MIT: Почему 95% инвестиций предприятий в ИИ не приносят отдачи

Массачусетский технологический институт (MIT) изучает проблему «разрыва в генеративном ИИ» на предприятиях

Новое исследование MIT под названием «Разрыв в генеративном ИИ: состояние ИИ в бизнесе в 2025 году», изучившее 300 публичных внедрений, выявляет то, что исследователи называют «разрывом в генеративном ИИ»: раскол между небольшим меньшинством, достигающим существенной ценности, и большинством, застрявшим в неудачных пилотных программах.

Исследование показывает, что только 5% интегрированных пилотных проектов с ИИ оказывают измеримое влияние на прибыли и убытки – и этот разрыв проистекает из подхода к внедрению, а не из качества моделей или регулирования.

Между тем, такие универсальные инструменты, как ChatGPT и Microsoft Copilot, демонстрируют широкое распространение: их изучают более 80% организаций, и почти 40% их внедряют.

Однако в основном они повышают индивидуальную производительность, а не эффективность организации.

Корпоративные системы рассказывают другую историю. Хотя 60% организаций оценивают пользовательские или поставляемые вендорами инструменты, только 20% достигают стадии пилотного проекта, и лишь 5% добиваются внедрения в промышленную эксплуатацию.

Большинство терпит неудачу из-за негибких рабочих процессов и несоответствия повседневным операциям.

Почему «теневая экономика ИИ» обходит стороной корпоративные неудачи Исследование обнаруживает процветающую«теневую экономику ИИ», где сотрудники используют личные подписки для рабочих задач без одобрения.

Выводы MIT о провале переходов от пилотных проектов к эксплуатации для специализированных инструментов генеративного ИИ, обнажающие разрыв в генеративном ИИ.

В рамках этой экономики исследование показывает,что сотрудники из более чем 90% опрошенных организаций сообщают о регулярном использовании личных инструментов ИИ, в то время как только 40% компаний приобретают корпоративные подписки.

В исследовании говорится, что корпоративный юрист является ярким примером этой модели. Ее фирма инвестировала 50 000 долларов США в специализированный инструмент для анализа контрактов, однако она постоянно использует ChatGPT для их составления.

«Наш приобретенный инструмент ИИ предоставлял шаблонные резюме с ограниченными возможностями настройки, — говорит она. — С помощью ChatGPT я могу направлять беседу и повторять итерации, пока не получу именно то, что мне нужно».

Та же юристка устанавливает четкие границы для конфиденциальной работы: «Он отлично подходит для мозгового штурма и первых набросков, но он не сохраняет знания о предпочтениях клиента и не учится на предыдущих правках», — объясняет она.

«Для ответственной работы с высокими ставками мне нужна система, которая накапливает знания и со временем улучшается».

Эти находки подчеркивают разрыв в знаниях, который удерживает большинство организаций на неправильной стороне пропасти.

Кроме того, предпочтения пользователей показывают, что 70% предпочитают ИИ для быстрых задач, но 90% предпочитают людей для сложных проектов, требующих постоянного внимания.

Как внешние партнерства удваивают показатели успеха

MIT обнаруживает, что стратегические партнерства с внешними поставщиками достигают стадии внедрения в 67% случаев по сравнению с 33% для внутренних разработок.

Пять мифов MIT о генеративном ИИ на предприятиях:

1. ИИ вскоре заменит большинство рабочих мест: Увольнения ограничены и в основном носят отраслевой характер, а руководители остаются разделены в вопросах будущего найма.
2. Генеративный ИИ преобразует бизнес: Уровень внедрения высок, но только 5% компаний масштабируют ИИ в рабочие процессы – в большинстве отраслей наблюдается мало изменений.
3. Предприятия медленно внедряют инновации: На самом деле 90% серьезно рассматривали возможность покупки решений ИИ, демонстрируя готовность, а не колебания.
4. Качество моделей и регулирование являются барьерами: Реальная проблема — плохая интеграция в рабочие процессы и инструменты, которые не обучаются и не адаптируются.
5. Лучшие инструменты ИИ успешны сами по себе: Успех приходит, когда инструменты настраиваются, интегрируются и привязываются к измеримым результатам.

Лучшие компании сообщают о циклах внедрения в 90 дней, в то время как предприятиям обычно требуется девять месяцев или больше.

Тем временем модели инвестирования выявляют несогласованность приоритетов — продажи и маркетинг поглощают 50% бюджетов на ИИ, несмотря на то, что автоматизация внутренних процессов часто приносит более высокую отдачу.

Успешные внедрения сообщают об ежегодной экономии в 2-10 миллионов долларов США за счет устранения аутсорсинга бизнес-процессов, 30%-ном снижении внешних творческих затрат и экономии в 1 миллион долларов на аутсорсинге управления рисками.

Вице-президент по закупкам в фармацевтической компании из списка Fortune 1000 рассказал исследователям MIT: «Если я покупаю инструмент, чтобы помочь моей команде работать быстрее, как мне количественно оценить этот эффект?

«Как мне оправдать это перед генеральным директором, если это не повлияет напрямую на выручку и не снизит измеримые затраты?»

