GenAI Divide: Итоги внедрения ИИ в бизнесе 2025

Перевод исследования MIT NANDA State of AI in Business 2025

Ключевые выводы

Компании уже вложили в генеративный ИИ (GenAI) от 30 до 40 миллиардов долларов. Но наш отчёт показывает неожиданные результаты: 95% организаций не видят никакой отдачи от этих вложений. Такой разрыв наблюдается и среди покупателей (от крупных корпораций до малого бизнеса), и среди разработчиков решений (стартапов, поставщиков, консалтинговых компаний). Мы называем это явление GenAI Divide (разрыв в эффективности ИИ). Только 5% пилотных проектов по интеграции ИИ приносят компаниям ощутимую прибыль — миллионы долларов. Остальные застряли на этапе экспериментов, не влияя на финансовые показатели.

Причина разрыва кроется не в качестве моделей и не в регулировании, а в выбранной стратегии внедрения.

Инструменты вроде ChatGPT и Copilot быстро вошли в повседневную работу. Более 80% компаний уже тестировали их или запускали пилотные проекты, а почти 40% внедрили такие решения в рабочие процессы. Однако эти инструменты в основном помогают сотрудникам работать быстрее, что почти не отражается на доходах компании.

В то же время корпоративные решения и платформы — как собственные разработки, так и продукты внешних поставщиков — часто остаются невостребованными. 60% организаций рассматривали такие системы, но только 20% дошли до пилотирования, и лишь 5% запустили их в реальной работе. Большинство проектов терпит неудачу из-за неустойчивых процессов, отсутствия обучения на реальных кейсах и слабой интеграции с ежедневными задачами.

Наши интервью, опросы и анализ 300 открытых внедрений позволили выделить четыре ключевые тенденции, которые формируют GenAI Divide — разрыв между лидерами и догоняющими в применении генеративного ИИ:

• Изменения происходят медленно: Лишь в двух из восьми крупных отраслей заметны серьезные сдвиги в структуре работы. 
• Корпоративный парадокс: Крупные компании запускают больше пилотных проектов, но редко выходят на этап масштабного внедрения.
• Перекос в инвестициях. Большинство инвестиций направляют в клиентские сервисы, хотя на бэк-офисе можно получить больший эффект.  
• Эффективность реализации. Когда внедрение ведут внешние партнёры, результат оказывается успешным в два раза чаще, чем при разработке внутри компании.

Проблемы с инфраструктурой, регулированием или поиском специалистов — не самое сложное. Главный барьер — это обучение систем. Сегодня большинство генеративных ИИ-решений не могут запоминать обратную связь, учитывать контекст и со временем становиться лучше.

Есть небольшая группа компаний и поставщиков, которые ускоряют прогресс, решая эти задачи напрямую. Успешные заказчики требуют адаптации инструментов под свои бизнес-процессы и смотрят на реальные результаты, а не на технические показатели. Они ждут, что решения будут органично встроены в работу и со временем станут эффективнее. Те поставщики, кто отвечает этим ожиданиям, уже получают многомиллионные контракты за считанные месяцы.

В большинстве случаев внедрение генеративного ИИ не ведёт к массовому сокращению штата. Но компании, которые преодолели разрыв в эффективности ИИ, уже видят точечные изменения в командах поддержки, разработке и административных отделах. Самые эффективные игроки фиксируют заметную экономию за счет уменьшения расходов на аутсорсинг и услуги внешних агентств, особенно в бэк-офисе. Другие отмечают рост удержания клиентов и увеличение продаж благодаря автоматизации коммуникаций и «умным» системам повторных касаний. Всё это показывает: если внедрять обучаемые решения для конкретных задач, можно получать ощутимую отдачу — и без масштабных перестроек.

Почему внедрение генеративного ИИ не ведёт к настоящим переменам 

Главная мысль: Многие компании активно внедряют GenAI, но так и не достигают реальных преобразований. В семи из девяти отраслей почти не видно глубоких изменений. Компании пробуют ИИ-инструменты, но лишь немногие запускают решения в работу на полную силу. Массово используют универсальные сервисы, вроде ChatGPT, а вот индивидуальные корпоративные решения внедряют неохотно. Причина — их сложно интегрировать, и они плохо сочетаются с привычными рабочими процессами.

Разрыв становится особенно заметен, если смотреть на отдельные отрасли. Несмотря на громкие анонсы и многочисленные пилотные проекты, лишь немногие компании переходят от экспериментов к реальной трансформации бизнеса.

Где GenAI действительно меняет правила игры

Главная мысль:  Разрыв в эффективности GenAI ярко проявляется на уровне отраслей. Несмотря на высокий интерес и масштабное внедрение, только две отрасли — технологии и медиа — уже ощущают настоящие перемены. Остальные семь пока далеки от серьёзных преобразований.

Хотя инвестиции в ИИ растут, отрасли меняются медленно. GenAI уже помогает в поддержке, создании контента и аналитике, но глубокие перемены, которые когда-то приносили другие универсальные технологии, пока встречаются редко. Мы почти не видим появления новых лидеров, разрушения старых бизнес-моделей или заметных изменений в поведении клиентов. Кстати, в этой статье мы рассказывали, почему традиционные модели перестают работать и как AI Operating Model перезапускает процессы, данные и стратегии.

Чтобы понять, насколько сильно искусственный интеллект меняет рынки, мы создали составной индекс рыночных изменений под влиянием ИИ (composite AI Market Disruption Index). Мы оценили каждую отрасль по пяти ключевым признакам, присваивая баллы от 0 до 5. Для этого мы использовали открытые данные и интервью с экспертами. Итоговые оценки — это средние значения по пяти направлениям, приведенные к единой шкале. Чтобы убедиться в надёжности результатов, мы сравнили разные способы расчета.

