MIT выяснил, почему 95% проектов с генеративным ИИ не приносят прибыли
Специалисты Массачусетского технологического института зафиксировали провал корпоративных инвестиций в генеративный ИИ: при общемировых вложениях $30–40 млрд только 5% пилотных проектов дали быструю и финансово значимую отдачу. Исследование The GenAI Divide показало — проблема не в технологиях, а в неспособности компаний масштабировать ИИ-решения, неплохо работающие для отдельных сотрудников, до уровня корпоративных процессов. Кроме того, отчет выявил, что опасения по поводу массовых сокращений рабочих мест из-за внедрения ИИ преждевременны.
Иллюстрация сгенерирована Midjourney
Миллиарды долларов без отдачи
Исследователи Лаборатории медиа Массачусетского технологического института (MIT) в отчете The GenAI Divide: State of AI in Business 2025 делают вывод: уже потраченные корпорациями по всему миру на внедрение генеративного ИИ $30–40 млрд пока не привели к ожидаемой трансформации. Проект MIT NANDA (Networked Agents and Decentralized AI, Сетевые агенты и децентрализованный ИИ) проанализировал 300 публичных пилотных проектов, провел 150 интервью с топ-менеджерами и опросил 350 сотрудников компаний. Результат оказался неутешительным: 95% пилотов так и не перешли в стадию полномасштабного развертывания и не оказывают значимого влияния на выручку или издержки.
MIT фиксирует парадокс: высокий интерес бизнеса к ИИ-технологиям и попытки внедрять их пока никак не конвертируются в бизнес-результаты. Сотрудники компаний активно экспериментируют с ChatGPT от OpenAI, Claude от Anthropic и другими большими языковыми моделями, зачастую эффективно используя их для рабочих задач. Но когда дело доходит до интеграции ИИ в бизнес-процессы, проекты застревают на стадии красивых презентаций.
Проблема, отмечается в отчете, не в качестве работы самих нейросетей. GPT и Claude показывают впечатляющие результаты в тестах. Дело в организационном разрыве: универсальные инструменты ИИ в бизнесе отлично работают для отдельных сотрудников, но не масштабируются на уровень команд и департаментов. Внедряемые на нем инструменты малоэффективны, так как не запоминают контекст взаимодействий, не адаптируются под корпоративные регламенты и не встраиваются в существующие системы.
5% успешных проектов — это исключения, которые подтверждают правило. Они работают в узких, четко определенных сценариях. Например, автоматизация обработки документов в юридическом департаменте или генерация первичных версий рекламных текстов. Но даже эти кейсы редко показывают прямое влияние на доходы компании.
ChatGPT за $20 против системы за $50 000
Исследование MIT NANDA выявило ключевую проблему внедрения ИИ в бизнес: разрыв между возможностями ИИ и требованиями реальных бизнес-процессов. Специалисты называют это «learning gap» («разрыв в обучении») — неспособность корпоративных ИИ-решений накапливать знания о специфике компании и адаптироваться под ее процессы.
Показательный пример привела юрист одной из опрошенных компаний. Фирма потратила $50 000 на специализированную систему анализа контрактов. Но сотрудница по-прежнему предпочитает использовать для этих целей обычный ChatGPT за $20 в месяц. «Корпоративное решение выдает жесткие шаблоны без возможности доработки. В ChatGPT я веду диалог и получаю именно то, что нужно. Парадокс в том, что вендор утверждает — внутри та же технология GPT», — рассказала она исследователям MIT. Такие истории не единичны. Универсальный ChatGPT оказывается удобнее и эффективнее дорогих решений уровня предприятия.
По мнению авторов исследования, компании зачастую неправильно распределяют бюджеты на ИИ. Более 50% инвестиций идет в маркетинг и продажи — именно там, где эффект минимален. Зато области с реальным потенциалом экономии — автоматизация бэк-офиса, замена аутсорсинга, оптимизация операций — остаются недофинансированными.
