Почему 30% ИИ-проектов проваливаются без новой модели

В апреле 2025 года Forbes опубликовал интервью с CIO американской корпорации Kimberly-Clark, где топ-менеджер сделал заявление, прозвучавшее почти как ересь на фоне тотального AI-хайпа: технологии искусственного интеллекта дают результат только тогда, когда под них перестроена операционная модель компании. Без этого AI превращается в дорогую надстройку над старыми, неэффективными процессами. Этот тезис — не частное мнение одного CIO, а системная проблема, которую фиксируют крупнейшие консалтинговые и аналитические агентства мира. Для российского среднего бизнеса, который сейчас массово пытается внедрить ИИ в бизнес, этот кейс — прямое предупреждение: покупка технологии без пересмотра модели управления — это инвестиция с высоким риском невозврата.

Что случилось: почему CIO Kimberly-Clark пошёл против тренда?

CIO глобальной FMCG-корпорации публично заявил, что операционная модель важнее самого искусственного интеллекта — потому что технология лишь усиливает существующие процессы, хорошие или плохие. Это заявление в Forbes стало симптомом более широкой проблемы: компании тратят миллиарды на пилоты ИИ, но не получают трансформации бизнеса, потому что решают технологическую задачу вместо управленческой.

Логика простая и в консалтинге известна давно: если процесс согласования решений в компании занимает три недели из-за забюрократизированной иерархии, внедрение ИИ-ассистента ускорит подготовку документов, но не ускорит сами три недели ожидания подписи. Технология оптимизирует звено цепочки, а не всю цепочку. Именно поэтому крупные корпорации, включая Kimberly-Clark, сегодня инвестируют не только в модели и датасеты, но и в пересборку операционной архитектуры — распределение полномочий, скорость принятия решений, KPI команд.

Что такое операционная модель и почему её путают с организационной структурой?

Операционная модель — это совокупность процессов, ролей, систем принятия решений и потоков данных, которая определяет, как компания фактически создаёт ценность для клиента день за днём, в отличие от организационной структуры, которая просто показывает подчинённость на схеме.

Организационная структура отвечает на вопрос «кто кому подчиняется», а операционная модель — на вопрос «как реально принимается решение, кто владеет данными и в какой момент процесс передаётся дальше по цепочке». Именно вторая категория определяет, приживётся ли ИИ-решение или останется дорогой игрушкой в руках одного отдела. На стратегических сессиях с руководством средних компаний мы регулярно фиксируем разрыв: топ-менеджмент верит, что процессы описаны и работают, а на уровне линейных сотрудников используются совершенно другие, неформальные схемы согласования — именно они и «съедают» эффект от внедрения новых технологий.

Почему 30% AI-проектов проваливаются после пилота?

Gartner прогнозирует, что к концу 2025 года не менее 30% проектов генеративного ИИ будут заброшены сразу после стадии проверки концепции — из-за низкого качества данных, неясной экономики и отсутствия готовой инфраструктуры процессов. Это данные из официального пресс-релиза аналитического агентства Gartner.

Причина почти всегда одна: пилот показывает точечный технический результат («модель предсказывает отток клиентов с точностью 87%»), но никто не перестроил бизнес-процесс так, чтобы это предсказание доходило до менеджера по продажам в момент, когда он ещё может повлиять на решение клиента. Аналогичный вывод содержится в отчёте McKinsey «The State of AI»: организации, добившиеся измеримого влияния ИИ на прибыль, системно перестраивают рабочие процессы вокруг новых инструментов, а не встраивают инструменты в старые процессы.

«Технология — это только 10% успеха AI-трансформации. Ещё 20% дают данные и инфраструктура. Остальные 70% — это люди, процессы и то, как организация принимает решения»— методология BCG по внедрению ИИ, Boston Consulting Group

Как выглядит разрыв между ожиданиями и результатом ИИ в цифрах?

Разрыв между инвестициями в ИИ и реальным финансовым эффектом остаётся системной проблемой корпоративного рынка: большинство организаций фиксируют рост экспериментов с генеративным ИИ, но лишь часть из них способна перевести эксперимент в измеримую прибыль. Это подтверждается ежегодными отчётами о состоянии корпоративного ИИ.

Похожая картина фиксируется и в отчёте Deloitte «State of Generative AI in the Enterprise»: компании, которые заранее описали и переработали целевые бизнес-процессы под ИИ, продвигаются к масштабированию заметно быстрее тех, кто внедряет технологию «поверх» существующей организационной модели без изменений в зонах ответственности.

Что нужно сделать до, а не после покупки ИИ-решения?

Порядок действий имеет решающее значение: сначала перестраивается операционная модель — зоны ответственности, скорость решений, метрики, — и только затем выбирается технология под уже переработанный процесс, а не наоборот. Ниже — последовательность, которую мы используем в проектах внедрения ИИ в бизнес для компаний среднего размера, стремящихся к масштабированию.

1. Провести аудит реальных (не формальных) бизнес-процессов и найти точки, где решения буксуют дольше одного дня.
2. Определить 3–5 процессов с наибольшим влиянием на выручку, где задержка решения стоит компании денег напрямую.
3. Перераспределить полномочия так, чтобы данные и рекомендации ИИ доходили до человека, реально принимающего решение, а не оседали в отчётах.
4. Зафиксировать новые метрики эффективности для команд — не «использование ИИ-инструмента», а конкретный бизнес-результат: сокращение цикла сделки, снижение оттока, рост конверсии.
5. Выбрать пилотный процесс с измеримым ROI за 60–90 дней и только под него подбирать конкретное AI-решение.
6. Обучить не только пользователей инструмента, но и руководителей среднего звена — именно они саботируют изменения чаще всего.
7. Зафиксировать новую операционную модель в регламентах и KPI, чтобы эффект не растворился после ухода команды внедрения.