MIT обнаруживает, что наиболее эффективные покупатели относятся к поставщикам ИИ как к поставщикам бизнес-услуг, а не как к поставщикам программного обеспечения, требуя глубокой настройки и оценки инструментов по операционным результатам.

Наиболее успешные стартапы в сфере генеративного ИИ достигают 1,2 миллиона долларов США годового рекуррентного дохода в течение 6-12 месяцев, фокусируясь на узких рабочих процессах перед расширением.

ИТ-директор финансовой компании с оборотом 5 миллиардов долларов США описывает реальность выбора: «Мы оцениваем пять различных решений в области генеративного ИИ, но та система, которая лучше всего обучается и адаптируется к нашим конкретным процессам, в конечном итоге получит наш бизнес», — говорит он.

«Как только мы инвестируем время в обучение системы пониманию наших рабочих процессов, затраты на переход становятся запретительными».

Руководитель отдела закупок крупной компании по производству товаров народного потребления описывает проблему оценки поставщиков: «Я получаю множество писем ежедневно с заявлениями, что предлагается лучшее решение в области генеративного ИИ», — говорит она.

«У некоторых есть впечатляющие демоверсии, но установление доверия — это настоящая проблема. Поскольку наши почтовые ящики заполнены множеством вариантов, мы в значительной степени полагаемся на рекомендации коллег и отзывы из нашей сети».

Один ИТ-директор в исследовании резюмирует: «В этом году мы видели десятки демонстраций. Возможно, одна или две действительно полезны. Остальные — это просто оболочки или научные проекты».

Бот нового поколения: как LLM изменил общение с клиентами

До прихода в IT-разработку я занимался медиа сферой, развитием YouTube каналов, рекламой и изучением такого феномена, как удержание внимания. Почему одна компания растет и набирает обороты, а другую не замечают, хотя бюджеты идентичны.

Как работает LLM?

Банальный пример

Представим франшизу ювелирного магазина, у которого тысячи позиций из золота, серебра и бриллиантов.

Подключаем LLM-агента связываем с CRM и теперь бот знает, какие украшения в наличии, из какого материала, где находится магазин и время работы. Теперь клиент получает нормальный, связный ответ, с уточнением деталей и предложением.

LLM-агент создаст заявку в CRM, предложит время встречи, отправит напоминание и зафиксирует заявку одновременно в нескольких диалогах.

Такой умный бот понимает собеседника, подстраивается под настроение и тему разговора. Это — следующий этап. Технология, которая меняет правила общения между бизнесом и клиентом.

Как внедрить LLM-агента в свой бизнес?

Четвёртое — безопасность. LLM — инструмент, которому нужны границы. Что можно говорит, какие действия выполняет сам, а какие только с одобрением.

И, наконец, бот продолжит обучаться после запуска. Вы можете обновлять базу, анализировать диалоги, корректировать логику — без привлечения разработчиков.

Это не разовый продукт, а инструмент, который развивается вместе с задачей.

Что умеет LLM-агент: на примере медицинской клиники

Затем агент проверяет расписание в базе, предлагает окно, записывает, отправляет подтверждение, оформляет заявку в CRM и информирует администратора.

Допустим, пациент спрашивает, какие анализы нужны перед приёмом. Агент открывает сайт, находит раздел, извлекает данные и пересказывает клиенту экономя время.

Если нужно, агент сгенерирует и отправляет PDF-файл приема: согласие на обработку данных, направление и счёт. При этом ФИО, дата, врач — подставляются автоматически. LLM-Бот принимает голосовые — пациент диктует вопрос, а бот распознаёт речь и отвечает.

А если после визита пациент просит копию заключения — бот найдет файл и отправит.

LLM-агент в клинике — это связующее звено между сайтом, администраторами, пациентами и системой. Бот снизит нагрузку, повысит точность, ускорит обслуживание.

Распространённые мифы про LLM-агентов

Это обычный чат-бот, только с другим названием

LLM-агент — это не кнопки и не сценарий. Он понимает, что говорит человек, и отвечает по смыслу. Без жёстких шаблонов, без «выберите из списка». Такой агент ведёт диалог, а не листает скрипт.

Будет ошибаться и путаться в ответах

Ошибки бывают, если бот не знает, на что опираться. Поэтому мы даём ему точные данные: тексты, базы, инструкции. Агент говорит только то, что знает. Его можно ограничить по темам и действиям.

Может раскрыть личные данные

Можно настроить так, чтобы бот не отправлял ничего лишнего. Доступы, шифрование, логика ответа — всё задаётся вручную. Система не выходит наружу и работает только внутри безопасного окружения.

Такие решения — для корпораций с миллионами

LLM-агент — не история про «только для больших». Можно начать с малого: один процесс, одна задача. Посмотреть, как работает, и уже потом расширять. Так делают и клиники, и школы, и онлайн-магазины.

В завершение:

Я давно занимаюсь разработкой и знаю: сильный продукт начинается с понимания задачи.

Если эта статья оказалась полезной — дайте знать. Вы можете оставить комментарий там, где её нашли. Я всегда читаю обратную связь и беру её в работу.

Спасибо, что дочитали 👋