Вот какие факторы мы учитывали:

1. Насколько быстро меняется доля рынка у лидеров (2022–2025)
2. Как растет выручка компаний, которые изначально строились на ИИ и появились после 2020 года
3. Сколько новых бизнес-моделей возникло благодаря ИИ
4. Как генеративный ИИ (GenAI) влияет на поведение пользователей
5. Как часто топ-менеджмент меняет структуру ради внедрения AI-инструментов

Где искусственный интеллект уже меняет правила игры

Отрасль	Главные признаки перемен
Технологии	Новые игроки бросают вызов лидерам (например, Cursor против Copilot); появляются свежие подходы к работе
Медиа и Телеком	Растёт объём AI-контента; меняется рынок рекламы; старые лидеры пока держат позиции
Профессиональные услуги	Повышается эффективность; клиентские сервисы в основном работают по-старому
Медицина и фарма	Запускаются пилотные проекты по автоматизации документации; клинические решения почти не изменились
Ритейл и потребительский сектор	Автоматизация поддержки клиентов; влияние на лояльность и позиции лидеров пока ограничено
Финансовые сервисы	Автоматизация рутинных задач; отношения с клиентами остаются прежними
Высокотехнологичные отрасли	Масштабные пилоты в обслуживании; в цепочках поставок перемен почти нет
Энергетика и сырьевой сектор	Почти не внедряют ИИ; эксперименты встречаются редко

Мы проверили, как разные схемы оценки влияют на результаты по пяти признакам. Технологии, медиа и телеком неизменно занимали верхние строчки, независимо от того, как изменялись весовые коэффициенты. Здравоохранение и энергетика стабильно оставались в конце списка. Профессиональные услуги (Professional services) оказались самыми чувствительными к изменениям: их показатели колебались от 1,2 до 2,1 в зависимости от того, делали ли мы упор на эффективность или на структурные сдвиги.

В семи из девяти крупнейших секторов активно запускают пилотные проекты, но до настоящих изменений дело почти не доходит. Такой разрыв между вложениями и реальной трансформацией чётко показывает, как формируется разрыв в эффективности GenAI.

Вот как описал ситуацию операционный директор одной из компаний среднего бизнеса в сфере производства:

«В LinkedIn пишут, что всё уже по-другому, но у нас в работе ничего по-настоящему не поменялось. Мы просто быстрее обрабатываем часть договоров — и на этом всё».

Почему пилотные ИИ-проекты не становятся реальными решениями

Главная мысль: Разрыв в эффективности GenAI особенно заметен при внедрении — только 5% кастомных корпоративных ИИ-решений доходят до реального использования. Чат-боты легко запустить и попробовать, они гибкие, но не справляются с критически важными задачами — у них нет долгосрочной памяти и возможностей глубокой настройки. Именно этот пробел мешает большинству компаний двигаться дальше.

Наше исследование выявило заметный разрыв между этапами знакомства с инструментами генеративного ИИ и реальным внедрением этих технологий. Особенно сильна разница между стандартными и индивидуальными корпоративными решениями.

Провал 95% корпоративных AI-инициатив ярко иллюстрирует этот разрыв. Компании, оказавшиеся «по ту сторону баррикад», продолжают вкладываться в статичные инструменты, которые не умеют подстраиваться под их задачи. В то же время успешные организации выбирают системы, которые учатся и меняются вместе с бизнесом.

Типовые LLM-чат-боты вроде ChatGPT на первый взгляд легко проходят путь от пилота до внедрения — примерно в 83% случаев. Но за этой цифрой скрывается глубокое расслоение реальной пользы. Именно поэтому большинство компаний так и не переходит на новый уровень.

В интервью корпоративные пользователи хвалили массовые сервисы за гибкость, знакомый интерфейс и быструю отдачу. Зато к кастомным или «навязанным» решениям относились настороженно: их называли «хрупкими», «чересчур сложными» и не подходящими для реальных задач.

Как отметил один из CIO: «За этот год мы посмотрели десятки демо-версий. Полезными оказались одна-две. Всё остальное — просто красивые “обёртки” или лабораторные игрушки».

Чаще всего у компаний хватает энтузиазма и бюджета, чтобы запустить пилотный проект. Но превратить его в рабочую систему, которая действительно помогает каждый день, удаётся редко.

Крупные компании (в этом исследовании это те, чья годовая выручка превышает $100 млн) чаще других запускают пилотные проекты и выделяют на инициативы с искусственным интеллектом (AI) больше сотрудников. Однако высокая активность не гарантирует успеха: именно у этих организаций переход от пилота к масштабированию дается тяжелее всего.

Для сравнения: средние компании двигаются быстрее и принимают решения смелее. Лидеры рынка тратят всего 90 дней, чтобы перейти от тестирования к полноценному запуску. Крупным корпорациям на тот же путь требуется девять месяцев и больше.

Пять популярных заблуждений о генеративном ИИ в больших компаниях

1. AI скоро вытеснит большинство сотрудников  
На деле генеративный ИИ пока приводит лишь к отдельным сокращениям — и только там, где ИИ уже ощутимо меняет процессы. Руководители ещё не уверены, как изменится найм в ближайшие 3–5 лет.

2. Генеративный ИИ полностью меняет бизнес  
Несмотря на высокий интерес к внедрению, настоящая трансформация случается редко. Лишь 5% корпораций смогли встроить ИИ-инструменты в ежедневную работу на широком уровне. В 7 из 9 отраслей серьёзных изменений пока не видно.

3. Крупные компании медленно внедряют новые технологии  
На самом деле корпорации проявляют высокий интерес к ИИ: 90 % из них уже серьёзно рассматривали покупку специализированных корпоративных решений.

4. Главные преграды для ИИ — качество моделей, юридические риски или данные 
На практике внедрение тормозят другие причины: большинство ИИ-инструментов не учатся в процессе работы и плохо встраиваются в текущие процессы.

5. Лучшие компании разрабатывают ИИ-инструменты сами 
Внутренние проекты по созданию таких инструментов терпят неудачу вдвое чаще.

