Почему компании всё активнее вкладываются в ИИ, а ощутимую отдачу получают единицы

По данным исследования McKinsey за 2025 год, искусственный интеллект используют уже 88% компаний хотя бы в одной функции. Но влияние на прибыль отметили лишь 39%, а ощутимым его назвали единицы. Ниже разберём, что отличает компании с измеримым эффектом от тех, кто пока только тратит бюджет, какие ошибки мешают большинству и где в аналитике ИИ окупается уже сегодня.

Три ловушки, из-за которых ИИ не окупается

Deloitte в исследовании «AI ROI: парадокс растущих инвестиций и ускользающей отдачи» зафиксировала разрыв между вложениями в ИИ и реальной отдачей от них. В октябре 2025 года компания опросила 1854 руководителя крупных компаний Европы и Ближнего Востока. За год вложения в ИИ нарастили 85% из них. Но окупались эти вложения медленно: типичный проект выходил в плюс за два–четыре года против привычных 7–12 месяцев у ИТ-проектов, а быстрее чем за год их вернули лишь 6% компаний.

Тот же разрыв описывает Boston Consulting Group (BCG) — одна из крупнейших консалтинговых компаний мира. В серии разборов 2025 года о сокращении затрат с помощью ИИ BCG оценила потенциал технологии в задачах на основе корпоративных знаний — создании контента и разработке — в 20–30% экономии. Но на практике компании в среднем достигали лишь около 48% поставленных целей, а явный эффект отмечала только четверть. Причину исследователи видят в том, что компании не отслеживают реальную отдачу и не доводят потенциальную экономию до фактического результата. То есть ИИ освобождает время и ресурсы, но мало кто перестраивает бизнес-процессы с учётом этого. Как следствие, экономия остаётся лишь на бумаге.

На нашей практике этот разрыв сводится к трём типовым ошибкам. Разберём каждую и покажем, как её обходят те, у кого получается.

ИИ остаётся витриной, но не меняет ни одного решения

Самый распространённый сценарий внедрения ИИ выглядит так: компания добавляет ИИ как надстройку над привычной аналитикой — умный дашборд, чат поверх базы данных, автоматическую сводку «на лету». На презентации это выглядит эффектно, но на прибыль не влияет, потому что сам по себе отчёт не меняет действий.

В эту ловушку попадают те, кто начинает перемены с инструмента, не задавая себе вопрос, какое действие или процесс он должен изменить. В результате аналитик по-прежнему сводит данные руками, закупщик заказывает «на глаз», руководитель действует как раньше.

Там, где ИИ окупается, модель встроена в цепочку «данные → прогноз → действие → измерение результата». Как следствие компания может проследить, что внедрённый ИИ влияет на размер заказа, цену на полке, маршрут доставки или производственный режим. Именно замкнутость этой цепочки превращает аналитику в деньги.

У Сбера робот для звонков по просроченной задолженности встроен в процесс взыскания. Он ведёт разговор, предлагает варианты реструктуризации и принимает по ним решения. ИИ-оператор совершает 83% исходящих звонков, а совокупный эффект от ИИ в работе с задолженностью банк оценивает примерно в 4,5 млрд рублей за 2025 год. Эта аналитика меняет саму операцию и влияет на возврат долга.

ИИ отвечает без опоры на данные, поэтому ошибается

Вторая ловушка связана с верой в то, получить ответ можно, подключив ИИ напрямую к базе данных. Этот подход называют «чат с базой данных», или Text2SQL.

Проблема такого подхода в том, что без актуального семантического слоя — описания того, какие данные лежат в системе, как они связаны, что означает каждая метрика и какими запросами её правильно считать — система начинает угадывать. И угадывает она правдоподобно, но её ответ может оказаться ложью. При этом у пользователя нет возможности проверить его достоверность. Как следствие, он быстро теряет доверие к такой системе.