Почему средний российский бизнес рискует повторить ошибку Kimberly-Clark?

Российские компании среднего размера в 2024–2025 годах массово закупают ИИ-инструменты — от чат-ботов до систем аналитики, — но по опыту консалтинговых проектов большинство таких внедрений остаются локальными «островками автоматизации», не меняющими скорость и качество принятия решений в компании в целом.

Проблема усугубляется тем, что у среднего бизнеса, в отличие от корпораций типа Kimberly-Clark, часто отсутствует формализованная операционная модель вовсе — решения принимаются «на личных договорённостях» собственника с ключевыми менеджерами. В такой среде любая технология, включая ИИ, автоматизирует хаос, а не создаёт управляемый рост. Именно поэтому в проектах масштабирования мы начинаем не с выбора нейросети, а с диагностики того, как компания сейчас реально принимает решения — часто эту роль выполняет привлечённый независимый директор по развитию, у которого нет личной заинтересованности защищать сложившийся статус-кво.

«Компании, которые лидируют в применении генеративного ИИ, отличаются не набором технологий, а тем, что перестраивают операционные модели и рабочие процессы вокруг новых возможностей»— из отчёта McKinsey «The State of AI»

Как ускорить рост без риска «острова автоматизации»?

Технику growth hacking имеет смысл применять только после того, как операционная модель способна выдержать ускорение — иначе быстрый рост маркетинговых показателей превращается в перегрузку операций, которые не были перестроены под новый объём. Это частая ошибка компаний, которые сначала масштабируют продажи через B2B продажи и агрессивный маркетинг, а затем обнаруживают, что бэк-офис и производство физически не справляются с приростом клиентов.

Практика показывает: устойчивое ускорение роста строится в обратной последовательности — сначала операционная готовность (процессы, данные, распределение ответственности), затем технологическое ускорение (ИИ, автоматизация), и только на этой базе — агрессивные инструменты growth hacking для взрывного увеличения выручки.

Сергей Семёнов, ESSG Consulting: «В нашей практике был показательный кейс с производственной компанией из сектора стройматериалов: собственник закупил систему прогнозирования спроса на базе ИИ, ожидая, что она автоматически снизит складские издержки. Через полгода эффект был нулевым — не потому, что модель работала плохо, а потому, что решения о закупках всё так же принимал один человек вручную, игнорируя рекомендации системы, поскольку никто не изменил регламент и зону его ответственности. После пересборки операционной модели — с чёткими триггерами автоматического заказа и новой системой KPI для отдела снабжения — компания сократила излишки складских запасов на 23% за один квартал, и только тогда ИИ-прогноз начал приносить реальные деньги.

По опыту наших клиентов из ритейла и дистрибуции, типичная ошибка — покупать технологию раньше, чем перестраивать управленческую архитектуру: люди, KPI, скорость решений. В среднем бизнесе это особенно критично, потому что операционная модель часто держится не на регламентах, а на личных договорённостях собственника с ключевыми сотрудниками, и никакой алгоритм это не заменит без осознанной перестройки.

Практический вывод для руководителя: прежде чем подписывать контракт на внедрение ИИ, задайте себе один вопрос — если бы этот инструмент выдал идеальную рекомендацию прямо сейчас, кто и за сколько часов реально успеет её исполнить? Если ответа нет — деньги на технологию можно пока не тратить, начинать нужно со стратегической сессии по пересмотру процессов».

Сколько стоит перестройка операционной модели перед внедрением ИИ?

Стоимость диагностики и перестройки операционной модели для компании среднего размера обычно кратно ниже стоимости неудачного AI-пилота, который придётся списывать через 6–12 месяцев без результата. Диагностический этап, как правило, занимает от двух до шести недель и включает аудит процессов, интервью с ключевыми сотрудниками и подготовку новой модели распределения решений.

Часто задаваемые вопросы

С чего начать, если компания уже купила ИИ-инструмент, но эффекта нет?

Провести аудит процесса, в который встроен инструмент: найти точку, где рекомендация системы теряется из-за отсутствия полномочий или регламента у сотрудника, который должен на неё реагировать, и перестроить именно этот участок.

За какой срок окупается перестройка операционной модели?

При правильно выбранном пилотном процессе с измеримым влиянием на выручку или издержки первые результаты видны через 60–90 дней, а полная окупаемость проекта — обычно в горизонте одного-двух кварталов.

Нужно ли увольнять сотрудников при внедрении ИИ и новой операционной модели?

Нет, чаще требуется не сокращение штата, а перераспределение зон ответственности и обучение — люди, которые раньше выполняли рутинные операции, переходят к контролю качества решений и работе с исключениями.

Можно ли внедрить ИИ без пересмотра операционной модели вообще?

Технически можно, но по данным Gartner именно так проваливается до 30% проектов после стадии пилота — технология работает изолированно и не доходит до реального бизнес-результата.

Какая команда нужна для перестройки операционной модели в среднем бизнесе?

Обычно достаточно небольшой рабочей группы из собственника, ключевого операционного менеджера и внешнего эксперта, который проведёт диагностику без внутренней предвзятости — часто эту роль на аутсорсе выполняет независимый директор по развитию.

#ESSGConsulting #ВнедрениеИИ #ОперационнаяМодель #ТрансформацияБизнеса #МасштабированиеБизнеса