Почему ИИ не окупается: риск рецессии и что делать бизнесу

Замедление отдачи от ИИ: угроза рецессии или точка пересборки стратегии?

Главный экономист Apollo Global Management Торстен Слок предупредил: если инвестиции в искусственный интеллект не начнут генерировать измеримую экономическую отдачу в ближайшие 12–18 месяцев, совокупный эффект замедления способен спровоцировать рецессию в американской и — через цепочки капитала — в мировой экономике. Для российских компаний это не абстрактный макросценарий: он напрямую меняет логику принятия инвестиционных решений в области цифровой трансформации прямо сейчас.

Почему экономист Apollo бьёт тревогу именно сейчас?

Логика предупреждения Слока проста и опасна одновременно: с 2022 по 2025 год глобальные корпорации вложили в ИИ-инфраструктуру более $300 млрд, однако совокупный рост производительности труда остаётся ниже исторических паттернов предыдущих технологических волн. Если эта диспропорция не устранится, рынок начнёт переоценивать ИИ-активы — с последствиями для фондового рынка, кредитного рынка и потребительского доверия.

Речь идёт о классическом «парадоксе производительности» (productivity paradox), который экономист Роберт Солоу ещё в 1987 году описал применительно к компьютеризации: «Компьютеры видны везде, кроме статистики производительности». Сегодня этот тезис буквально воспроизводится в ИИ-цикле, но с кратно большими ставками.

«Мы видим огромные инвестиции в ИИ-инфраструктуру, но влияние на совокупную производительность пока остаётся скромным. Это ключевой вопрос для макроэкономического прогнозирования на 2025–2026 годы.»— Торстен Слок, главный экономист, Apollo Global Management, CNBC

Важно понимать: Слок не предсказывает рецессию как неизбежность. Он формулирует условный сценарий — если кривая ROI от ИИ не изменит наклон в течение ближайших нескольких кварталов, макроэкономическая динамика ухудшится. Для бизнес-стратегов это сигнал перейти от экспериментального к результато-ориентированному подходу к внедрению ИИ.

Где застревает отдача: анатомия разрыва между вложениями и результатом

По данным McKinsey Global Survey on AI (2024), 72% компаний интегрировали ИИ хотя бы в одну бизнес-функцию, но только около 20% из них отчитываются об измеримом финансовом результате в горизонте первых 18 месяцев. Остальные 52% находятся в зоне «технологического пилота» — продукт есть, ROI нет.

Разрыв возникает по трём структурным причинам:

1. Технологический детерминизм без бизнес-логики. Компании покупают ИИ-инструменты под давлением рынка, не встраивая их в конкретные процессы с измеримыми KPI. Результат — «умная» система, которая никому не нужна в операционном смысле.
2. Недоинвестированность в Change Management. По данным PwC AI Predictions (2024), 54% руководителей называют «культурное сопротивление» главным барьером масштабирования ИИ. Технология готова — организация нет.
3. Отсутствие данных нужного качества. ИИ-модели требуют структурированных, очищенных, связанных данных. По оценкам Gartner (2023), через 2025 год почти половина ИИ-инициатив не оправдает ожиданий именно по причине низкого качества данных в организациях.
4. Горизонт планирования короче цикла отдачи. Реальная трансформация процессов занимает 18–36 месяцев, а бюджетные циклы в большинстве компаний — 12 месяцев. Несовпадение ритмов убивает проекты ещё до получения результата.
5. Пилоты не масштабируются. Успешный пилот в одном департаменте не переносится на компанию автоматически — нужна отдельная архитектура масштабирования, которую большинство организаций не выстраивают заранее.

Российский контекст: специфика и дополнительные риски

Российские компании среднего сегмента сталкиваются с теми же структурными барьерами, что и глобальные корпорации, но в условиях дополнительных ограничений: санкционного давления на технологический импорт, ухода западных вендоров и необходимости переориентации на отечественные решения. Это создаёт как риски, так и — неочевидно — окно возможностей.

С одной стороны, российский рынок лишился прямого доступа к ряду западных платформ и облачных сервисов. С другой — отечественные разработки в области машинного обучения (Яндекс, Сбер, МТС AI, VK Tech) достигли зрелости, достаточной для промышленного применения в ключевых секторах: ретейле, финансах, логистике, производстве. По данным CNews Analytics (2024), объём российского рынка ИИ-решений превысил 650 млрд рублей, демонстрируя рост 30%+ год к году даже в условиях санкционных ограничений.