Всю глубину проблемы этого подхода показывает независимое исследование LinkedIn. Команда компании выстроила полноценный семантический слой над своим хранилищем, но даже в этих условиях система давала лишь 48% удовлетворительных ответов, а без примеров корректных запросов точность падала примерно до 24%. А в другом исследовании ведущие языковые модели прогнали по одному и тому же набору вопросов к данным сначала с семантическим слоем, потом без него. С опорой на слой даже топовые модели отвечали верно примерно в 67–68% случаев, без него — лишь в 45–50%. Вывод в обоих случаях один — семантический слой заметно поднимает точность, но и с ним примерно каждый третий ответ остаётся неверным. А это значит, доверять такой системе без проверки нельзя.

У тех, у кого получается, под моделью лежит этот фундамент: семантический слой и governance — доверенные данные, согласованные метрики и заданные права доступа. ИИ опирается на них и отвечает предсказуемо, а пользователи ему доверяют.

Точность модели принимают за результат

Третья ловушка — оценивать ИИ по техническим метрикам. Команда радуется, что точность прогноза выросла до 92%, но на вопрос «сколько это принесло денег» обычно нет.

В неё попадают, когда техническую метрику принимают за результат. Бизнесу важны списания, выручка, уровень запасов, потери и себестоимость. А точность модели — это промежуточный показатель, который имеет смысл, когда переведён в деньги через конкретное решение. Вдобавок без точки отсчёта и A/B-теста эффект ИИ легко перепутать с сезонностью, удачным промо или движением рынка и приписать модели чужую заслугу.

У тех, у кого получается, измерение поставлено как дисциплина. Показателен подход X5: эффект ИИ-решений компания проверяет на A/B-тестах. Она сравнивает результат там, где работает модель, с сопоставимым контролем без неё, и подтверждает на финансовых моделях. В стоимость закладывают полный TCO — лицензию, разработку, данные, интеграцию и поддержку, а после запуска ведут мониторинг, потому что модели со временем деградируют вслед за изменением спроса, цен и ассортимента. Дисциплина измерения окупается быстро: уже при внедрении системы прогнозирования спроса в 2018 году X5 вернула вложения за два месяца вместо плановых восьми.

Где ИИ в аналитике надёжно окупается

От общих проблем перейдём к областям, где ИИ-аналитика уже приносит измеримый эффект. И, главное, что публичные отчёты компаний это подтверждают.

Но для начала — пару слов о потенциале ИИ вообще. По оценке McKinsey, генеративный ИИ может добавлять мировой экономике $2,6–4,4 трлн в год, и около 75% этой ценности концентрируется в четырёх функциях — продажах и маркетинге, клиентских операциях, разработке ПО и R&D. Потолок эффекта зависит и от отрасли: до 5% выручки в банках и до 9% — в технологическом секторе.

Прогноз спроса и пополнение запасов

Это, пожалуй, самый денежный класс решений. Ещё в 2018 году X5 автоматизировала прогнозирование спроса и пополнение запасов на базе системы JDA. Точность прогноза выросла на 17%, доступность товара на полке — на 5%, а уровень запасов снизился на 13%. С тех пор ИИ закрепился в ключевых процессах сети. А по итогам 2025 года совокупный эффект от ИИ-решений составил около 5 млрд рублей дополнительной операционной прибыли.

Похожий механизм работает не только в ритейле. Danone с продвинутой аналитикой спроса снизил ошибку прогноза на 20%, а потери продаж — на 30%. Механизм в обоих случаях один: точный прогноз спроса позволяет заказывать ровно столько, сколько нужно. Как следствие, меньше дефицит и объём упущенных продаж, меньше излишков, списаний и замороженных в запасах денег. Эффект напрямую считается в деньгах и повторяется в каждом цикле закупок.

Логистика и маршруты

Классический пример — система ORION (On-Road Integrated Optimization and Navigation) в UPS. Каждый день курьер развозит сотни посылок, порядок объезда адресов можно составить огромным числом способов. ORION анализирует данные о заказах, адресах, временных окнах доставки и дорожной сети и рассчитывает для каждого водителя оптимальный маршрут, а при изменении условий пересчитывает его на ходу. Это один из крупнейших в мире проектов по оптимизации на основе данных.