Теневая AI-экономика: Как сотрудники прокладывают путь к ИИ

Главная мысль: Пока официальные проекты по внедрению генеративного ИИ буксуют, сотрудники уже активно используют личные AI-инструменты. Такой «теневой ИИ» часто приносит больший эффект и помогает реально преодолеть барьеры, стоящие перед компаниями.

За сухими цифрами корпоративных внедрений скрывается неожиданная тенденция: ИИ уже меняет повседневную работу, хотя и не по официальным каналам. Наше исследование показало: развивается целая теневая AI-экономика, где сотрудники подключают свои аккаунты ChatGPT, оформляют подписки на Claude и используют другие сервисы, чтобы автоматизировать значительную часть задач — зачастую без ведома или разрешения IT-отдела.

Масштабы впечатляют. Только 40 % компаний оформили корпоративную подписку, а сотрудники более 90 % опрошенных организаций признались, что регулярно используют личные AI-инструменты для работы. Почти каждый участник исследования применял LLM в той или иной форме для решения рабочих задач.

Во многих случаях сотрудники запускали LLM несколько раз в день, используя личные аккаунты — и так происходит всю рабочую неделю. Официальные же AI-проекты компаний в основном остаются на стадии пилота.

Эта теневая AI-экономика доказывает: сотрудники могут успешно преодолеть разрыв в использовании генеративного ИИ, если у них есть доступ к удобным и гибким инструментам. Компании, которые замечают эту тенденцию и используют её, формируют новые подходы к внедрению ИИ в бизнесе.

Лидеры рынка начинают сокращать этот разрыв, внимательно изучая неформальное использование ИИ и оценивая, какие персональные решения действительно полезны, прежде чем внедрять корпоративные аналоги.

Паттерны инвестирования, которые подчеркивают этот разрыв

Главная мысль: распределение инвестиций ярко иллюстрирует, как проявляется GenAI Divide. Половина всех бюджетов на генеративный ИИ уходит в продажи и маркетинг, хотя автоматизация внутренних процессов часто приносит больший эффект. Такой перекос возникает из-за простоты подсчёта результатов, а не из-за реальной пользы, и мешает компаниям сосредоточиться на действительно важных задачах.

Если посмотреть по направлениям, инвестиции в GenAI чаще всего сосредоточены в нескольких отделах. Поскольку расходы на ИИ пока не отражаются в официальных отчетах, мы попросили руководителей распределить условные 100 долларов между разными функциями. В среднем 70 % бюджета уходят в продажи и маркетинг.

Продажи и маркетинг лидируют не только из-за своей заметности, но и потому, что здесь легко показать результат. Метрики вроде количества встреч или скорости ответа на письма напрямую связаны с целями компании.

Юридические, закупочные и финансовые отделы, напротив, приносят более скрытые, но не менее важные выгоды: меньше рисков, оптимизированные рабочие процессы и ускоренное закрытие отчетных периодов. Однако такие результаты сложнее представить на совещании или включить в отчет для инвесторов.

Вице-президент по закупкам крупной фармацевтической компании из списка Fortune 1000 чётко описал суть проблемы:

«Если я покупаю инструмент, который ускорит работу моей команды, как мне показать этот эффект? Как объяснить это CEO, если выручка напрямую не вырастет, а расходы заметно не уменьшатся? Да, исследователи быстрее получат нужные инструменты, но это не сразу влияет на финансовый результат».

Из-за этого ресурсы часто уходят на «заметные» проекты, которые не всегда меняют ситуацию к лучшему. В то же время самые перспективные возможности для роста остаются в тени — особенно во внутренних бэк-офисных процессах, где генеративный ИИ может принести максимальную отдачу.

Сложности с измерением эффекта — не единственное препятствие. На практике решающим становится доверие и рекомендации. Руководитель отдела закупок крупной компании FMCG поделился своей дилеммой:

«Я получаю десятки писем с обещаниями “лучшего ИИ-решения”. Некоторые демо действительно впечатляют, но главная задача — понять, кому можно доверять. В таком потоке предложений мы чаще всего полагаемся на советы коллег или личные рекомендации».

Этот пример показывает: одного качества продукта мало. Куда важнее — связи, рекомендации и личные знакомства через венчурных инвесторов. Именно они чаще всего влияют на то, какие корпоративные решения действительно внедряют, а не просто обсуждают.

Почему пилотные проекты генеративного ИИ застревают: разрыв в обучении компаний

Главная причина, по которой организации не могут преодолеть разрыв в области GenAI, — это фундаментальный разрыв в обучении (learning gap): поскольку модели не дообучаются на корпоративных данных, они не адаптируются под нужды компании, а значит, с трудом встраиваются в рабочие процессы и остаются невостребованными. Люди используют ChatGPT для простых задач, но не доверяют ему ответственные проекты из-за отсутствия долговременной памяти. Другими словами, система не запоминает контекст и историю взаимодействия после завершения сессии. Компании остро нуждаются в решениях, которые умеют адаптироваться, запоминать и улучшаться со временем. Именно эти качества отличают тех, кто вырывается вперед, от остальных.

Барьеры, которые не дают двигаться дальше

Главная мысль: ключевые препятствия напрямую связаны с фундаментальным разрывом в обучении (learning gap): пользователи не хотят работать с корпоративными инструментами, которые не адаптируются под их задачи. Такие системы не дообучаются на внутренних данных компаний и страдают от нехватки контекста. В результате даже те, кто активно использует ChatGPT для личных нужд, сталкиваясь с корпоративными версиями ИИ, не доверяют им и называют ненадежными.

Чтобы разобраться, почему большинство пилотных проектов генеративного ИИ так и не переходят в реальную работу, мы провели опрос среди руководителей и рядовых сотрудников из 52 компаний. Участники оценивали самые частые препятствия для масштабирования по шкале от 1 до 10, где 10 — это барьеры, встречающиеся почти всегда.

Результаты подтвердили очевидное: главный барьер — сопротивление внедрению новых инструментов. 