Вызов для руководителей среднего бизнеса — не «внедрить ИИ ради ИИ», а выстроить измеримую связку: конкретный процесс → конкретная модель → конкретный KPI → конкретный срок проверки гипотезы. Именно этот подход отличает компании с реальным ROI от тех, кто пополняет статистику «замедления отдачи».

Для тех, кто только формирует ИИ-стратегию, отправной точкой служит диагностика текущих процессов и точек наибольшего потенциала автоматизации — именно это лежит в основе нашего подхода к внедрению ИИ в бизнес.

Как выглядит компания, которая получает ROI от ИИ: 6 отличительных характеристик

Исследование McKinsey (2024) выявило группу «AI high performers» — компаний, получающих более 20% EBIT от ИИ-инициатив. Их объединяют шесть управленческих характеристик, воспроизводимых независимо от отрасли и географии.

Паттерн очевиден: высокопроизводительные компании не «внедряют ИИ» — они перестраивают управленческую операционную систему вокруг данных и алгоритмов. Это трансформационная, а не технологическая задача.

Что должен сделать руководитель прямо сейчас: пошаговый алгоритм

Предупреждение Apollo Global — не повод заморозить ИИ-проекты. Это сигнал ужесточить критерии отбора инициатив и перейти от «цифровизации ради цифровизации» к измеримому росту. Вот конкретный алгоритм для управленческой команды.

1. Проведите ИИ-аудит текущего портфеля. Составьте список всех ИИ-инициатив с их статусом, потраченным бюджетом и фактическим KPI. Если KPI не определён — это первый красный флаг.
2. Отсеките «витринные» проекты. Любой пилот, не имеющий привязки к выручке, марже, скорости цикла или NPS в горизонте 6 месяцев, подлежит пересмотру или закрытию.
3. Определите «ИИ-чемпионов» на уровне процессов. Выберите 2–3 процесса с наибольшим объёмом ручного труда или ошибок — именно здесь автоматизация даёт быструю и измеримую отдачу.
4. Выстройте data-фундамент. Прежде чем масштабировать модель — убедитесь, что данные по целевому процессу собираются, хранятся и очищаются системно. Без этого шага любой ИИ-проект обречён.
5. Сформируйте кросс-функциональную команду. ИИ-проект не может принадлежать только IT-департаменту. Обязательно включите бизнес-владельца процесса, аналитика данных и представителя финансов.
6. Установите 90-дневный milestone. Каждый ИИ-проект должен иметь промежуточную точку проверки через 90 дней с конкретным измеримым результатом — иначе он превратится в долгострой.
7. Масштабируйте только доказанные гипотезы. Успешный пилот → полноценное внедрение → следующий процесс. Не пытайтесь трансформировать всё одновременно.

Макроэкономический риск как зеркало корпоративной стратегии

Тезис Слока важен не только как макроэкономический прогноз, но и как диагностика зрелости корпоративного управления в ИИ-эпоху. Компании, которые инвестировали в ИИ без стратегии, создали именно тот «пузырь ожиданий», о котором предупреждает Apollo. Компании, выстроившие процессно-ориентированный подход, — получают результат и создают устойчивое конкурентное преимущество независимо от макроконъюнктуры.

«Компании, которые рассматривают ИИ как стратегический приоритет и встраивают его в принятие решений на уровне совета директоров, демонстрируют в 1,5 раза более высокие темпы роста выручки по сравнению с теми, кто относится к ИИ как к IT-проекту.»— Майкл Чуй, старший партнёр, McKinsey Global Institute

Для российских компаний среднего сегмента это означает конкретное управленческое действие: включить ИИ-стратегию в повестку стратегических сессий на уровне собственника и топ-менеджмента, а не делегировать её IT-директору. Именно такой формат — когда бизнес-задача первична, а технология вторична — обеспечивает устойчивый результат.

Компании, которые уже прошли этот путь с нашей командой через стратегические сессии, фиксируют сокращение цикла принятия решений по ИИ-инициативам с 6–8 месяцев до 6–8 недель — за счёт чёткого целеполагания и согласованности команды.

