95% попыток внедрения генеративного ИИ в компаниях терпят неудачу, — MIT
Если собираетесь внедрить генеративный ИИ в компании, у Массачусетского технологического института есть плохие новости. По данным MIT, в 95% случаев это не ведет к увеличению доходов.
Несмотря на бешеный ажиотаж и спешку в интеграции мощных новых моделей, только около 5% пилотных программ ИИ ведут к быстрому росту. Подавляющее большинство проектов останавливается, не имея практически никакого заметного влияния на прибыли или убытки.
Исследование «Распределение GenAI: состояние ИИ в бизнесе 2025» инициативы MIT NANDA основанно на 150 интервью с руководителями, опросе 350 сотрудников и анализе 300 публичных случаев развертываний ИИ, четко разграничивает истории успеха и остановленные проекты. Шерил Эстрада из журнала Fortune попросила Адитию Чаллапалли, ведущего автора отчета и исследователя NANDA, прокомментировать эти результаты.
«Некоторые пилотные проекты ИИ крупных компаний [по разработке ИИ] и молодые стартапы действительно преуспевают в генеративном ИИ. Это потому, что они выбирают единую «болевую» точку, прилагают максимум усилий, хорошо работают и разумно сотрудничают с компаниями, которые используют их инструменты», — сказал Чаллапалли.
Но для 95% компаний внедрение генеративного ИИ не оправдывает ожиданий. Основной проблемой является не качество моделей ИИ как таковых, а «пробелы в обучении», как самих инструментов изначально, так и во время их работы внутри компании. Хотя руководители часто обвиняют регулирование или производительность моделей, исследование MIT указывает на несовершенную интеграцию на предприятиях. Общие инструменты, такие как ChatGPT, отлично подходят для отдельных людей благодаря своей гибкости, но предприятия останавливают их использование, поскольку они не обучаются рабочим процессам и не адаптируются к ним.
Данные также свидетельствуют о несоответствии распределения ресурсов. Более половины бюджета генеративного ИИ выделяется на инструменты продаж и маркетинга. Но MIT обнаружил наибольшую рентабельность инвестиций в автоматизацию бэк-офиса с помощью ИИ: ликвидацию аутсорсинга бизнес-процессов, сокращение расходов на внешних подрядчиков и оптимизацию операций.
То, как компании внедряют ИИ, имеет решающее значение. Приобретение инструментов ИИ у специализированных поставщиков и построение партнерских отношений более успешны, тогда как внутренние сборки преимущественно неудачны. Этот вывод особенно актуален в сфере финансовых услуг и других высокорегулируемых секторах, где многие фирмы создают собственные генеративные системы ИИ. Исследование показывает, что компании сталкиваются с гораздо большим количеством неудач, когда работают самостоятельно. «Почти везде, куда мы пошли, предприятия пытались создать собственный инструмент», — отметил Чаллапалли. Опрошенные компании часто колебались, делиться ли неудачными результатами.
Сбои при распределении рабочей силы все чаще происходят, особенно в сфере поддержки клиентов и замещении административных должностей. Вместо массовых увольнений компании сейчас чаще не заполняют возникающие вакансии. Большинство изменений сосредоточены на работах, которые ранее передавались на аутсорсинг из-за низкой ценности. В отчете также подчеркивается проблема измерения влияния искусственного интеллекта на производительность и прибыль.
Самые продвинутые организации уже экспериментируют с агентными системами искусственного интеллекта, которые могут обучаться на работе, запоминать и действовать самостоятельно в установленных пределах. Это дает представление о возможном следующем, более успешном, этапе развертывания ИИ в бизнесе