Но второй по значимости фактор оказался куда серьёзнее, чем можно было ожидать. Удивительно, что на первый план вышли тревоги из‑за качества моделей. Пользовательский интерес к ChatGPT и похожим сервисам растёт: более 40% специалистов умственного труда уже используют AI‑инструменты в работе. Однако те же люди, легко внедряя решения с ИИ в личные задачи, называют их ненадежными, когда сталкиваются с корпоративными версиями. Этот парадокс ярко иллюстрирует разрыв между ожиданиями от генеративного ИИ и тем, как его внедряют в компаниях.

Здесь проявляется глубокое противоречие. Специалисты, которые ежедневно используют ChatGPT для собственных нужд, требуют от корпоративных систем умения учиться и запоминать контекст. Многие сотрудники уже внедрили AI‑инструменты в свою рутину и отмечают рост эффективности, тогда как официальные инициативы компаний по ИИ буксуют. Такое «теневое» использование формирует обратную связь: люди знают, каким должен быть удобный ИИ, и всё меньше готовы мириться с устаревшими корпоративными решениями.

Парадокс универсальных инструментов: всеобщая популярность и ограниченная польза

Главная мысль: разрыв в эффективности ИИ становится заметен в пользовательских предпочтениях. ChatGPT выигрывает у корпоративных решений, потому что работает быстрее, проще и привычнее, даже если обе стороны используют одинаковые модели. Но именно эта популярность объясняет, почему компании все еще отстают: корпоративные системы не успевают за ожиданиями пользователей.

Наши интервью раскрыли удивительное противоречие. Многие профессионалы скептически относятся к корпоративным ИИ-инструментам, но при этом с энтузиазмом используют публичные ИИ-сервисы, вроде ChatGPT, для личных задач. Когда мы попросили их сравнить оба подхода, всплыли три устойчивые тенденции: более высокое качество ответов, преимущество знакомого интерфейса и больший уровень доверия к универсальным инструментам.

Эту тенденцию подтверждает комментарий ниже от корпоративного юриста, чья компания вложила 50 000 долларов в специализированный сервис для анализа контрактов. Однако для создания черновиков документов юрист снова и снова обращается к ChatGPT:

«Наш инструмент для анализа контрактов выдаёт сухие резюме и почти не даёт настроек. В ChatGPT я могу вести диалог, дорабатывать текст и получать именно тот результат, который мне нужен. Разница в качестве ощущается сразу: ChatGPT стабильно справляется лучше, хотя наш поставщик уверяет, что использует ту же технологию».

Эта история показывает: универсальный сервис за 20 долларов в месяц часто оказывается удобнее и эффективнее, чем дорогостоящие корпоративные решения. По крайней мере, если говорить о простоте использования и удовлетворенности сотрудников. Такой парадокс помогает понять, почему многие компании до сих пор не преодолели разрыв в применении генеративного ИИ.

Почему ИИ всё ещё не готов к важным задачам

Главная мысль: Ограничения LLM-моделей ярко показывают суть проблемы GenAI Divide. Система быстро теряет контекст, не учится на ошибках и не развивается сама. Поэтому 90% пользователей выбирают людей для задач, где ошибка недопустима. Проблема не в интерфейсе — у генеративного ИИ просто нет памяти и способности меняться под задачи.

Пользователи любят удобные интерфейсы LLM, но мы выяснили, почему они не спешат внедрять такие решения для серьёзной работы. Оказалось, что дело не только в удобстве. Главный барьер — отсутствие у ИИ настоящей памяти и навыка учиться на прошлых действиях. Именно этот пробел мешает перейти на новую технологию.

Вот как описывает ситуацию юрист, который с удовольствием использует ChatGPT для черновиков, но не доверяет ему важные документы:

«Для мозгового штурма и первых версий — отличный помощник. Но он не запоминает предпочтения клиента и не учитывает мои прошлые правки. Каждый раз он повторяет одни и те же ошибки, и мне приходится заново объяснять всё с нуля. В работе, где цена ошибки высока, мне нужна система, которая накапливает опыт и становится умнее со временем».

Этот отзыв чётко показывает: отсутствие у ИИ способности учиться мешает компаниям перейти на новую технологию. Пользователи ценят гибкость и простоту LLM, но им нужны стабильность и понимание контекста — а этого нынешние инструменты пока не дают.

Когда мы попросили сотрудников крупных компаний выбрать исполнителя для задач, где ошибка может дорого обойтись, их предпочтения оказались весьма однозначными.

Кому доверить задачу: ИИ или junior-специалисту?

Эти результаты ясно показывают: ИИ уже победил в борьбе за рутинную работу. 70% респондентов поручают ему подготовку писем, 65% — базовый анализ. Но когда речь заходит о сложных или долгосрочных задачах, люди по-прежнему лидируют с огромным отрывом — в 9 раз чаще выбирают человека.

Всё дело не только в уровне «интеллекта». Главные различия — в памяти, гибкости и способности учиться на основе опыта. Именно эти качества и создают разрыв между генеративным ИИ и человеком — так называемый GenAI Divide.

Agentic AI (автономный ИИ-агент) — это новый класс систем, которые изначально умеют запоминать, учиться и совершенствоваться шаг за шагом. В отличие от привычных генеративных ИИ-решений, которым каждый раз приходится заново разбираться в задаче, агентные системы накапливают опыт, учатся на взаимодействиях и могут самостоятельно управлять сложными рабочими процессами.

Первые корпоративные проекты уже показывают, на что способны такие системы. Клиентские чат-агенты берут на себя весь цикл обработки запросов. Финансовые агенты контролируют и одобряют стандартные транзакции. Агент-продавец следит за продажами сразу в нескольких каналах. Всё это помогает компаниям закрывать те самые пробелы, о которых все давно говорят: недостаток автономии, памяти и гибкости в ИИ.

Преодолевая GenAI Divide: Как добиваются успеха лидеры рынка

Те, кто оказывается в числе лидеров на рынке генеративного ИИ, действуют по общему принципу. Они создают гибкие системы, которые быстро учатся на обратной связи. Самые успешные стартапы не распыляются: они выбирают узкие, но важные задачи, глубоко внедряются в рабочие процессы и развиваются за счет постоянного обучения, а не просто добавления новых функций. Глубокое понимание своей области и тесная интеграция в ежедневную работу оказываются важнее, чем эффектный интерфейс.