Результат предсказуем: красивые презентации для совета директоров никак не влияют на выручку и затраты, а проекты превращаются в «вечные пилоты». Генеративный ИИ демонстрирует впечатляющие возможности в искусственных тестах, но не может встроиться в реальные процессы компании. Между лабораторным успехом и корпоративным внедрением — пропасть, которую большинство организаций преодолеть не могут.
Готовые решения наиболее эффективны
Исследование MIT NANDA обнаружило четкую закономерность: компании, которые покупают готовые ИИ-решения, добиваются успеха в 67% случаев. Те, кто разрабатывает собственные системы, — только в 33%. Разница двукратная и статистически значимая.
Причина проста. Стартапы и специализированные вендоры фокусируются на одной конкретной проблеме, доводя продукт до рабочего состояния, тестируя на реальных процессах и учитывая обратную связь от пользователей. Корпорации же пытаются создать универсальное решение для всех департаментов сразу — и терпят неудачу.
Успешные 5% проектов объединяет несколько факторов. Первый — вовлечение линейных менеджеров с самого начала. То есть, например, не IT-департамент решает, что нужно маркетингу, а маркетологи сами формулируют требования и тестируют решения. Второй — фокус на конкретной метрике. Не абстрактная «цифровая трансформация», а снижение времени на создание креативов на 40%. Третий — готовность к итерациям: успешные компании не ждут идеального решения, а запускают минимально готовую систему и постепенно ее дорабатывают.
Предлагаемые лучшие практики выглядят прагматично. Компания определяет одну критическую проблему, находит вендора с готовым решением и запускает пилот на небольшой команде. Результат оценивается по конкретным метрикам и, если он признан успешным, проект масштабируют. При неудаче проект быстро сворачивают без репутационных потерь.
Сокращения без увольнений и «теневой ИИ»
Исследователи MIT не зафиксировали массовых сокращений из-за генеративного ИИ. Компании действуют иначе: просто не заполняют освободившиеся вакансии. Стратегия «естественной убыли» позволяет экономить без репутационных рисков и выходных пособий.
В то же время эффективность ИИ в отдельных сферах уже наносит реальный удар по аутсорсингу. Колл-центры, службы поддержки, сторонние агентства по созданию контента — их контракты не продлевают. MIT приводит показательный кейс: компания потратила $8000 на ИИ-инструмент и сэкономила $8 млн в год, отказавшись от услуг на аутсорсе. Отдача на инвестиции — 1000x.
По оценке MIT, лишь 3% рабочих мест находятся под угрозой в краткосрочной перспективе из-за использования ИИ в бизнесе. В долгосрочной — до 27%, преимущественно в секторах с рутинными задачами. Сильнее всего будут затронуты отрасли технологий и медиа — здесь 80% руководителей ожидают сокращения найма в ближайшие два года.
Параллельно возник и развивается феномен «теневого ИИ» — когда сотрудники используют ChatGPT от OpenAI или Claude от Anthropic для рабочих задач без одобрения руководства. Это повышает производительность труда, но и создает риски для безопасности данных.
Компании также экспериментируют с ИИ-агентами — системами, которые запоминают контекст и обучаются на корпоративных данных. В ближайшие 12–18 месяцев большинство организаций планируют зафиксировать выбор платформ через долгосрочные контракты. Это, как ожидается, создаст новый рынок решений для генеративного ИИ в бизнесе.
MIT делает жесткий вывод: текущие корпоративные проекты с ИИ — это высокозатратная работа на публику. Компании демонстрируют рынку технологическую продвинутость, но пока в подавляющем большинстве случаев не получают реальной отдачи.
Новости
Неделя рекламы 
Кейсы 
How to 
Интервью и дискуссии 
Маркетинговые исследования 
Просто о сложном 
Энциклопедия обмана 
Проверено ADPASS 
Рекламные кампании