От очарования к разочарованию (и обратно?): как уровни зрелости объясняют провалы AI-проектов

---

TL;DR

Рынок AI разделяется: рядом с энтузиастами растёт когорта «новых скептиков» — компаний, которые попробовали и разочаровались. Провалы происходят не из-за технологии, а из-за попытки перепрыгнуть уровень зрелости: компании покупают трансформацию, когда готовы только к личной эффективности. Параллельно накапливаются скрытые проблемы — AI slop, инфраструктурные расходы и системное нежелание считать ROI. Модель трёх уровней зрелости Сколково объясняет, почему одни и те же технологии у одних работают, а у других — нет, и помогает выбрать точку входа, которая даст результат.

---

1. Рынок раскалывается: энтузиасты vs новые скептики

Исследование Сколково и Redmadrobot показывает: параллельно с AI-амбассадорами, которые убегают вперёд, формируется противоположный лагерь. Это не луддиты — а компании, которые были в авангарде, выделили бюджет, запустили пилоты. И сделали вывод: «AI не работает» (вместо «мы сделали что-то не так»).

2024 год был годом очарования — все побежали пробовать. 2025 год стал годом отрезвления — первые результаты не совпали с ожиданиями. Проблема в том, что об этом не говорят со сцены: компании, которые обожглись, молчат, вендоры продолжают продавать мечту, а консультанты опасаются потерять клиентов.

---

2. Четыре причины разочарования

Первая причина — завышенные ожидания. Маркетинг вендоров обещает революцию, клиент рассчитывает, что AI заменит пятерых сотрудников «из коробки». Реальность: AI — инструмент, который усиливает то, что есть. Если есть хаос — AI усилит хаос. Но есть и более тонкое заблуждение — вера в безошибочность:

Вторая причина — отсутствие постановки задачи. Классический сценарий: «Давайте внедрим агента» → внедрили → «А зачем он нам?» → никто не использует → проект закрывается.

Третья причина — copy-paste без проверки: сотрудники копируют ответы чатбота, не проверяя. Пошли ошибки — руководство увидело проблемы — «уберите это». Четвёртая — неправильные метрики: измеряли количество внедрённых агентов вместо бизнес-результата.

---

3. AI Slop: когда скорость работает против вас

AI Slop — массово сгенерированный контент низкого качества: статьи без редактуры, ответы клиентам без проверки, код без тестирования. Откуда он берётся?

Парадокс: компании внедряют AI, чтобы ускориться, но slop тормозит — приходится исправлять ошибки, восстанавливать репутацию, переделывать работу. AI «очень убедительно ошибается», и человек без экспертизы не может отличить правильный ответ от галлюцинации.

---

4. Три уровня зрелости: модель Сколково

Исследование выделяет три уровня внедрения AI. Каждый имеет свои требования к данным, инструментам и — что критично — к людям.

┌─────────────────────────────────────────────────────────────┐ │ УРОВЕНЬ 3: ТРАНСФОРМАЦИЯ (AI Native) │ │ Ядро бизнеса построено на AI │ │ ───────────────────────────────────────────────────────── │ │ Данные: свои + рыночные │ │ Модели: дообученные / собственные │ │ Люди: R&D команда, AI-архитекторы │ ├─────────────────────────────────────────────────────────────┤ │ УРОВЕНЬ 2: УСИЛЕНИЕ ПРОЦЕССОВ │ │ AI-агенты встроены в бизнес-процессы │ │ ───────────────────────────────────────────────────────── │ │ Данные: структурированные, качественные │ │ Модели: гибрид (cloud + on-premise) │ │ Люди: product owners с предметной экспертизой │ ├─────────────────────────────────────────────────────────────┤ │ УРОВЕНЬ 1: ЛИЧНАЯ ЭФФЕКТИВНОСТЬ │ │ Сотрудники используют AI как инструмент │ │ ───────────────────────────────────────────────────────── │ │ Данные: существующие, не обязательно идеальные │ │ Модели: готовые (ChatGPT, GigaChat, YandexGPT) │ │ Люди: базовая AI-грамотность │ └─────────────────────────────────────────────────────────────┘

Ключевой принцип: нельзя перепрыгнуть уровень. Компания, которая не освоила уровень 1, не сможет работать на уровне 2. А без уровня 2 — уровень 3 превращается в дорогой эксперимент.

