Несмотря на растущую популярность генеративного ИИ, большинство пилотных проектов в бизнесе не приносят измеримой пользы. Согласно данным MIT, лишь 5% компаний пилотных проектов демонстрируют измеримый рост выручки.
Количество компаний, внедряющих генеративный ИИ, продолжает расти, однако на практике многие сталкиваются со значительными трудностями. Как отмечает директор по разработке Neuro.net Мария Бых, текущая ситуация представляет собой переходную фазу от экспериментов к системной интеграции.
Статистика MIT указывает на то, что лишь около 5% пилотных проектов действительно приводят к измеримому росту выручки. Это часто связано с ожиданием универсального эффекта вместо фокуса на решении конкретных бизнес-задач. Основными препятствиями становятся не только так называемые «галлюцинации» ИИ, но и фундаментальные ограничения: скорость отклика, непредсказуемость в критичных сценариях и сложность интеграции с существующими системами. Для успеха необходим гибридный подход, сочетающий предсказуемую логику и гибкость генеративных моделей.
Для бизнеса за пределами ИТ-сегмента ключевым барьером являются совокупные затраты на подготовку данных, интеграцию и безопасность. Многие недооценивают объем работ по очистке информации и необходимость адаптации бизнес-процессов.
«Главная ошибка при внедрении — начинать с технологии, а не с бизнес-задачи. Многие компании внедряют ИИ-инструменты «потому что все так делают», не определив, какой процесс они хотят улучшить и как будут измерять эффект. Успешные кейсы всегда начинаются с одной четкой болевой точки — например, автоматизация обработки входящих звонков или генерация отчетов по шаблону. Только потом подбирается решение».
Мария Бых, директор по разработке Neuro.net
Особую сложность представляет человеческий фактор. Сотрудники часто испытывают недоверие к системам ИИ из-за непрозрачности их работы, и культурный барьер может оказаться серьезнее технических проблем. Кроме того, генеративные модели требуют чистых и релевантных данных, тогда как большинство компаний имеют разрозненные информационные массивы, что без предварительного аудита приводит к нестабильным результатам.
Вопросы безопасности и регулирования также сохраняют актуальность. Использование публичных моделей создает риски утечки конфиденциальной информации, особенно в регулируемых отраслях, где компании вынуждены выбирать проверенные подходы с полным соблюдением требований.
По прогнозам, в ближайшие год-два генеративный ИИ может стать инструментом при выполнении ключевых условий: появлении готовых отраслевых решений, снижении задержек при обработке запросов и росте зрелости компаний в управлении данными. В перспективе GenAI может стать такой же неотъемлемой частью рабочих процессов, как электронная почта или CRM-системы.