Наши интервью показывают: среди стартапов, работающих с генеративным ИИ, растет разрыв. Одни буксуют, полагаясь на старые SaaS-методики, и не могут сделать рывок вперёд. Другие же быстро привлекают внимание крупных клиентов — они смело адаптируют продукт и решают реальные задачи бизнеса.

Интерес к инструментам генеративного ИИ остаётся высоким. Некоторые фаундеры делились, что запускали пилотные проекты за считанные дни и быстро выходили на выручку в миллионы долларов в год. Вперёд вырываются не те, кто делает универсальные решения, а те, кто глубоко внедряется в рабочие процессы, подстраивается под задачи клиентов и начинает рост с небольших, но ценных точек входа.

Наши данные ясно показывают: успешные компании и поставщики активно решают задачи обучения, передачи знаний и адаптации рабочих процессов. А те, кто терпит неудачу, либо разрабатывают универсальные инструменты, либо пытаются справиться своими силами, не привлекая экспертов.

Успешные стартапы строят системы, которые учатся на обратной связи (это ключевое требование 66 % руководителей), умеют сохранять контекст (63% считают это обязательным) и гибко подстраиваются под конкретные задачи. Они начинают с небольших, легко настраиваемых участков рабочего процесса, а затем расширяют свои решения на ключевые направления.

Что действительно важно бизнесу: как преодолеть разрыв между возможностями генеративного ИИ и их реальной пользой

Самые успешные поставщики понимают: чтобы преодолеть разрыв между возможностями генеративного ИИ и их применением, нужно создавать такие системы, которые не просто генерируют контент, а учатся и развиваются внутри компании — именно этого требуют руководители.

При выборе ИИ-инструментов заказчики выделяют несколько приоритетов. Мы отметили эти темы во всех интервью, чтобы понять, как часто они влияют на решения о покупке:

• Гибкость при изменениях
• Способность становиться лучше со временем
• Четкие границы использования данных
• Минимальные изменения в привычных инструментах
• Глубокое понимание нашего рабочего процесса
• Поставщик, которому можно доверять

Опасения, что автоматизация вытеснит людей, встречаются реже, чем ожидалось. Большинство сотрудников поддерживают автоматизацию, особенно если она избавляет от рутинных задач. Главное — чтобы данные были в безопасности, а результаты можно было оценить.

Расхожее мнение о том, что крупные компании не хотят обучать AI-системы, оказалось не совсем верным. Большинство команд, с которыми мы общались, готовы внедрять такие решения, если польза очевидна и есть понятные правила безопасности.

Несмотря на интерес к искусственному интеллекту, команды с осторожностью относятся к новым поставщикам — особенно там, где ошибки могут дорого обойтись или где действуют строгие правила. Многие руководители закупок признались, что игнорируют почти все предложения стартапов, даже если они выглядят очень интересно.

«Каждый день мы получаем десятки презентаций AI-инструментов для закупок. Но наш нынешний партнер по аутсорсингу уже хорошо знает наши правила и процессы. Мы скорее дождёмся их версии с AI, чем рискнем перейти к незнакомой компании».  Руководитель отдела закупок, глобальная компания FMCG

Как стартапам преодолеть разрыв GenAI

Главная мысль: Стартапы, которые успешно преодолевают разрыв в области GenAI, начинают с небольших, но заметных побед в ограниченных рабочих процессах, а затем масштабируются. Инструменты с низкими требованиями к внедрению и быстрой окупаемостью оказываются эффективнее сложных корпоративных решений. Реферальные каналы и доверие коллег являются ключевыми механизмами роста для преодоления этого разрыва.

Самые успешные стартапы борются со скептицизмом и одновременно удовлетворяют спрос на обучение. Для этого они используют две ключевые стратегии:

Тонкая настройка под реальные задачи

Успех часто начинается с внедрения в некритичные или смежные процессы, где есть возможность гибко подстроиться под нужды команды. Здесь важно сразу показать очевидную пользу и потом постепенно переходить к основным рабочим процессам. Это действительно решающий момент.

Лучшие инструменты объединяло два качества: простота настройки и мгновенная отдача. Напротив, решения, которые требуют глубокой корпоративной доработки, часто застревают на стадии тестирования и не доходят до полноценного внедрения.

В нашем исследовании наибольший успех показали такие категории:

• Голосовой ИИ для суммаризации и роутинга звонков
• Автоматизация документов для работы с контрактами и формами
• Генерация кода для повторяющихся инженерных задач

Сложности чаще всего возникали у инструментов со сложной логикой, непрозрачной системой поддержки решений или алгоритмами, основанными на закрытых правилах. Такие продукты встречают сопротивление из-за того, что корпоративные процессы часто уникальны и требуют индивидуального подхода.

Некоторые стартапы добились успеха, заняв нишу в небольших, но важных процессах — особенно в продажах и маркетинге. Затем они расширяли свое присутствие внутри компании. Лидеры среди стартапов, работающих с генеративным ИИ, достигают годовой выручки в $1,2 млн всего за 6–12 месяцев после запуска.

Привлечение клиентов через реферальные сети

Чтобы снять барьеры недоверия, успешные стартапы используют несколько подходов: 

• сотрудничают с системными интеграторами; 
• получают рекомендации от членов совета директоров и советников при закупках; 
• выходят на клиентов через знакомые корпоративные маркетплейсы.

Окно возможностей сужается

Главная мысль: окно для преодоления GenAI Divide быстро закрывается. Компании закрепляют за собой инструменты, которые умеют учиться и меняться. Агентный ИИ и фреймворки памяти, такие как NANDA и MCP (Model Context Protocol), определят, кто поможет бизнесу перейти на новый уровень, а кто останется в стороне.

