где ИИ работает, а где, нет
| Задача | Что делает AI | Что делает человек | Риск автоматизации | KPI |
|---|---|---|---|---|
| Черновики писем, описаний, типовых текстов | Генерирует драфт за секунды | Проверяет факты и тон перед отправкой | низкий | Время на подготовку текста |
| Классификация и маршрутизация обращений | Размечает и распределяет по категориям | Контролирует спорные кейсы | средний | Доля верной маршрутизации, время ответа |
| Поиск по внутренней базе знаний (RAG) | Отвечает со ссылками на документы | Проверяет источник в критичных случаях | средний | Доля ответов с корректным источником |
| Юридически и финансово значимые решения | Только как черновик-подсказка | Принимает и подписывает решение | высокий | Доля ошибок, прошедших до клиента |
| Расчёты, где нужна 100% точность | Не подходит как единственный источник | Считает детерминированным инструментом | высокий | Точность расчёта |
Что меняется, если чинить причину, а не симптом
| Метрика | Было | Стало |
|---|---|---|
| Доля проектов, доходящих до продуктива | <20% (типовой запуск) | выше при узкой задаче и владельце ▲ |
| Успешность пилота: только ИТ vs. ИТ + эксперты домена | 22% (силами только ИТ) | 67% (ИТ + внешняя экспертиза) ▲ |
| Эффект на EBIT | 0% у большинства | >5% у «лидеров» (6% компаний) ▲ |
Цифры 22% и 67%, из исследования MIT NANDA (2025): пилоты, где внутренние ИИ-специалисты работают вместе с внешней экспертизой, успешнее проектов «только силами ИТ». Доля «лидеров» с эффектом на EBIT, McKinsey (2025).
Чек-лист: проверьте перед тем, как винить ИИ
- Сформулирована конкретная бизнес-метрика, которую должен сдвинуть ИИ (а не «внедрить ИИ»)
- У проекта есть бизнес-владелец, а не только ИТ-команда
- Данные проверены на пригодность именно под эту задачу, а не «есть отчёты, значит, данные есть»
- Решено, кто и как проверяет вывод ИИ (human-in-the-loop) на критичных шагах
- Процесс перестроен под ИИ, а не ИИ «прикручен» к старому процессу
- Выбрана узкая задача с понятной ценностью, а не «универсальный ассистент на всё»
- Просчитана цена ошибки и определено, где ИИ нельзя пускать в одиночку
Честно: где ИИ действительно не сработает
- Задачи с гарантированной 100% точностью без проверки человеком (расчёты, юридические формулировки): при незнании модель склонна «угадывать».
- Процессы без пригодных данных: нет качественной истории, нет результата, дообучать не на чем.
- Кейсы с высокой ценой ошибки и без человека в контуре: риск выше выгоды.
- Попытка заменить целую функцию «одним агентом» без перестройки процесса: по Gartner, большинство таких агентных проектов сворачивают.
- Внедрение «ради хайпа» без метрики: статистически это первый кандидат в 80% провалов (RAND).
«Большинство проектов по агентному ИИ сейчас, это ранние эксперименты или proof-of-concept, движимые в основном хайпом, и часто применяемые не по назначению.»
Частые вопросы
Почему ИИ не работает в моей компании, хотя на демо всё впечатляло?
Правда ли, что 95% проектов ИИ проваливаются?
В чём главная причина провалов, в моделях или в людях?
Почему ИИ галлюцинирует и «уверенно врёт»?
Значит, внедрять ИИ не стоит?
Какова ситуация в России?
Источники
Как обновляется материал
Материал опирается на публичные исследования 2024–2025 годов (MIT, RAND, McKinsey, Gartner, OpenAI, «Яков и Партнёры»). Цифры пересматриваем по мере выхода новых волн этих отчётов. Дата последнего обновления указана в шапке.