Уровень 1: Личная эффективность

Каждый сотрудник использует AI для ускорения своей работы: быстрее пишет тексты, ищет информацию, готовит презентации. Бизнес-процессы при этом не меняются — людей просто оснащают новым инструментом, как когда-то — Excel или электронная почта. Для старта не нужны идеальные данные, дообученные модели или собственная инфраструктура.

Уровень 2: Усиление процессов

AI-агенты встраиваются в бизнес-процессы и выполняют часть работы автономно: обрабатывают заявки, квалифицируют лиды, собирают отчёты. Процессы меняются, но бизнес-модель остаётся прежней. Здесь нужны структурированные данные, гибрид cloud и on-premise, интеграции с корпоративными системами.

Главный блокер этого уровня — не технологии и не данные, а люди, которые умеют ставить задачи.

Речь не о новой вакансии, а о существующем руководителе (HR, логистики, маркетинга), который глубоко понимает свой процесс, умеет декомпозировать работу на задачи и сформулировать критерии успеха. Без такого человека агент будет создан, но не будет использоваться.

Уровень 3: Трансформация

AI становится ядром бизнеса: новые продукты, невозможные без AI, новые бизнес-модели, конкурентное преимущество на уровне технологии. Требует собственных данных, дообученных моделей, R&D-команды и капитальных вложений в инфраструктуру.

Уточним: Яндекс продолжает развивать YandexGPT (в 2025 вышла пятая версия), а MTS AI — свои специализированные модели. Самофеев, вероятно, имел в виду разработку foundation-моделей с нуля, где масштаб инвестиций сопоставим со Сбером. Но тезис верен в главном: для большинства компаний собственная LLM — это не путь.

Большинству компаний уровень 3 не нужен. Он для тех, кто строит AI-продукты для рынка и готов инвестировать в R&D на горизонте 5–10 лет.

---

5. Вера vs метрики: почему компании боятся считать ROI

Компании инвестируют в AI, но избегают жёстких метрик успеха. Почему? Страх: если поставить метрику и не достичь — проект «провалился», а без метрики он «в процессе развития». Сложность атрибуции: как доказать, что эффект дал именно AI? Долгосрочная ставка на технологию. И политика — признать отсутствие ROI значит признать ошибку.

Это опасно для всех: деньги уходят в проекты без результата, накапливается «пузырь ожиданий», а консультанту невозможно доказать свою ценность.

---

6. Скрытые расходы: о чём молчат на конференциях

Инфраструктура. «Начать с AI легко — просто подключите API». А потом: корпоративный контур, интеграция с 1С/SAP, логирование, отказоустойчивость. Малый бизнес использует cloud-решения без ограничений и движется быстрее. Крупный бизнес тратит месяцы на согласование инфраструктуры — это бутылочное горлышко, где невозможно быстро масштабировать прикладные AI-кейсы.

Электричество. Пока не критично, но рост спроса на мощности очевиден. А где есть давление ESG-регуляторов, необходимость считать «углеродный след» AI — всё это увеличивает операционные расходы и делает вопрос экономической эффективности ещё более острым.

Кадры. AI не заменяет сотрудников — он создаёт потребность в новых компетенциях. Нужны AI-архитекторы (их почти нет на рынке), product owners с AI-компетенцией (их мало), ML-инженеры (дорого). При этом самую дефицитную роль — того самого product owner — нельзя нанять, можно только вырастить внутри.

---

8. Вместо заключения

Технологии проходят через цикл хайпа: триггер → пик завышенных ожиданий → пропасть разочарования → склон просвещения → плато продуктивности. Мы сейчас где-то между пиком и пропастью. Часть компаний ещё на пике ожиданий, часть уже падает вниз.

Модель трёх уровней зрелости объясняет, почему одни проходят этот путь успешно, а другие застревают: провалы происходят не из-за технологии, а из-за попытки перепрыгнуть уровень. Задача — пройти через пропасть с открытыми глазами. Не обещая чудес, не отговаривая от технологии, а видя реальный путь: от личной эффективности к усилению процессов и — только для тех, кому это действительно нужно — к трансформации.

---

Ссылки

• Видео дискуссии «Стратегия AI-трансформации» — Школа управления Сколково + Redmadrobot

---

Статья написана по материалам публичной дискуссии. Интерпретации и выводы — авторские.

Источник