Бизнес всё чаще требует решения, способные адаптироваться с течением времени. Уже сейчас Microsoft 365 Copilot и Dynamics 365 внедряют постоянную память и обратную связь. Бета-версия памяти в ChatGPT от OpenAI подтверждает, что такие ожидания распространяются и на универсальные инструменты.

Стартапы, которые быстро сократят этот разрыв и создадут адаптивных агентов, способных учиться на обратной связи, поведении и результатах, получат прочное преимущество. Их сила — в данных и глубокой интеграции с клиентом. Времени на это мало: во многих отраслях пилотные проекты уже стартовали.

Необходимая инфраструктура формируется на базе фреймворков вроде Model Context Protocol (MCP), Agent-to-Agent (A2A) и NANDA. Они обеспечивают совместимость и координацию между агентами. Эти протоколы поддерживают конкуренцию и уменьшают расходы, позволяя узкоспециализированным агентам работать вместе, а не собирать всё в одном сложном продукте. Именно эти фреймворки закладывают основу для Agentic Web (Агентной паутины) — сети, где монолитные приложения уступают место гибким слоям координации.

В ближайшие несколько кварталов многие компании заключат с поставщиками договоры, которые будет практически невозможно разорвать. Этот 18-месячный горизонт подтверждают опрошенные нами семнадцать руководителей по закупкам и ИТ-сорсингу, а также открытые данные о закупках: путь от запроса предложений (RFP) до запуска системы у крупных компаний занимает от двух до восемнадцати месяцев. Когда организации внедряют ИИ-системы, которые учатся на их данных, процессах и обратной связи, они с каждым месяцем увеличивают затраты на смену поставщика.

«Сейчас мы сравниваем пять разных решений GenAI, но выберем то, что лучше всего освоит наши процессы и сможет адаптироваться под них. Как только мы потратим время на обучение системы, переход на другую платформу станет слишком дорогим».  CIO, финансовая компания с выручкой $5 млрд

Как корпоративные заказчики технологий преодолевают разрыв в использовании генеративного ИИ

Компании, которые успешно справляются с внедрением GenAI, подходят к закупке ИИ иначе. Они действуют как клиенты аутсорсинговых сервисов, а не как обычные покупатели ПО по подписке. Такие организации требуют гибкой настройки, запускают пилоты прямо среди конечных пользователей и оценивают поставщиков по реальным бизнес-результатам. Самые успешные понимают: чтобы пройти через разрыв в использовании генеративного ИИ, нужно строить партнерство, а не просто покупать лицензии.

Наши интервью показывают: самые эффективные компании больше не ждут «идеального» применения ИИ или централизованного одобрения. Они запускают эксперименты в разных командах, тесно сотрудничают с поставщиками и чётко распределяют ответственность. Эти компании не просто действуют быстрее — они гибко меняют стратегию и быстро учатся.

В нашей выборке внешние партнёрства, где используют обучаемые и настраиваемые инструменты, доходили до внедрения примерно в 67% случаев. Для полностью внутренних разработок этот показатель составил всего 33%. Эти данные основаны на самооценке участников и могут не отражать всех скрытых факторов. Однако разница такого масштаба подтверждается всеми опрошенными.

Этот разрыв объясняет, почему ChatGPT отлично справляется с разовыми задачами, но «сдаёт позиции» в критически важных рабочих процессах. Универсальные корпоративные решения часто уступают не только потребительским LLM, но и кастомизированным альтернативам.

Как изменить оргструктуру, чтобы преодолеть GenAI-разрыв

Главная мысль: правильная оргструктура помогает преодолеть разрыв в использовании генеративного ИИ. Стратегические партнёрства приводят к успеху в два раза чаще, чем собственные разработки. Главное — не столько ресурсы, сколько децентрализация полномочий при сохранении четкого владельца результата.

Главное препятствие на пути к внедрению генеративного ИИ — это не интеграция и не бюджет, а именно организационный дизайн. Наши данные показывают: компании добиваются цели, когда распределяют ответственность за внедрение между подразделениями, но сохраняют единый центр принятия решений.

Мы выделили три основных модели внедрения GenAI в командах, которые демонстрируют принципиально разные результаты:

• Strategic Partnership (Стратегическое партнерство) — стратегия, при которой компания не разрабатывает решение с нуля самостоятельно, а привлекает внешних поставщиков или партнеров.
• Internal Development (Внутренняя разработка) — подход, при котором компания силами своих сотрудников, создает, внедряет и обслуживает собственные ИИ-инструменты.
• Hybrid (Гибридная модель) — стратегия внедрения GenAI, при которой внутренняя команда компании тесно сотрудничает с внешним вендором для совместной разработки и внедрения решений.

Стратегические партнёрства (Strategic Partnerships) помогли внедрять новые решения гораздо успешнее, чем попытки создать всё своими силами (Internal Development). Хотя в нашем исследовании мы чаще встречали инициативы формата Build («строим сами»), а не Buy («покупаем готовое»), и больше компаний пробовали именно внутреннюю разработку, процент успеха оказался выше у тех, кто работал с внешними партнерами. Мы не располагаем точными числами по всем проектам, но видим явную тенденцию: несмотря на популярность подхода «сделай сам», такие проекты чаще сталкиваются с неудачами.

Компании нередко совмещали оба подхода, однако пилотные проекты, запущенные вместе со стратегическими партнерами, вдвое чаще переходили в полноценную работу. Особенно заметно, что сотрудники в два раза активнее пользовались инструментами, которые создавали внешние команды.

Партнёрство обычно позволяет быстрее получить ощутимую пользу, сократить расходы и проще встроить новое решение в повседневные процессы. Компании избегают затрат на разработку с нуля и получают продукт, который подстроен под их задачи. Те, кто это понимает, значительно увеличивают свои шансы преодолеть разрыв GenAI Divide — границу между теми, кто внедряет генеративный ИИ, и теми, кто отстаёт.

