Технологии будущего бизнеса: почему темпы внедрения замедляются
В 2025 году 88% участников опроса McKinsey сообщили, что их организации регулярно используют ИИ хотя бы в одной бизнес-функции. Годом ранее таких ответов было 78%.
При этом около двух третей респондентов указали, что их компании ещё не начали масштабировать ИИ на уровне всей организации.
Этот разрыв точнее описывает динамику, чем разговоры о замедлении технологических изменений. Компании внедряют новые инструменты, но распространение решений по всей структуре требует данных, интеграции, кадров и понятной модели отдачи. Поэтому технологии будущего бизнеса всё чаще упираются не в отсутствие пилотов, а в сложность перехода от локального результата к устойчивой операционной системе.
Ловушка пилотных проектов: разрыв между экспериментом и масштабом
Цифра использования сама по себе мало говорит о зрелости внедрения. Компания может применять ИИ в одной функции и одновременно не иметь планов распространить его на остальные подразделения. Пилот подтверждает техническую возможность. Масштабирование требует повторяемого результата, совместимости с действующими процессами и ответственности за эксплуатацию.
Данные McKinsey показывают этот разрыв и на примере агентных систем. В 2025 году 62% респондентов сообщили, что их организации как минимум экспериментируют с ИИ-агентами. О масштабировании таких систем хотя бы в одной функции заявили 23%. Среди компаний, перешедших к масштабированию, большинство внедряло агентов только в одной или двух функциях.
Агентные системы требуют отдельной оценки. Они могут выполнять последовательности действий, работать с инструментами и взаимодействовать с корпоративными данными. Однако каждый дополнительный шаг увеличивает число точек отказа: система может неверно интерпретировать запрос, обратиться к неподходящему источнику или передать ошибочный результат в следующий процесс. Для пилота достаточно ограниченного контура и наблюдения специалистов. В рабочей среде нужны контроль доступа, журналирование, обработка исключений и понятный порядок эскалации.
Переход к масштабированию обычно включает несколько задач:
1. Определить процесс, где автоматизация меняет измеримый показатель: время обработки, количество ошибок, нагрузку на сотрудников или стоимость операции.
2. Зафиксировать границы применения. Система должна понимать, какие действия ей разрешены, какие данные доступны и в каких случаях решение принимает человек.
3. Проверить работу на разных типах запросов и исключениях, а не только на типовом сценарии демонстрации.
4. Подготовить эксплуатационную модель: мониторинг качества, обновление данных, поддержку пользователей и разбор инцидентов.
5. Сравнить результат с исходным уровнем и оценить, сохраняется ли эффект при росте числа операций.
Если хотя бы один из этих элементов не готов, пилот может оставаться локальным успешным опытом без экономического значения для всей компании. Отсюда и разница между числом организаций, которые сообщают об использовании ИИ, и числом организаций, завершивших интеграцию в рабочие процессы.
Пилот показывает, что технология может работать в ограниченной среде. Масштабирование показывает, способна ли организация поддерживать её в ежедневной эксплуатации.
Технический фундамент как главный тормоз цифровизации
В исследовании Roland Berger, опубликованном в мае 2025 года, участвовали 150 руководителей компаний с численностью более 250 сотрудников. Все компании уже экспериментировали с генеративным ИИ; выборка охватывала пять европейских стран. Полностью интегрировали ИИ в операции и рабочие процессы 27% опрошенных.
Среди препятствий участники чаще всего называли проблемы с данными и сложность интеграции. Распределение ответов в исследовании выглядело так:
| Названное препятствие | Доля ответов |
|---|---|
| Проблемы с данными | 28% |
| Сложность интеграции ИИ-сценариев | 25% |
| Нехватка специалистов по ИИ и данным | 15% |
| Этические опасения | 12% |
| Финансовые ограничения | 10% |
| Недостаток доверия | 10% |
Эти показатели относятся к конкретной выборке руководителей компаний, уже пробовавших генеративный ИИ. Их нельзя переносить на все организации. Но порядок причин показывает, где часто находится практическое узкое место: технологический слой зависит от состояния корпоративной инфраструктуры.
Для ИИ данные должны быть доступны в подходящем формате, достаточно полны и пригодны для конкретной задачи. Разрозненные справочники, дубли, устаревшие записи и разные правила ведения информации увеличивают стоимость подготовки проекта. Даже мощная модель не компенсирует систематические ошибки в исходных данных. Она может быстрее обработать вход, но не превратить его автоматически в достоверный результат.