Экономия складывается из мелочей, помноженных на масштаб. В результате даже небольшое сокращение пробега у каждого из десятков тысяч водителей за год превращается в огромные цифры. По данным UPS, после полного развёртывания ORION экономит компании около 100 млн миль пробега и 10 млн галлонов топлива в год. Это 300–400 млн долларов ежегодной экономии и сокращения издержек.

Производственная оптимизация

В промышленности даже 1–3% улучшения процесса оборачиваются миллионами и миллиардами.

1. «Норникель» оценивает ежегодный эффект от ИИ примерно в 1,5% EBITDA и сообщал о порядка 100 млн долларов дополнительного дохода в 2023 году. А к 2030 году компания ожидает не менее 50 млрд рублей прибыли в год от ИИ в горной цепочке.
2. «Северсталь» с ML-системой управления агрегатом непрерывного горячего цинкования подняла его производительность на 3,4% за три месяца. В результате экономический эффект превысил 100 млн рублей.
3. СИБУР за счёт мультивариантного анализа технологических процессов получил более 900 млн рублей эффекта за 2022–2024 годы. Например, вдвое увеличил межсервисный пробег реактора на производстве полиэтилена (со 179 до 380 дней).

Контроль качества и компьютерное зрение

Та же «Северсталь» внедрила систему компьютерного зрения VERA, которая в потоке выявляет дефекты на поверхности стального проката. Раньше качество рулонов проверяли вручную, и часть брака доходила до заказчика с претензиями, возвратами и репутационными издержками. Сейчас нейросеть осматривает каждый рулон одинаково внимательно и без усталости, отбраковывая дефектную продукцию ещё до отгрузки. За счёт этого доля клиентских претензий по дефектам снизилась в 1,8 раза.

Компьютерное зрение окупается именно там, где визуальный контроль массовый, регулярный и дорогой при ручном исполнении: на конвейере, в металлургии, на сортировке. Человек устаёт и пропускает дефекты, а модель держит одинаковую точность на потоке в тысячи единиц. Каждый пойманный дефект, не дошедший до клиента, оборачивается сэкономленными деньгами.

Риск-аналитика и антифрод

Направление риск-аналитики и антифрода — одно из самых зрелых классов в банковской сфере. Дело в том, что банки обрабатывают колоссальные потоки транзакций, и именно здесь ИИ ловит мошенничество, оценивает риски и разгружает обслуживание клиентов. У JPMorgan в продакшене уже более 450 ИИ-сценариев — от антифрода и кредитного анализа до внутреннего ассистента, который помогает сотрудникам работать с документами и данными. Один из измеримых результатов: стоимость обслуживания клиента в рознице снизилась почти на 30% за счёт ИИ и автоматизации процессов.

В России самый масштабный пример — Сбер. По данным интегрированного отчёта за 2025 год, эффект от применения ИИ составил 475 млрд рублей за год, а накопленный эффект с 2020 года — около 1,75 трлн рублей. В банке действует свыше 900 ИИ-агентов: они автономно обрабатывают около 70% киберинцидентов и в десятки раз ускоряют анализ рисков. ИИ работает в кредитовании, скоринге, риск-аналитике, антифроде и клиентском сервисе.

Помощники в BI-платформах

Отдельно стоит выделить ИИ-помощников внутри BI-систем — класс с уже подтверждённой эффективностью. Они убирают рутину аналитика и сокращают сроки с недель до дней и часов. Показателен наш собственный эксперимент: задачу по вёрстке виджета, на которую у разработчика с обычным чат-помощником уходил рабочий день, через JS Агент Visiology удалось решить за 20–30 минут. Выигрыш даёт интеграция в платформу, ведь помощник знает структуру данных, тип виджета и правила системы, поэтому сразу выдаёт рабочий результат.

Какой ИИ в аналитике уже приносит пользу, а какой пока обещает

ИИ в российском бизнесе — уже массовое явление. По исследованию «Технологий доверия» и НАФИ его внедряют около 86% компаний, по данным «Солара» и Б1 (ЦИПР-2026) — порядка 80%. И аналитика с прогнозированием среди самых частых направлений. Но само внедрение ещё не равно отдаче. Поэтому важно понимать, у какого ИИ в аналитике эффект уже подтверждён, а у какого — пока нет.