Как заказчики технологий преодолевают GenAI Divide

В интервью мы заметили чёткую особенность у организаций, которым удалось преодолеть GenAI Divide. Такие компании воспринимают AI-стартапы не просто как поставщиков программного обеспечения, а как бизнес-партнёров, способных взять на себя часть задач и ответственности. Они предъявляют к ним требования и оценивают их работу по тем же стандартам, что и консалтинговые фирмы или аутсорсинговые центры бизнес-процессов (BPO). Эти организации:

• Требовали глубокой кастомизации под внутренние процессы и данные
• Оценивали инструменты по операционным результатам, а не лабораторным тестам
• Поддерживали партнерство несмотря на неудачи на ранних этапах и шаг за шагом улучшали решения
• Инициативы по ИИ часто запускали сами линейные менеджеры

Во многих компаниях именно отдельные специалисты и лидеры команд становятся ключевыми двигателями перемен. Часто самые успешные внедрения ИИ начинались с энтузиастов — сотрудников, которые уже пробовали использовать ChatGPT или Claude для повышения своей продуктивности. Эти просьюмеры (prosumers) быстро схватывали, на что способен генеративный ИИ, и помогали коллегам освоить новые инструменты. Вместо того чтобы ждать указаний от централизованной ИИ-команды, компании давали право выбора тем, кто отвечает за бюджеты и реальные задачи. Менеджеры сами формулировали проблемы, подбирали подходящие решения и запускали их поэтапно. Такой подход «снизу вверх», когда инициативу поддерживают и на высшем уровне, помогает быстрее внедрять ИИ и делать его по-настоящему полезным для бизнеса.

Где прячется настоящий ROI: по ту сторону GenAI-разрыва

Главная мысль: Компании, которые смогли преодолеть «GenAI-разрыв», находят максимальную отдачу от инвестиций там, где её меньше всего ждут — в операциях и финансах. Настоящая выгода приходит, когда бизнес начинает заменять BPO (аутсорсинг процессов) и внешние агентства, а не просто сокращать штат. Все смотрят на инструменты для фронт-офиса, но именно решения для бэк-офиса приносят реальную экономию.

Хотя, по оценкам руководителей, почти половина AI-бюджетов уходит на продажи и маркетинг, самые заметные сокращения расходов происходят после автоматизации бэк-офиса. Результаты во фронт-офисе легко показать совету директоров, но именно внедрение ИИ в бэк-офис позволяет быстрее вернуть вложения и чётко уменьшить затраты.

Лучшие компании получают ощутимую выгоду сразу в двух направлениях:

Фронт-офис:

• Скорость квалификации лидов выросла на 40%  
• Удержание клиентов улучшилось на 10% благодаря AI-поддержке в фоллоу-апах и сообщениях

Бэк-офис:

• Отказ от BPO (business process outsourcing) помогает сэкономить от $2 до $10 млн в год на клиентском сервисе и обработке документов
• Расходы на услуги подрядчиков (маркетинговые и digital-агентства, контент-студии и т.д.) снижаются на 30% — меньше трат на креатив и контент
• Проверки рисков в финансовых сервисах теперь обходятся дешевле: экономия $1 млн в год за счет отказа от внешнего риск-менеджмента

Примечательно, что этих результатов удалось достичь без массовых сокращений. Новые инструменты ускорили рабочие процессы, но не затронули структуру команд и не потребовали пересмотра бюджетов. Возврат инвестиций появился за счет снижения внешних расходов: компании перестали платить за аутсорсинг бизнес-процессов, сократили агентские комиссии и заменили дорогих консультантов собственными специалистами, усиленными искусственным интеллектом.

В целом видно, что, хотя большинство инвестиций и внимания по-прежнему достаются продажам и маркетингу, автоматизация бэк-офиса может принести компаниям куда более заметную и долгосрочную выгоду. Особенно это касается тех, кто готов выйти за рамки привычных сценариев.

Как ИИ меняет рабочие процессы

Главная мысль: ИИ уже влияет на рабочие места. Мы видим, что он постепенно вытесняет отдельные функции, которые раньше отдавали на аутсорсинг, и замедляет найм новых сотрудников. Однако массовых увольнений не происходит. Компании, освоившие генеративный ИИ, действительно снижают внешние расходы, но численность внутренней команды уменьшается незначительно.

Где ИИ вытесняет людей и как компании перестраиваются

Наш анализ показывает: сокращения, связанные с внедрением генеративного ИИ, чаще всего затрагивают те задачи, которые давно считались второстепенными — поддержку клиентов, административную обработку и типовые задачи разработки. Эти роли были уязвимы ещё до появления ИИ из-за аутсорсинга и стандартизации. Руководители неохотно делятся деталями, но в подразделениях поддержки клиентов и административной обработки данных сокращения составили от 5 до 20% сотрудников.

Ожидания компаний в отношении найма сильно зависят от отрасли и тесно связаны с тем, насколько на нее влияет искусственный интеллект. В сферах, где ИИ пока не вносит серьёзных перемен — например, в здравоохранении, энергетике и высокотехнологичном производстве, — большинство руководителей не замечают сокращения найма и не ждут его в ближайшие пять лет. Некоторые допускают, что количество новых сотрудников может уменьшиться со временем, но признают: у компаний пока нет инструментов, чтобы точно предсказать, когда и где это произойдет. Так, руководители в здравоохранении не планируют уменьшать набор врачей и медицинского персонала.

А вот в технологиях и медиа, где генеративный ИИ уже заметно меняет правила игры, более 80% топ-менеджеров ожидают снижения объемов найма в ближайшие два года.

Главный вывод: этот эффект концентрируется среди компаний, которые активно внедряют ИИ и уже переживают серьёзные перемены из-за генеративного ИИ — в первую очередь, в технологическом и медийном секторах.

Новые требования к сотрудникам

Внедрение генеративного ИИ заставляет компании по-новому смотреть на стратегию найма. Хотя среди топ-менеджеров нет единого мнения о том, сколько людей нужно нанимать на стартовые позиции или вообще, все они подчеркивают: умение работать с ИИ становится обязательным навыком. Компании понимают, что владение ИИ-инструментами помогает упростить рутину и получить преимущество перед конкурентами.