Вторая часть проблемы — интеграция. Корпоративные процессы редко собраны в одном приложении. Информация проходит через CRM, ERP, документооборот, внутренние базы и специализированные системы. У каждого контура есть свои права доступа, форматы, правила обновления и требования к безопасности. Подключение новой модели к одному интерфейсу не означает, что она корректно встроена в цепочку операций.
Это видно и по более широким технологическим изменениям. В отчёте OECD, BCG и INSEAD о предприятиях стран G7 стоимость перестройки систем была наиболее часто упоминаемым препятствием для использования облачных вычислений. Её называли 60% предприятий обрабатывающей промышленности и 56% предприятий ИКТ. Эти цифры относятся именно к облачным технологиям, а не к ИИ в целом. Они иллюстрируют общий для цифровизации механизм: новое решение требует адаптации существующей архитектуры, а цена этой адаптации может оказаться сопоставимой с затратами на сам инструмент.
Устаревшая инфраструктура влияет и на рентабельность. Если для запуска автоматизации приходится перестраивать несколько систем, очищать данные и поддерживать параллельные процессы, исходная экономия может проявиться позднее. Эффективность следует считать на уровне всей цепочки, включая интеграцию и сопровождение, а не только по стоимости лицензии или вычислений.
Человеческий фактор: переобучение как часть внедрения
Технологический проект меняет распределение задач. Сотрудникам приходится осваивать новые интерфейсы, проверять результаты алгоритмов и передавать системе часть повторяющейся работы. Руководителям — пересматривать процессы и ответственность. Если обучение не встроено в план внедрения, фактическое использование инструмента часто расходится с проектным сценарием.
В отчёте OECD, BCG и INSEAD примерно каждое второе опрошенное предприятие сообщало о трудностях с переобучением или повышением квалификации сотрудников при внедрении ИИ. Нежелание проходить обучение отмечали 45% предприятий обрабатывающей промышленности и 34% предприятий ИКТ. Эти показатели не означают, что сотрудники в целом сопротивляются технологиям. Они фиксируют проблему в конкретных выборках: обучение конкурирует с текущей нагрузкой, а польза нового инструмента не всегда ясна его будущим пользователям.
Практический эффект зависит от того, как организована смена ролей. Если ИИ добавлен поверх прежнего процесса, сотрудник получает дополнительную проверку без уменьшения основной нагрузки. Тогда система воспринимается как ещё один канал работы. Если автоматизация меняет последовательность операций, нужно определить, кто принимает решение, кто отвечает за исключения и кто проверяет качество результата.
Особенно чувствительны процессы, где ошибка влияет на клиента, финансовую операцию или производственную безопасность. В таких случаях персоналу нужны не только общие инструкции по работе с ИИ. Нужны сценарии проверки, правила эскалации и понимание ограничений модели. Без этого сотрудники либо чрезмерно доверяют автоматизации, либо обходят её и возвращаются к прежним инструментам.
Для планирования обучения полезно разделять три уровня:
- базовое использование интерфейса и понимание функций;
- проверка результатов, данных и ограничений системы;
- управление процессом, где автоматизированные и человеческие решения соединены.
Такая структура помогает оценить кадровую часть бюджета отдельно от технических затрат. Она также делает показатели внедрения точнее: количество подключённых пользователей не равно фактическому использованию инструмента и тем более не равно улучшению процесса.
Экономика инноваций: где возникает реальная отдача
Отдачу от ИИ сложно оценить, если компания не определила исходный показатель. Ускорение отдельных операций не гарантирует роста прибыли. Сэкономленное время может быть распределено по другим задачам, расходы на контроль могут вырасти, а нагрузка на инфраструктуру — увеличиться. Финансовый эффект зависит от того, какой процесс меняется и как организация использует высвободившийся ресурс.
В опросе McKinsey 2025 года 39% респондентов сообщили о каком-либо влиянии ИИ на EBIT компании. Большинство участников этой группы оценили долю EBIT, связанную с ИИ, менее чем в 5%. Это самооценки респондентов, а не независимый аудит финансовой отчётности. Показатель стоит читать как сигнал о ранней фиксации эффекта, а не как универсальную оценку доходности ИИ-проектов.
Рентабельность зависит от нескольких уровней расчёта. На уровне операции можно измерить время, точность или стоимость обработки. На уровне функции — пропускную способность и количество задач, выполненных без увеличения штата. На уровне компании — влияние на расходы, выручку и EBIT. Между этими уровнями нет автоматического перехода: сокращение времени выполнения задачи не обязательно приводит к снижению затрат, если процесс остаётся ограничен другими этапами.
