От хайпа к реальности: почему проекты на базе генеративного ИИ буксуют

Глобальный бум и холодный душ

Автор исследования MIT Media Lab Адитья Чаллапалли отмечает: проблема не в самих моделях ИИ — они достаточно мощны, а в «разрыве в обучении» между инструментами и навыками компаний. Иными словами, бизнес пока не умеет встраивать генеративные алгоритмы в процессы так, чтобы получать отдачу.

Поэтому многие надежды сменяются разочарованием: бюджеты тратятся впустую, результаты слабы. Более половины инвестиций в GenAI идут в маркетинг и продажи — сферы с громким эффектом, но не всегда с высокой отдачей. При этом именно автоматизация бэк-офиса (операции, документы, поддержка) дает максимальное снижение издержек, но остается вне фокуса. В итоге компании часто инвестируют не туда, где ИИ способен принести быстрый ROI, что усиливает скепсис руководителей.

Есть и контраст в подходах. Проекты на базе готовых решений от вендоров успешны в 67% случаев, тогда как внутренние разработки достигают успеха лишь в трети. Банки и финтех-компании на Западе быстрее получают результат, работая с AI-провайдерами, чем создавая чат-ботов с нуля. Общая тенденция: партнерство и готовые GenAI-платформы окупаются чаще, чем долгие внутренние R&D.

«Теневая» цифровизация против официальных пилотов

Во многих компаниях активно развивается «теневая» цифровизация: до 90% западных организаций сталкиваются с тем, что сотрудники используют публичные ИИ-сервисы (например, личные аккаунты ChatGPT) без контроля IT-департаментов. Это показывает высокую потребность в инструментах и одновременно создает риски: сложно оценить влияние на бизнес и возрастает угроза утечек данных. Руководству приходится балансировать между инновационностью сотрудников и требованиями к безопасности.

По данным опроса МТС и «Лаборатории Касперского», 34% пользователей GenAI называют галлюцинации и сложность запросов главным барьером, 29% жалуются на высокую стоимость, 24% опасаются за конфиденциальность. Среди тех, кто не пользуется GenAI, 65% объясняют это неуверенностью в своих знаниях. Эти цифры показывают: культура осознанного применения ИИ в российских компаниях только формируется. Пока корпоративные проекты буксуют, энтузиасты учатся работать с нейросетями сами. Чтобы их опыт превратился в системный эффект, бизнесу нужно преодолеть внутренний «разрыв в обучении».

Российские реалии: осторожный старт и первые уроки

Исследователи из Университета Иннополиса, СПбГУ, МГУ и онлайн-университета «Зерокодер» оценили: к 2030 году экономический эффект от GenAI в России может достигнуть 10,8 трлн рублей. Но ни одна профессия не будет полностью автоматизирована — максимум 85% задач возьмут на себя машины. ИИ станет инструментом трансформации, а не угрозой для рынка труда. Ключевые условия — ответственное внедрение, переобучение кадров и разработка этических норм.

На практике внедрение идет осторожно. Владислав Еганов, замдиректора по IT-холдинга «Вертолеты России», рассказывает: за год провели несколько пилотов с алгоритмами от вендоров и университетов, но ощутимого эффекта не получили. Проекты требуют доработки, и компания продолжает исследования. Причины типичны: завышенные ожидания сменились разочарованием, когда реальные возможности не дотянули до маркетингового хайпа.

Ситуация постепенно меняется. В 2023-м GenAI использовали лишь 20% крупных компаний, в 2025-м — уже 57%. Пока внедрения точечные, чаще в поддержке и маркетинге, но тренд очевиден. По данным опроса VK и Prognosis, семь из 10 российских компаний уже применяют ИИ, а треть из тех, кто еще не начал, готовят пилоты. Бизнес заинтересован в росте продуктивности и снижении затрат, но действует осторожно, через небольшие эксперименты и изучение опыта лидеров.

Первые примеры и контрасты

В университете «Зерокодер» мы начали внедрять нейросети в апреле 2023 года. Инициатива шла от меня, но поддержки почти не было: мало кто верил, что генеративный ИИ способен что-то изменить. Тогда я запустил практику «инновационный четверг»: руководители раз в неделю делились новыми процессами и решениями.