«Мы делаем ставку на кандидатов, которые умеют работать с ИИ. Недавние выпускники часто опережают опытных коллег по этому критерию». Вице-президент по операционной деятельности, производственная компания среднего сегмента.

Как автоматизация изменит рабочие места: прогнозы и реальные цифры

Исследование MIT Project Iceberg показывает, какие профессии могут вскоре автоматизировать:

• Сейчас автоматизация охватывает 2,27% от общей стоимости труда в США. 
• В скрытой зоне автоматизации — 2,3 триллиона долларов и 39 миллионов рабочих мест.

Эти возможности откроются, когда AI-системы получат постоянную память, научатся учиться на ходу и смогут самостоятельно использовать рабочие инструменты. Именно эти возможности определяют преодоление GenAI-разрыва.

Изменения в трудовой сфере будут происходить постепенно. Массовых увольнений за один день не случится. Пока AI не научится адаптироваться к контексту и работать полностью автономно, компании в первую очередь будут сокращать внешние расходы, а не проводить масштабные внутренние реформы.

Следующая эра: как Агентная паутина (Agentic web) перевернёт цифровой мир

Главная мысль: после появления отдельных AI-агентов нас ждёт агентная паутина — сеть, где автономные системы сами находят друг друга, договариваются и совместно работают по всему интернету. Такой подход может кардинально упростить бизнес-процессы и изменить правила игры для компаний.

Базовые технологии для этой трансформации уже появляются. Протоколы вроде Model Context Protocol (MCP), Agent-to-Agent (A2A) и NANDA не просто делают агентов совместимыми. Они позволяют им самостоятельно ориентироваться в интернете. В агентных сетях системы сами ищут лучших поставщиков и оценивают варианты без участия человека. Они на лету создают динамические API-интеграции, не требуя заранее прописанных коннекторов. Транзакции проходят через смарт-контракты на блокчейне, что делает их прозрачными и безопасными. А рабочие процессы возникают и перестраиваются сами, подстраиваясь под разные платформы и организации.

Первые примеры уже впечатляют. Агенты для закупок сами находят новых поставщиков и договариваются об условиях. Сервисные системы легко взаимодействуют между платформами. Контент-воркфлоу объединяет нескольких провайдеров, автоматически проверяет качество и запускает оплату. Всё это — шаг к новому формату работы, где человек больше не посредник. Автономные системы охватывают весь интернет, выходят далеко за рамки нынешнего GenAI Divide. Такой подход радикально меняет способы поиска, интеграции и заключения сделок в условиях сетевой экономики.

Заключение: как преодолеть разрыв в использовании генеративного ИИ

Организации, которые успешно преодолевают разрыв в эффективности ИИ, делают три ключевых шага: 

• не тратят ресурсы на собственные разработки, а покупают готовые решения;  
• доверяют принятие решений не только экспертам, но и линейным менеджерам;
• выбирают инструменты, которые легко встраиваются в существующие процессы и способны меняться вместе с компанией.

Самые дальновидные уже тестируют агентные системы. Такие агенты умеют учиться, запоминать и действовать самостоятельно, если задать им нужные рамки. Это не просто упрощает рутину — компании получают гибкие инструменты для роста и экспериментов.

Переход к Agentic Web — это не просто смена инструментов. Мы вступаем в эпоху, где появляется устойчивый, гибкий слой обучающихся систем. Эти системы взаимодействуют между разными поставщиками, доменами и интерфейсами, создавая прочные связи. В отличие от привычной корпоративной ИТ-архитектуры, где преобладают разрозненные SaaS-решения и статичные процессы, Agentic Web внедряет динамичных агентов. Они согласовывают задачи, обмениваются контекстом и координируют действия по всей компании.

Как когда-то Всемирная паутина децентрализовала информацию и торговлю, так и Agentic Web меняет подход к действиям. В центре — не просто выполнение запросов, а автономная координация с помощью протоколов. Системы вроде NANDA, MCP и A2A уже прокладывают инфраструктуру для этого: организации собирают рабочие процессы не из кода, а из возможностей и взаимодействий агентов.

Пока компании выстраивают партнерства с поставщиками и настраивают обратную связь, разрыв между теми, кто освоил генеративный ИИ, и остальными быстро растёт. Уже к 2026 году времени на раздумья почти не останется. В новой волне внедрения победят не самые эффектные модели, а решения, которые учатся, запоминают и точно подстраиваются под задачи бизнеса.

Сдвиг от самостоятельной разработки к покупке готовых решений, рост числа продвинутых пользователей и появление агентных функций открывают огромные возможности для тех, кто предлагает обучаемые, глубоко интегрированные ИИ-системы. Компании и поставщики, которые увидят эти перемены и быстро начнут действовать, займут лидирующие позиции в ИИ-экономике после пилотной фазы.

Если ваша компания пока оказалась по другую сторону баррикад, есть понятный путь вперёд. Перестаньте вкладываться в статичные инструменты, которые требуют постоянных запросов. Вместо этого начните работать с поставщиками, способными предложить решения под ваши задачи. Сфокусируйтесь на том, чтобы встроить новые технологии в ежедневную работу, а не на эффектных демонстрациях.

Разрыв между компаниями в сфере генеративного ИИ не навсегда. Но чтобы его преодолеть, нужны смелые шаги: по-новому выстроить отношения с технологиями, выбрать правильных партнеров и пересмотреть организационную структуру.

Где узнать больше о возможностях AI для бизнеса и команд?

💡 В блоге ScrumTrek рецепты и кейсы применения AI в менеджменте и управлении продуктами.

💡 Здесь рассказываем, как сотрудники раскрывают весь потенциал ИИ — обзор исследования в двух частях.

💡 Тем, кто хочет узнать, какие компетенции важно прокачать менеджеру уже сейчас, будет полезна колонка Михаила Подурца для РБК Pro: 13 навыков менеджера, которые помогут выжить управленцу в эпоху ИИ.