Исследование MIT показало неожиданную сторону ИИ: 95% компаний не получили выгоды от внедрения генеративных моделей

Доклад «The GenAI Divide: State of AI in Business 2025» показывает заметный разрыв между громкими заявлениями о цифровой трансформации и тем, что происходит внутри организаций. Несмотря на многомиллиардные вложения в развитие генеративного ИИ, лишь небольшая часть проектов приносит измеримый результат, тогда как остальные остаются на стадии экспериментов или пилотных внедрений.

Почему бизнес пока не получает ожидаемого эффекта

Авторы исследования изучили более 300 публичных инициатив по внедрению генеративного ИИ и провели глубинные интервью с руководителями 52 организаций. Итоги оказались весьма показательными: около 95% компаний из исследуемой выборки не смогли зафиксировать заметного влияния новых технологий на финансовые показатели или эффективность работы.

При этом проблема, как отмечается в отчете, заключается вовсе не в несовершенстве современных языковых моделей. Основное препятствие — сложности с интеграцией искусственного интеллекта в реальные бизнес-процессы. Во многих случаях компании запускали ChatGPT, Microsoft Copilot или аналогичные сервисы как универсальные инструменты, рассчитывая, что они автоматически повысят производительность сотрудников. На практике такого не произошло.

Большинство подобных решений действительно помогают ускорить подготовку документов, обработку информации или создание черновиков текстов, однако этого оказалось недостаточно для получения ощутимого экономического эффекта. Там, где требуется глубокое понимание внутренних процессов предприятия, отраслевой специфики или сложных регламентов, универсальные модели пока работают значительно менее эффективно.

Миллиарды инвестиций не гарантируют результата

На фоне стремительного роста капитализации крупнейших технологических компаний выводы исследования выглядят особенно контрастно. По различным отраслевым оценкам, совокупные корпоративные инвестиции в генеративный искусственный интеллект уже достигли примерно 30–40 млрд долларов. По текущему курсу это соответствует около 1,25–1,67 трлн гривен.

Однако масштабные расходы сами по себе не обеспечивают успешное внедрение технологий. Как отмечают исследователи MIT, лишь около 5% интегрированных проектов смогли выйти за рамки тестирования и продемонстрировать реальную коммерческую эффективность. Для остальных организаций внедрение пока остается дорогостоящим экспериментом, требующим постоянных инвестиций в инфраструктуру, обучение персонала и адаптацию внутренних процессов.

Главная проблема — не качество моделей

Одним из наиболее интересных выводов исследования стало то, что технические возможности современных моделей уже не являются главным ограничением. Намного чаще компании сталкиваются с организационными сложностями.

Исследователи обращают внимание, что многие проекты тормозятся из-за нестабильных рабочих процессов, недостаточно качественных корпоративных данных и ограниченной способности моделей учитывать долгосрочный контекст. В результате сотрудники вынуждены регулярно перепроверять ответы ИИ, корректировать результаты его работы и адаптировать их под реальные задачи бизнеса.

Именно поэтому лишь небольшая часть специализированных корпоративных решений смогла перейти в стадию промышленной эксплуатации. Такой вывод во многом совпадает с более ранними прогнозами Gartner, согласно которым значительная доля проектов в области генеративного ИИ рискует так и не выйти за пределы этапа Proof of Concept (PoC).

Кто справляется лучше — собственные команды или подрядчики

Отдельный раздел исследования посвящен сравнению различных подходов к разработке ИИ-систем. Анализ показал, что проекты, реализованные при участии внешних партнеров, значительно чаще доходили до полноценного внедрения.

Авторы приводят следующие данные:

• около 67% проектов с привлечением внешних разработчиков достигли стадии практической эксплуатации;
• для решений, созданных исключительно внутренними командами компаний, этот показатель составил примерно 33%;
• при этом исследователи подчеркивают, что сами организации по-разному оценивают успешность внедрения, поэтому эти цифры не следует воспринимать как безусловное преимущество аутсорсинга.

Другими словами, участие внешних специалистов действительно может ускорить реализацию проекта, однако само по себе не гарантирует получение ощутимого экономического эффекта.

Рынок постепенно избавляется от завышенных ожиданий

Последние два года многие компании воспринимали генеративный ИИ как универсальный инструмент, способный быстро повысить эффективность практически любого подразделения. Новое исследование MIT показывает, что подобные ожидания оказались слишком оптимистичными.

Сегодня становится очевидно: успешное внедрение требует не только современных моделей, но и серьезной подготовки бизнеса. Организациям приходится перестраивать внутренние процессы, создавать качественные базы знаний, выстраивать механизмы контроля ответов ИИ и обучать сотрудников работе с новыми инструментами. Без этой подготовки даже самые совершенные модели редко демонстрируют стабильный результат.

Аналитики отмечают, что рынок постепенно переходит от периода ажиотажа к более прагматичной оценке возможностей искусственного интеллекта. Теперь компании все чаще оценивают не количество внедренных ИИ-сервисов, а их реальное влияние на производительность и финансовые показатели.

Почему исследование важно не только для мирового бизнеса

Для украинских компаний выводы MIT также выглядят весьма актуальными. Многие предприятия уже используют ChatGPT, Copilot и другие генеративные модели для подготовки документов, автоматизации клиентской поддержки, программирования и обработки данных. Однако исследование показывает, что внедрение подобных решений не стоит рассматривать как универсальный способ быстро сократить расходы или заменить сотрудников.

Эксперты все чаще сходятся во мнении, что в ближайшие годы конкурентное преимущество получат не те организации, которые первыми внедрят генеративный ИИ, а те, кто сумеет грамотно встроить его в существующие процессы и обеспечить модели качественными корпоративными данными. Именно интеграция, а не сама технология, становится главным фактором успеха.

Интересно, что одновременно меняется и поведение самих ИИ-сервисов. Например, недавно ChatGPT начал ограничивать запросы, связанные с имитацией стиля известных писателей, что отражает общую тенденцию отрасли к более осторожному использованию генеративных моделей. Это еще раз показывает: рынок искусственного интеллекта продолжает быстро развиваться, однако путь от впечатляющих демонстраций до устойчивой бизнес-эффективности оказался значительно сложнее, чем предполагалось всего несколько лет назад.