Сначала это казалось формальностью и вызывало недовольство, но спустя несколько месяцев мы нашли действительно работающие сценарии и сосредоточились на них. Сегодня использование ИИ — стандарт для всех отделов. Технический департамент применяет AI для программирования, клиентский сервис и поддержка обрабатывают до 30% запросов через ассистента, маркетинг создает креативы и тексты полностью на базе ИИ, а методисты ежедневно используют DeepSeek и ChatGPT. Результат: во II квартале 2025 года «Зерокодер» стал самой быстрорастущей EdTech-компанией в сегменте ДПО в России. Маркетинг с бюджетом 20 млн рублей ведут всего два сотрудника с подрядчиками, один методист курирует три-четыре курса по 500 студентов, а отдел продаж обрабатывает до 50 000 заявок в месяц.

По данным опросов, в России GenAI чаще всего внедряется для поддержки клиентов и генерации контента. Крупные ретейлеры используют чат-ботов, которые отвечают на запросы покупателей в мессенджерах и на сайтах. ВТБ интегрирует LLM в чат-бота, рассчитывая покрыть 1700 клиентских сценариев. Райффайзенбанк еще в 2020 году запустил виртуального ассистента Рэя, который обрабатывал 90% звонков и решал треть типовых вопросов. Теперь банк добавляет YandexGPT, чтобы бот вел сложные диалоги на естественном языке.

Еще один пример — «Дом.РФ»: здесь тестируют GPT-модели для суммирования и классификации обращений, а также интеллектуального поиска по базам знаний. Пилот ускорил работу с почтой и документами и лег в основу собственной платформы обработки документов. И Райффайзенбанк, и «Дом.РФ» выбрали путь быстрой интеграции отечественных решений, что позволило им запустить новые функции за несколько месяцев и с оптимальным бюджетом. Это отражает мировую тенденцию: бизнес предпочитает получить работающий инструмент быстро, а не строить идеальную модель годами.

Тем не менее подобные кейсы пока точечные. По данным VK/Prognosis, лишь 14% российских компаний разрабатывают собственные решения, тогда как 86% используют готовые продукты или их комбинации. Чаще выбирают облачные LLM — от бесплатных API OpenAI (через VPN) до платных инструментов для программистов, генерации видео или анализа отзывов. Большинство компаний не изобретают велосипед, а берут то, что уже доступно на рынке.

Как перейти от пилота к результату

Опыт лидеров и исследования подсказывают несколько ключевых условий, при выполнении которых проекты с ИИ имеют больше шансов выстрелить.

• Приземлять ожидания и выбирать правильные задачи. Генеративный ИИ не магия, способная одномоментно заменить всех сотрудников. Успешные кейсы показывают: наибольшая отдача идет от автоматизации рутинных, повторяемых процессов (например, разбор типовых запросов клиентов, обработка документов). Если же процесс слишком сложный, с массой исключений, робот не панацея — без человека не обойтись.

• Ставить во главе бизнес-заказчика, а не только айтишников. Эксперты MIT отмечают, что часто пилотные проекты загоняются в тупик, оставаясь «игрушкой» лаборатории данных, оторванной от реальных подразделений. Рекомендация — делегировать внедрение линейным менеджерам, близким к процессам, чтобы они сами искали применение ИИ в своих функциях. В российской практике это тоже находит подтверждение: успех проектов тесно связан с открытостью руководства к технологиям. Генеральный директор HR-tech-компании «Поток» Сергей Ахметов отмечает, что именно лидер организации должен взять ответственность за стратегию и этику внедрения ИИ, обозначить четкую дорожную карту изменений.

• Делать ставку на готовые и безопасные решения. Статистика явно говорит: быстрее выигрывают те, кто использует проверенные инструменты от специализированных поставщиков. В России этому пока мешают вопросы информационной безопасности — многие западные продукты рискованны с точки зрения защиты данных. Но ситуация улучшается с появлением мощных отечественных аналогов. 

• Вкладываться в обучение людей. Генеративный ИИ эффективен лишь в умелых руках. Специалисты должны научиться формулировать правильные промпты, проверять факты, взаимодействовать с алгоритмами. Компании, которые первыми устранят этот разрыв в навыках, получат конкурентное преимущество. Отрадно, что на рынке уже появляются инициативы для массового обучения работе с ИИ: онлайн-университеты, как наш, запускают программы по разработке с помощью нейросетей, бизнес-школы вводят модули по AI-продуктам. Это закладывает фундамент для будущих успехов GenAI-проектов. Ведь сам по себе ИИ ничего не изменит — изменения создают люди, вооруженные ИИ.

Мнение редакции может не совпадать с точкой зрения автора