Для сравнения проектов пригодна компактная модель оценки:
| Показатель | Что он показывает |
|---|---|
| Исходная стоимость процесса | Сколько ресурсов расходуется до автоматизации |
| Эффект на единицу операции | Как меняются время, качество или стоимость одной задачи |
| Полная стоимость внедрения | Интеграция, подготовка данных, обучение, поддержка и вычислительные ресурсы |
| Доля операций с подтверждённым эффектом | Насколько результат распространяется за пределы тестовой группы |
| Устойчивость качества | Сохраняется ли показатель при изменении данных и росте нагрузки |
Для разных задач нужны разные метрики. В службе поддержки можно учитывать время обработки и долю обращений, требующих вмешательства специалиста. В документообороте — точность извлечения данных и число исправлений. В прогнозировании — качество результата на независимом периоде, а не только совпадение с историческими данными. Универсальная метрика для всех проектов отсутствует.
При этом модели финансовой оценки должны учитывать задержку между затратами и эффектом. Подготовка данных и интеграция часто происходят до того, как система охватывает значимый объём операций. Если оценивать проект слишком рано, затраты уже видны, а эффект ещё ограничен. Если слишком поздно, возникает риск приписать технологии результат, который вызван другими изменениями в бизнесе.
Поэтому портфель технологий будущего бизнеса требует сопоставления проектов по масштабу задачи, готовности данных и цене интеграции. Самая заметная демонстрация не обязательно даёт лучший финансовый результат. Более скромная автоматизация повторяемого процесса может оказаться рентабельнее, если её проще встроить и поддерживать.
Регуляторная неопределённость и доверие к системам
Внедрение ИИ связано с вопросами ответственности, защиты данных и управления риском. В опросе Deloitte о генеративном ИИ, проведённом с июля по сентябрь 2024 года среди 2 773 руководителей в 14 странах и шести отраслях, среди сохраняющихся проблем масштабирования назывались регуляторная неопределённость, управление рисками, недостатки данных и вопросы рабочей силы.
Этот результат описывает мнения руководителей, вовлечённых в пилотирование или внедрение GenAI. Он не задаёт универсальный порядок барьеров для всех компаний. Однако неопределённость влияет на скорость перехода к рабочей эксплуатации: организации должны определить, какие данные допустимо передавать системе, кто проверяет результаты и как документируются решения.
Доверие здесь имеет операционное содержание. Пользователь должен понимать, где система надёжна, где может ошибиться и в каких случаях требуется проверка специалиста. Руководитель должен видеть, какие версии модели использовались, на каких данных построен ответ и как фиксируются отклонения. Без такой наблюдаемости контроль качества превращается в выборочную ручную проверку.
Регуляторные требования различаются по стране, отрасли и типу данных. Обзор правительства Великобритании о барьерах внедрения трансформационных технологий, опубликованный в июне 2025 года, рассматривает роль государства и отрасли в британском контексте. Его выводы нельзя автоматически переносить на другие юрисдикции. Для международных компаний это означает необходимость учитывать местные правила и не строить единую модель управления на предположении, что требования везде одинаковы.
Управление риском также влияет на экономику. Чем выше потенциальный ущерб от ошибки, тем больше ресурсов может потребоваться на проверку, журналирование и ограничение полномочий системы. В низкорисковой задаче допустим более автоматизированный режим. В чувствительном процессе модель может оставаться вспомогательным инструментом, а окончательное действие будет подтверждать сотрудник. Это меняет ожидаемый эффект, но делает его сопоставимым с уровнем риска.
Масштабирование зависит от зрелости организации
Доступные исследования фиксируют широкое использование ИИ и одновременно ограниченное распространение решений на уровне компаний. Они не доказывают, что внедрение технологий в бизнесе в целом замедляется: большинство приведённых показателей относится к ИИ, генеративному ИИ и отдельным облачным сценариям. Но они показывают, почему рост числа пилотов не всегда превращается в рост производительности.
Следующий этап будет зависеть от способности компаний соединять технологию с процессами. Для этого нужны пригодные данные, совместимая инфраструктура, обученные сотрудники и измерение эффекта на уровне операции и финансового результата. Масштабирование станет рентабельнее там, где эти элементы проектируются вместе, а не добавляются по очереди после запуска пилота.
При таком подходе автоматизация бизнес-процессов 2025 года — это прежде всего вопрос управляемого перехода. Новые системы будут распространяться по функциям, где качество данных можно контролировать, интеграцию — поддерживать, а результат — проверять по устойчивым показателям. Рост технологий продолжится, но его темп будет определяться готовностью организаций превращать локальную эффективность в повторяемую практику.