За последний год индустрия научилась виртуозно жонглировать двумя цифрами. В одном отчёте вам расскажут, что 64% продакт-менеджеров уже видят от ИИ рост продуктовых метрик. В другом — исследователи MIT разберут больше трёх сотен корпоративных внедрений на десятки миллиардов долларов и зафиксируют неудобный факт: 95% пилотов не дают никакого измеримого эффекта на чистую прибыль.
Те, кто читает только заголовки, видят здесь противоречие. Практики видят классическую подмену понятий. В одну кучу сваливают три разные сущности: сотрудника, который стал быстрее писать письма с помощью LLM, красивое демо в изолированной песочнице и деньги, которые реально дошли до отчёта о прибылях и убытках (P&L).
Самое интересное начинается, когда ставишь рядом свежую статистику по Европе и России. Две экономики идут к внедрению ИИ с противоположных концов — и с поразительной точностью упираются в одну и ту же стену.
Сначала выровняем выборки, чтобы не спорить о методике
Если взять общую сводку Eurostat по всем европейским предприятиям от десяти сотрудников, ИИ там используют скромные 20% — от 5,2% в Румынии до 42% в Дании. Сравнивать этот срез напрямую с опросами технических директоров российского крупного бизнеса было бы некорректно из-за разного размера компаний.
Поэтому смотрим только на крупный европейский бизнес от 250 человек: здесь доля внедрения сразу вырастает до 55% (по данным отчёта Eurostat). И даже при таком выравнивании есть важный нюанс: Eurostat учитывает вообще любой ИИ, включая классический машинный скоринг и распознавание текста, тогда как в крупном бизнесе России, по данным исследования «Яков и Партнёры» и «Яндекса», 71% компаний уже применяет именно генеративный ИИ, а с учётом классических моделей доля доходит до 88%.
Разрыв в темпах налицо. А дальше траектории расходятся радикально.
Европа дёргает ручник на входе, Россия жмёт газ в пол без тормозов
Европа тормозит ещё до того, как модель увидит первый боевой запрос. По тем же замерам Eurostat, европейский бизнес упирается не в нехватку денег. Главные стоп-факторы — дефицит профильных инженерных и продуктовых компетенций (71% компаний), юридическая неопределённость вокруг регулирования и EU AI Act (52,5%) и жёсткие ограничения по приватности данных (48,8%). В итоге модель месяцами ходит по кабинетам юристов и комплаенса ещё на этапе согласования пилота.
Россия, наоборот, вдавила педаль газа в пол. Согласно исследованию FinExpertiza на основе данных Росстата, за год затраты российского бизнеса и госсектора на ИИ выросли на 95% — почти вдвое, до 176,1 млрд рублей. Почти 80% этих денег ушло на софт и разработку, а 92% всех бюджетов страны по статистике осели в Москве. Понятно, что львиная доля этой географии объясняется столичной регистрацией штаб-квартир федеральных корпораций, но отраслевая картина от этого не меняется: 84% всех затрат в стране генерирует один сектор — финансы и страхование. Пилоты запускаются конвейером, и 78% опрошенных руководителей бодро рапортуют о «видимом экономическом эффекте».
Только между строчкой «мы отметили эффект в анкете» и строчкой «выросла операционная прибыль» лежит пропасть. Стоит отложить опросы и посмотреть на аудит открытого рынка ИИ-агентов от «Яков и Партнёры», как картинка трещит по швам: из двенадцати публичных российских продуктов класса ИИ-агентов готовых автономных решений оказалось ровно ноль — только платформы-конструкторы для самостоятельной сборки и узкие ассистенты. А это значит, что каждый крупный банк и корпорация вынуждены писать агентов внутри с нуля своими силами.
Европа тонет в согласованиях на входе. Россия сжигает миллиарды, но вязнет на выходе — там, где прототип из песочницы сталкивается с реальным продакшеном.
Почему этот конвейер даёт один и тот же выхлоп
Причины этого разрыва подробно разобраны в исследовании MIT Project NANDA (The GenAI Divide) — причём на выборке американского энтерпрайза, где и денег, и зрелости инфраструктуры ещё больше, чем в Европе и России. Авторы честно брали жёсткий горизонт в шесть месяцев после завершения пилота, отсекая любителей «подождать окупаемости ещё три года», и вскрыли две системные закономерности:
Любовь к собственным велосипедам. Попытка написать кастомное ИИ-решение с нуля своими силами доходит до промышленного результата лишь в 33% случаев, тогда как внедрение специализированного продукта от внешнего вендора срабатывает в 67%.
Перекос в сторону витрины. Больше половины бюджетов компании тратят на продажи и маркетинг, но реальные миллионы экономии приносит скучный бэк-офис — разбор документов, комплаенс, риск-скоринг и автоматизация рутинных операций.
Я видел эту механику изнутри не по отчётам аналитиков, а на живых проектах — когда доводил до пилота корпоративные AI-инициативы в банковском контуре и трекал больше десяти стартапов от идеи до первых метрик. На чистом тестовом датасете любая модель показывает красивые цифры. Но дальше начинается взрослая жизнь: модель нужно протащить через контур банковской инфобезопасности, уложить в жёсткие SLA по задержке ответа и, главное, посчитать цену ошибки второго рода. Когда антифрод или риск-модель начинает резать легитимных клиентов ложными срабатываниями, вся экономия от автоматизации сгорает быстрее, чем успевает окупить железо.
В одном из пилотов по голосовому антифроду мы остановили проект ровно через три недели после выхода на живой трафик — сухие цифры пилота показали, что в текущем виде экономика и качество детекции не бьются. В корпоративной культуре отчётов такой исход принято прятать под ковёр. На деле вовремя дёрнутый стоп-кран на третьей неделе — единственное, что спасает бюджет от превращения пилота в «зомби-проект», который годами ест ресурсы ради красивого слайда.
Прогноз, который можно будет проверить
Проблема не в том, что технологии ИИ не работают. Они отлично работают там, где сначала перестраивают сам бизнес-процесс, а уже потом ставят внутрь модель. Если нейросеть за секунду собирает досье на заёмщика, но дальше этот файл три дня лежит в очереди на ручную проверку в древней учётной системе, в чистой прибыли остаётся ноль — хоть в Цюрихе, хоть в Москве.
Сделаю конкретную ставку с понятной датой проверки. До 31 декабря 2027 года доля крупных компаний в Европе и России, использующих ИИ в продуктах и операциях, дорастёт до 75–85%. Но доля проектов с доказанным положительным влиянием на чистую прибыль (P&L) не превысит 15% — то есть вырастет с нынешних пяти процентов максимум в три раза. Вероятность этого сценария я оцениваю в 70%: ровно так же в первые три года шли дела при массовом внедрении ERP и облачных платформ, где реальный возврат инвестиций получал от силы каждый пятый. Я публично признаю, что ошибся, если по итогам 2027 года независимые отраслевые аудиты и исследования уровня McKinsey, Gartner или «Яков и Партнёры» зафиксируют подтверждённый рост операционной прибыли более чем у четверти компаний, внедривших генеративный ИИ.
Пока же рынку предстоит болезненное взросление: перестать мерить успех количеством запущенных пилотов и освоенных миллиардов и начать считать только то, что пережило встречу с живым клиентом, службой безопасности и итоговой строчкой P&L.
