Почему проекты внедрения ИИ проваливаются: 7 причин и 5 ранних признаков

Ошибки внедрения ИИ почти никогда не бывают техническими. RAND Corporation в отчёте 2024 года о причинах провала проектов с искусственным интеллектом называет главной причиной расхождение между тем, что руководство хотело получить, и тем, какую задачу решали инженеры, а Gartner в июле 2024 года прогнозировал, что минимум 30% проектов генеративного ИИ будут заброшены после стадии proof of concept. Проект разваливается там, где не сформулирована метрика, которую он должен сдвинуть, где данные оказались хуже ожиданий и где сотрудникам не объяснили, что изменится в их работе. Ниже — семь причин, по которым проекты ИИ терпят неудачу, пять признаков, по которым провал виден уже на втором месяце, и честный список ситуаций, когда пилот лучше не запускать.

Алексей Малков

Основатель GEOAudit.org • GEO/SEO-стратег

150+ аудитов • 12 лет в digital • 100+ отзывов на фрилансе

Внедрение нейросетей ИИ в бизнес-процессах GEO-аудит

Профиль автора →

Большинство проектов ИИ останавливается на стадии пилота

Разговор про ошибки внедрения ИИ почти всегда начинают с техники: не та модель, мало данных, не хватило вычислительных мощностей. В исследованиях картина другая. RAND Corporation в работе 2024 года о причинах провала проектов с искусственным интеллектом ставит на первое место не технологию, а расхождение: руководство и инженеры по-разному понимали, какую задачу решают. Технические ограничения в этом списке тоже есть, но идут ниже.

Оценки в разных отчётах расходятся, и это нормально: у каждого исследования своё определение неудачи. MIT Media Lab в рамках Project NANDA («The GenAI Divide: State of AI in Business», август 2025) писала, что подавляющее большинство корпоративных пилотов генеративного ИИ не даёт измеримого эффекта на прибыль. RAND в 2024 году оценивала долю неуспешных проектов с искусственным интеллектом более чем в 80% — примерно вдвое выше, чем у обычных ИТ-проектов. Складывать эти цифры друг с другом бессмысленно, но вывод у них общий: до рабочего процесса доходит меньшинство.

Поэтому считать полезнее не проценты, а сценарии. Неудача редко выглядит как громкая авария: проект может терпеть неудачу тихо, месяцами, пока в статусах стоит «идёт по плану». В разговорах с клиентами мы регулярно встречаем четыре типовых финала — и только первый из них компании честно называют провалом.

Проекты ИИ проваливаются не на моделях, а на постановке задачи

Если свести типовые разборы к общему знаменателю, получается семь причин. Первые четыре встречаются почти в каждом остановленном проекте, последние три добивают уже работающие.

1. Целью было «внедрить ИИ», а не сдвинуть метрику. Формулировка «нам нужен искусственный интеллект» не содержит критерия успеха: под неё нельзя ни спланировать бюджет, ни закрыть проект. Рабочая постановка звучит иначе — сократить подготовку коммерческого предложения с двух часов до двадцати минут, снять с менеджера первичную сортировку заявок.
2. Начали с витрины, а не с рутины. Эффектный сценарий выбирают потому, что его удобно показать собственнику. Деньги же экономит скучное: десятки одинаковых операций в неделю, которые сегодня делают руками.
3. Данные оказались хуже, чем предполагали. На старте считают, что база «в целом есть». На этапе реализации выясняется, что половина полей не заполнена, справочники не согласованы, а исторические записи хранятся в трёх системах с разной логикой.
4. У пилота нет владельца. Проект ведёт ИТ-отдел, а решение о смене процесса принимает коммерческий директор, который в проекте не участвует. Инструмент появляется, изменение — нет.
5. Не посчитали стоимость эксплуатации. В смету попадает запуск и не попадает то, что идёт после: платные запросы к модели, поддержка, переписывание промптов под изменившийся процесс, часы сотрудников на проверку выдачи.
6. Никто не отвечает за проверку результата. Модель предсказывает правдоподобный текст, а не сверяет факты. Пока нет человека, который подписывается под выдачей, первая же ошибка в документе для клиента обнуляет доверие ко всему проекту.
7. Расширили охват раньше, чем закрыли первый сценарий. Пилот в одном отделе ещё не показал устойчивого результата, а его уже тиражируют на пять направлений. Дальше проблемы складываются, и разобрать, что именно не работает, становится нельзя.

Порядок, который снимает большую часть этих рисков, — не героический, а занудный: одна операция, один ответственный, один замер, один квартал. Как выстроить такую последовательность и с какого подразделения начинать, разобрано отдельно в материале про внедрение нейросетей в бизнес.