Экспертный комментарий

Сергей Семёнов, ESSG Consulting: «Предупреждение Слока я бы назвал запоздалой, но необходимой проверкой реальностью. Мы в своей практике видели этот паттерн ещё в 2023 году: крупный дистрибьютор из сектора FMCG вложил около 45 млн рублей в ИИ-систему прогнозирования спроса — и получил красивые дашборды, которые никто не использовал в операционных решениях. Проблема была не в технологии, а в том, что проект принадлежал IT-департаменту, а не коммерческому директору. После трёхмесячной перестройки архитектуры проекта, переопределения KPI и обучения команды закупок та же система обеспечила снижение стоков на 18% и высвобождение оборотного капитала на 120 млн рублей за первые 9 месяцев. Технология не изменилась — изменилась управленческая логика вокруг неё.»

Сергей Семёнов, ESSG Consulting: «По опыту наших клиентов из производственного сектора и B2B-дистрибуции, наиболее частая ошибка — попытка оцифровать хаос. Компания, у которой нет чёткого процесса в аналоговом мире, не получит его в цифровом. ИИ усиливает то, что уже работает, и умножает дисфункции там, где их не устранили. Поэтому наш первый шаг с любым клиентом — не выбор платформы, а диагностика: какие процессы действительно работают, где узкое место, и какую метрику мы улучшаем. Только после этого имеет смысл говорить об инструментах.»

Сергей Семёнов, ESSG Consulting: «Практический вывод для руководителя звучит так: если ваши ИИ-проекты за последние 12 месяцев не дали измеримого результата в выручке, марже или скорости — остановитесь не для того, чтобы отказаться от ИИ, а для того, чтобы пересобрать логику. Вопрос «какую бизнес-задачу мы решаем?» должен предшествовать вопросу «какой инструмент мы используем?». Именно это отличает компании с реальным ROI от тех, кто создаёт тот самый макроэкономический риск, о котором говорит Apollo.»

FAQ: вопросы руководителей о замедлении ROI от ИИ

Сколько реально стоит получить измеримый результат от ИИ в среднем бизнесе?

Минимальный бюджет для получения измеримого операционного результата (не пилота, а полноценного внедрения в один процесс) составляет от 3 до 15 млн рублей в зависимости от сложности процесса и состояния данных. Более 70% бюджета, как правило, уходит не на технологию, а на подготовку данных, интеграцию и обучение команды. Компании, недооценивающие эту статью, получают именно тот «разрыв ROI», о котором предупреждает Apollo.

За какой срок окупаются ИИ-инвестиции в российских реалиях?

По нашей практике и данным McKinsey, медианный срок окупаемости ИИ-проектов, правильно привязанных к бизнес-процессу, составляет 14–22 месяца. Проекты без чёткого KPI окупаются «никогда» — они просто переходят в статус инфраструктурных затрат. Быстрее всего окупаются решения в области автоматизации документооборота (6–9 месяцев) и прогнозирования спроса в ретейле/дистрибуции (9–15 месяцев).

Означает ли предупреждение Apollo, что нужно заморозить ИИ-проекты?

Нет. Сигнал Apollo — не «стоп», а «переоцени логику». Компании, замораживающие ИИ-инвестиции сейчас, рискуют потерять 18–24 месяца конкурентного преимущества, пока те, кто выстроил правильную стратегию, продолжают наращивать отрыв. Правильная реакция — ужесточить критерии отбора проектов и ускорить цикл проверки гипотез, а не останавливаться.

С чего начать, если в компании ещё нет ни одного работающего ИИ-проекта?

Начните с аудита процессов, а не с выбора технологии. Определите три процесса с наибольшим объёмом ручного труда или ошибок, оцените качество данных по каждому из них и выберите тот, где данные уже есть и процесс формализован. Первый проект должен быть маленьким, быстрым и с измеримым KPI через 90 дней — это создаёт внутренний кейс и снижает организационное сопротивление к следующим итерациям.

Как понять, что наш ИИ-проект относится к «замедляющим ROI», а не к успешным?

Три индикатора проблемного проекта: (1) KPI проекта сформулирован в технических терминах («точность модели 94%»), а не в бизнес-терминах («снижение брака на 12%»); (2) проект принадлежит IT, а не бизнес-владельцу процесса; (3) прошло более 6 месяцев с начала внедрения, а операционная команда всё ещё «тестирует» систему. Если хотя бы два из трёх — проект требует перезапуска с пересмотром целеполагания.

#ESGConsulting #ВнедрениеИИ #МасштабированиеБизнеса #ЦифроваяТрансформация #AIстратегия

—