Этот вопрос мы детально разбирали на Cortex Live — нашем мероприятии про ИИ в BI. Картину рынка собирали из мониторинга мирового опыта, реального опыта клиентов Visiology, обратной связи отраслевых экспертов и собственных экспериментов. Весь ИИ в аналитике мы разделили на четыре группы и по каждой дали вердикт, насколько подтверждена её эффективность:

Вайбкодинг — подход, при котором дашборд генерирует универсальная чат-модель (ChatGPT, Claude) вместо BI-платформы. Ей передают выгрузку данных и текстовый запрос, а в ответ получают готовый дашборд с кодом. Главная проблема — недетерминированность. На одних и тех же данных по одному и тому же запросу модель выдаёт разные результаты.

Готовясь к Cortex Live, мы провели эксперимент, в ходе которого загрузили в нейросеть чистый набор данных по продажам и трижды повторили идентичный запрос. В результате получили три расходящихся дашборда — у одного поставщика отличались показатели брака, а итоговая экономия выходила то 3,6, то 3,9 млн. Дело оказалось в том, что модель каждый раз сама решала, учитывать ли отменённые заказы.

В корпоративном BI такая непредсказуемость опаснее, потому что к дашбордам добавляются права доступа, публикация и аудит. И одна незамеченная ошибка способна, например, открыть зарплаты всех сотрудников тем, кому их видеть не положено. Удержать это под контролем можно только силами отдельной команды, но тогда теряется сам выигрыш в скорости.

Вывод: вайбкодинг ускоряет старт и хорош для прототипов, но не заменяет ни аналитика, ни BI и в продакшен пока не годится.

Чат с базой данных (Text2SQL) — подход, при котором пользователь задаёт вопрос на естественном языке, ИИ переводит его в SQL-запрос, а база возвращает ответ. Традиционный дашборд при этом не нужен.

По этому пути прошли уже почти все вендоры и независимые команды и пришли к общему выводу, что без актуального семантического слоя (описания таблиц, метрик, связей и правил расчёта) модель начинает угадывать и выдаёт правдоподобные, но ненадёжные ответы, которые пользователь не может проверить. Подтверждённой экономической эффективности у направления пока нет.

Вывод: ценность создаёт семантический слой под конкретные измеримые задачи отчётности, а рассчитывать на сам Text2SQL как на источник эффекта пока рано.

AI-native BI — BI-платформы нового поколения, где ИИ заложен в архитектуру с самого начала. Потенциал у этого направления большой, но подтверждённых примеров окупаемости пока нет. Почти все игроки — американские, работают поверх западных хранилищ вроде Snowflake и Databricks и рассчитаны на инженеров, способных проверить сгенерированный запрос.

Вывод: за этой группой стоит следить, чтобы не пропустить качественный скачок.

ИИ-помощники в BI-платформах — узкие агенты, встроенные в саму BI-систему. Они берут на себя конкретные рутинные операции аналитика, например пишут расчётную меру по описанию, верстают виджет или формируют SQL для загрузки данных. Это единственная группа с подтверждённой эффективностью: помощники гарантированно ускоряют работу и сокращают типовые задачи с недель до часов.

Вывод: их стоит внедрять уже сейчас. При выборе рекомендуем проверять каждого помощника на собственных данных компании, а не доверять демонстрациям на готовых примерах.

Из четырёх направлений подтверждённый эффект сегодня есть только у помощников. Остальные либо годятся лишь для прототипов, либо ещё не доказали эффективность.

С чего начать внедрение ИИ, которое окупится

Практика показывает, что результат в аналитике определяет подход. Работает тот ИИ, который встроен в конкретное управленческое решение, опирается на подготовленные данные и чей эффект измеряют в деньгах.

Этот путь можно пройти системно. Мы собрали его в методологию «Аналитика как стартап». Это пошаговое руководство, которое ведёт от управленческой задачи к решению, реально меняющему работу компании и приносящему деньги. Скачать методологию можно бесплатно на startup.visiology.su, а разобраться, как применить её к вашим задачам, поможет встроенный ИИ-ментор.