Провал видно на втором месяце, а не в конце года

Хорошая новость: почти все перечисленные причины дают ранние симптомы. Плохая — их редко читают как симптомы, потому что формально проект идёт по плану. Здесь выручает то, что мы у себя называем правилом нулевого замера: пока не зафиксировано число «до» — сколько часов, заявок или повторных обращений уходит на операцию сегодня, — пилот не стартует. Замер занимает день, а без него любой итог обсуждается ощущениями.

• На статусе показывают демо, но не называют метрику, которую проект должен сдвинуть.
• В отчёте нет числа «до». Есть «стало удобнее», «команда довольна», «экономим время».
• Инструментом пользуются два-три человека из двадцати, у которых есть доступ.
• Время на перепроверку выдачи растёт от недели к неделе, а не падает.
• Охват расширяют до того, как закрыт первый сценарий: «раз пошло, давайте ещё на склад».
• Сроки двигают формулировкой «нужно ещё немного данных» — второй раз подряд.

Правило нулевого замера работает и в обратную сторону: оно защищает удачные проекты. Мы не раз видели, как рабочий инструмент закрывали на смене руководства просто потому, что никто не мог показать, что именно он дал. Число «до», записанное в самом начале, — единственная защита от такого исхода.

Модель не чинит бардак в данных, она его наследует

Нейронная сеть учится на примерах и воспроизводит закономерности, которые в этих примерах есть, — вместе с ошибками, дублями и пропусками. Если в CRM три написания одного контрагента, модель уверенно продолжит все три. Разница между тем, что такое нейросеть простыми словами и чего от неё ждут в компании, здесь принципиальна: от инструмента ждут наведения порядка, а он данные обобщает, а не проверяет.

Готовность данных — это не «есть база или нет». Это пять отдельных вопросов, и ответ «не знаю» хотя бы на два из них означает, что пилот стартует вслепую.

Последний вопрос стоит отдельно. Часть 5 статьи 18 Федерального закона № 152-ФЗ требует, чтобы запись и хранение персональных данных граждан России велись в базах на территории страны. Выгрузка клиентской базы в зарубежный чат-сервис — это передача данных за пределы России со всеми вытекающими вопросами к оператору. Практическое следствие простое: то, что нельзя выложить в открытый доступ, не отправляется в публичный сервис, а обрабатывается в решении на инфраструктуре компании.

Сопротивление команды — это не саботаж, а отсутствие ответа на вопрос «что будет со мной»

Когда сотрудники «не хотят пользоваться», обычно оказывается, что им никто не сказал двух вещей: что произойдёт с их работой и по каким правилам оценивают результат модели. Пока ответа нет, разумная стратегия сотрудника — не трогать инструмент вообще: сломается что-то, отвечать придётся ему.

• Ответ про роли — до запуска, а не после. Что снимается с человека, что остаётся, меняются ли показатели, по которым его оценивают.
• Владелец изменения, а не владелец сервиса. Нужен тот, кто вправе переписать регламент отдела, а не только тот, кто выдаёт доступы.
• Правило проверки на бумаге. Какие типы результатов проверяются всегда, кто подписывается, что делать при ошибке. Без этого пункта первая ошибка становится аргументом «я же говорил».
• Обучение на своих примерах. Полчаса разбора удачных и провальных запросов внутри команды дают больше внешнего курса: общий контекст и общие задачи.

За 150+ аудитов я ни разу не видел проекта, который остановился из-за того, что модель оказалась слабой. Останавливались иначе: некому было принять решение, что процесс меняется. Самый частый разговор на диагностике звучит так — инструмент купили полгода назад, лицензии продлевают, пользуются им два человека, и оба делают это в свободное время. Это не провал технологии, это отсутствие владельца у изменения.

Алексей Малков

Основатель GEOAudit.org

Личный уровень при этом устроен проще корпоративного: один сотрудник берёт одну повторяющуюся задачу и проверяет, экономит ли она время лично ему. Этот цикл разобран в материале о том, как пользоваться искусственным интеллектом в работе, а подборка задач, где модели устойчиво помогают маркетингу, — в разборе нейросетей в маркетинге.

Когда внедрение ИИ не нужно: шесть честных ситуаций

Самая дорогая ошибка — запустить проект там, где он не окупится ни при каком качестве исполнения. Шесть ситуаций, где мы прямо советуем не начинать.

1. Операция повторяется несколько раз в год. Автоматизировать редкое дороже, чем делать его руками: настройка и поддержка съедят всю экономию.
2. Процесс не описан. Если два сотрудника выполняют задачу по-разному и оба считают себя правыми, автоматизировать нечего — сначала договоритесь о порядке.
3. Цена ошибки высока, а проверка дороже экономии. Медицинские, юридические и финансовые выводы всё равно перепроверит человек. Модель здесь полезна как черновик вопросов, а не как источник ответов.
4. Нет человека, который сможет проверить результат. Тот, кто не разбирается в предмете, не отличит хороший ответ от плохого. Нейросеть усиливает эксперта, а новичка усиливает в его ошибках.
5. Задача сводится к счёту и сверке чисел. Языковая модель предсказывает текст, а не вычисляет: она уверенно сложит колонку с ошибкой и так же уверенно объяснит результат. Это работа таблицы или скрипта.
6. От проекта ждут, что он починит продажи. Если заявки не обрабатываются вторые сутки, ИИ ускорит путь к тому же результату. Сначала процесс, потом инструмент.

