Почему? В 80% случаев проблема вообще не в технологиях. Компании запускают проекты, не ответив на три базовых вопроса: где это вообще будет работать, сколько это принесет денег, и кто в бизнесе за это отвечает.

Запуск ИИ-модели под бизнес-задачи — вопрос вычислительных мощностей. Использование зарубежных сервисов — риск блокировок и 152-ФЗ. Российские альтернативы ограничены дефицитом GPU, кластеры перегружены, география в основном вокруг столиц. Попытка развернуть все внутри компании упирается в вопрос «где?» — большинство корпоративных ЦОДов не рассчитаны на нагрузки, которые требует современный ИИ (5–10 кВт против 40–60). В итоге проект тормозится в поиске мощностей.

Если проект переживает первый этап, его почти всегда добивает экономика. Точнее, ее отсутствие. Подавляющее большинство ИИ-инициатив не могут внятно ответить на вопрос: «Сколько денег мы заработаем или сэкономим на этом решении?». Для бизнеса это критический момент. Без понятного ROI проект автоматически уходит в категорию «интересных экспериментов». В итоге инициатива зависает где-то между пилотом и продом, постепенно теряя приоритет.

Еще одна болезненная точка — это люди. Большинство внедрений в корпорациях до сих пор идут как инициатива ИТ-департаментов, без реального участия бизнеса. Решения принимаются сверху или внутри цифровых подразделений, а те, кто потом должен с этим жить — операторы, менеджеры, логисты — узнают о нововведениях постфактум. В результате получается типичная ситуация: ИТ внедрил систему, а бизнес продолжает работать по-старому. В лучшем случае сотрудники игнорируют систему. В худшем — саботируют. Руководство не получает быстрых результатов и постепенно теряет интерес. Проект формально числится активным, но реально — либо глохнет, либо требует долгого «разжевывания»: зачем это нужно, как пользоваться и почему это не угроза, а помощь. Без вовлечения бизнеса с первого дня ИИ остается костылем.

Разница между экспериментом и рабочим решением в большинстве случаев оказывается не в технологии, а в том, как изначально была выстроена логика проекта. Сильные ИИ-проекты начинаются не с моделей. Они начинаются с правильных вопросов. Где компания реально теряет деньги? Где сотрудники тратят время впустую? Какие процессы болят настолько, что бизнес готов менять их прямо сейчас? И только после этого появляется место для ИИ — как инструмента, а не как самоцели.

1. Начните с боли бизнеса, а не с нейросети. Спросите: что реально бесит сотрудников и тормозит процессы?

2. Оцените данные. Они вообще есть? Они структурированы? Часто проекты умирают на этапе «а давайте сначала все оцифруем». А некоторым (да что уж там, половине) достаточно просто немного автоматизировать процессы, ИИ там не нужен.

3. Считайте ROI до старта. Если не можете прикинуть экономику — не начинайте.

4. Вовлекайте бизнес с первого дня. Пусть они ставят задачи и принимают результаты.

По данным OECD, в 2025 году более 60% всех венчурных инвестиций в мире пришлось на ИИ — $258 млрд. В России динамика схожая: вложения в рынок генеративного ИИ выросли почти в 4,5 раза за год (исследование Strategy Partners) и основной драйвер здесь — корпорации.

Но ключевой вопрос — не в объеме инвестиций, а в их отдаче. По данным PwC, 74% экономического эффекта от ИИ получают всего 20% компаний. Причина этого разрыва описана в экономике задолго до появления ИИ. Речь о принципе Солоу, более известном как парадокс производительности: «технологии видны повсюду, кроме статистики производительности». Смысл простой — инвестиции в технологии сами по себе не дают роста. Рост начинается только тогда, когда бизнес и люди внутри него учатся правильно эти технологии использовать.

Это уже происходило. В 80-е годы компании массово закупали компьютеры. Казалось, что это автоматически приведёт к росту эффективности. Но реальный скачок производительности случился только в 90-е — когда под компьютеры начали перестраивать процессы, управленческие практики и логику работы.

С ИИ происходит то же самое — только быстрее.

Технологии используются для автоматизации рутины, ускорения анализа данных, помощи в принятии решений и снижения нагрузки на сотрудников. Но в большинстве компаний ИИ все еще используется на уровне «умного поисковика». Формально он есть, но как производственный инструмент он не работает.

Причина в том, что у сотрудников нет навыка с ним работать. И здесь возникает ключевой сдвиг. Сейчас формируется новая базовая квалификация. Раньше ценность создавали те, кто умел анализировать данные, координировать процессы и вручную собирать результат. Теперь значительная часть этой работы делегируется ИИ.

Ценность смещается в другое место. Ключевым становится умение правильно поставить задачу системе и проверить результат. Промпт-инжиниринг и валидация становятся новой нормой. Как и умение работать с разными инструментами и моделями под задачу, переключаться между средами вроде Cursor или Claude. Владеть базовыми инструментами структурирования вроде Markdown, визуализации через Mermaid, использовать шорткаты. Это новая цифровая грамотность.

Но этому практически нигде не учат. Университеты продолжают готовить специалистов под старую модель, когда фокус уже сменился. В результате возникает типичный разрыв: технологии развиваются быстрее, чем меняются практики их использования, и именно это блокирует рост производительности.

Ключевая ошибка здесь еще и в том, что бизнес продолжает воспринимать ИИ как технологический проект. Но на практике это управленческое изменение. Искусственный интеллект сам по себе не повышает производительность — он лишь перераспределяет ее. Рост появляется только там, где меняется способ работы: от исполнения задач к управлению системами. Поэтому главный вопрос сегодня — не внедрение ИИ, а перестройка операционной модели компании вокруг связки «человек + ИИ».

Именно это и определит, кто окажется в тех 20% компаний, которые действительно извлекают эффект из технологии.

Фонд защиты прав дольщиков Московской области (структура Дом.рф) занимается достроем проблемных объектов — это десятки жилых комплексов, сотни подрядчиков и постоянно меняющиеся статусы. В таких условиях отсутствие автоматизации неизбежно приводит к потерям времени и ошибкам, где цена неточности — судьбы людей.

У команды Фонда не было единого инструмента для работы с данными по объектам достроя. Информация хранилась в разных источниках, отчетность собиралась долго и иногда вручную.

Требовалось решение, которое:

— объединяет данные по всем объектам в одном месте,

— показывает статус и прогресс в реальном времени,

— автоматически формирует отчётность без ручного труда.

Мы разработали внутренний SaaS-сервис с нуля.

Система позволяет:

— видеть актуальный статус каждого объекта,

— отслеживать сроки и отклонения,

— автоматически формировать отчёты для руководства и регуляторов.

Отдельный фокус сделали на интерфейсе. Каждый экран проектировался под реальные сценарии работы.

Сервис запущен в промышленную эксплуатацию.

Фонд:

— сократил время подготовки отчётности

— получил прозрачную картину по всем объектам в одном окне

— снизил зависимость от ручных процессов

Евгений Радостев, представитель Фонда:

Проекты государственного масштаба требуют особого подхода. Здесь цифровые решения напрямую влияют на управляемость процессов и скорость принятия решений — а значит, и на сроки ввода объектов.

Для нас этот проект — подтверждение подхода: эффективная система начинается не с кода, а с понимания задач, контекста и пользователей.