Обратная сторона списка — направления, где эффект считается быстро и предсказуемо. Где именно искусственный интеллект окупается в бизнесе, разобрано отдельно, а обзор доступных в России решений — в материале про нейросети для бизнеса.

Пилот, которым никто не пользуется, — это провал, даже если технически он работает

Вопрос почти не обсуждают в статьях про ошибки внедрения, а на практике это самый частый сценарий. Формально придраться не к чему: сервис развёрнут, интеграция сделана, приёмка подписана. Только через два месяца выясняется, что регулярно им пользуются двое, а остальные вернулись к старому порядку. С точки зрения бюджета это провал внедрения нейросетей — компания платит за лицензии и получает эффект от одного рабочего места.

Отличить одно от другого помогает простая связка из трёх чисел, которую стоит смотреть еженедельно с первого дня.

• Доля активных пользователей — сколько человек из тех, у кого есть доступ, заходили на этой неделе.
• Частота на пользователя — один раз из любопытства или десять раз по делу.
• Доля результата, который ушёл в работу без переделки — главный показатель, потому что именно он превращает использование в экономию.

Если первое число падает третью неделю подряд, дальше можно не считать: проблема не в модели, а в том, что процесс остался прежним. Возвращаться нужно к описанию процесса, а не к настройкам инструмента.

Внедрение ИИ внутри компании и её видимость в ИИ снаружи — разные задачи

Пока внутри компании обсуждают, почему пилот буксует, клиенты уже пользуются нейросетями снаружи: спрашивают, к какой клинике обратиться, кто в России производит нужное оборудование, какого подрядчика выбрать. Ответ на эти вопросы собирается без участия компании — и в нём называют конкретные названия. Внутренний проект на это не влияет никак: даже безупречно внедрённый инструмент не добавит бренду ни одного упоминания в чужом ответе.

Разделять эти задачи стоит жёстко. SEO отвечает за позиции сайта в выдаче Яндекса и Google: пользователь видит список ссылок и выбирает сам. GEO отвечает за другое — назовёт ли нейросеть вашу компанию, когда её спросят, и что именно скажет. GEO работает поверх SEO, а не вместо него: модели собирают ответ преимущественно из страниц, которые уже видны в обычном поиске. Подробный разбор различий — в материале что такое GEO, а системная работа с присутствием бренда в ответах называется продвижением в нейросетях.

Когда мы считаем AI Visibility Score, запросы прогоняются вручную по нескольким платформам, а состав названных компаний фиксируется скриншотами: один и тот же вопрос в разные дни даёт разный ответ, и «модель так сказала» доказательством не является. Первое, что мы показываем на диагностике, — список компаний, которые нейросети называют вместо клиента по его же запросам. Этот список обычно и запускает разговор о приоритетах.

Проверить свою ситуацию можно за вечер и без бюджета: возьмите десять вопросов, с которыми к вам приходят клиенты, задайте их Алисе, ChatGPT и Perplexity и выпишите, кого называют в ответах. Формализованный срез по ключевым запросам с фиксацией конкурентов — это экспресс-диагностика AI-видимости от 25 000 ₽.

Чек-лист: что проверить до запуска пилота

Семь пунктов, которые закрывают большую часть причин из второго раздела. Если хотя бы на трёх из них ответ «разберёмся по ходу», старт лучше отложить на две недели и разобраться сейчас.

1. Одна операция, а не направление. Названа конкретная задача, её выполняют не реже раза в неделю, результат проверяется за пять минут.
2. Метрика и число «до». Что меряем, чему равно сегодня, какой сдвиг считаем успехом. Записано до старта.
3. Владелец с полномочиями. Один человек отвечает за результат и вправе изменить регламент отдела.
4. Данные проверены по пяти вопросам из раздела выше, включая контур обработки персональных данных.
5. Правило проверки выдачи. Кто подписывается под результатом и что происходит при ошибке.
6. Полная смета. Запуск плюс эксплуатация: запросы к модели, поддержка, часы сотрудников на проверку.
7. Дата и критерий закрытия. Заранее оговорено, при каком результате пилот сворачивается без обид.

Короткий итог. Ошибка почти никогда не в модели: проекты останавливаются там, где не назначен владелец, не зафиксировано число «до» и не описано, кто отвечает за проверку. Пошаговый порядок запуска разобран в руководстве по внедрению искусственного интеллекта в бизнес — а параллельно стоит проверить вторую половину задачи: что нейросети уже сегодня отвечают клиентам про вашу компанию.

FAQ