Технологии искусственного интеллекта (ИИ) позиционируются на рынке как универсальный инструмент повышения эффективности бизнеса, однако реальные результаты их внедрения зачастую не соответствуют ожиданиям. Руководство многих международных компаний констатирует неудовлетворительные показатели интеграции ИИ. Одновременно с этим со стороны линейного персонала наблюдается сопротивление изменениям, обусловленное опасениями сокращения рабочих мест. Каковы ключевые причины низкой эффективности внедрения ИИ и какие существуют пути решения данной проблемы?
Технологический сектор и реальные показатели эффективности ИИ
Высокий интерес к технологиям искусственного интеллекта обеспечил приток масштабных инвестиций, основными бенефициарами которых стали глобальные ИТ-корпорации — в частности, производитель микрочипов NVIDIA, чья рыночная капитализация достигла $4–5 трлн. Однако ожидания быстрой окупаемости проектов и кратного роста производительности труда на практике пока не подтверждаются.
Согласно исследованию компании PwC (в опросе осени 2025 года приняли участие более 4,4 тыс. руководителей компаний с выручкой от $100 млн до $25 млрд из 95 стран), 56% генеральных директоров крупных предприятий не зафиксировали роста выручки или снижения операционных издержек по итогам года после внедрения ИИ. Более того, 22% респондентов отметили увеличение расходов, связанных с интеграцией данных технологий. Лишь 12% опрошенных топ-менеджеров сообщили о положительной динамике как в части роста доходов, так и в сокращении затрат.
Оценка сроков окупаемости ИИ-проектов также претерпела изменения. Если ранее более половины руководителей ожидали роста выручки в течение первых 12 месяцев после внедрения, то к настоящему времени доля таких оптимистов снизилась до 30%.
Исследование Массачусетского технологического института (MIT), проведенное в 2025 году на основе 150 интервью с топ-менеджерами, опроса 350 сотрудников и анализа данных 300 компаний, показало, что лишь 5% пилотных проектов в области генеративного ИИ обеспечивают быстрый рост выручки. Остальные 95% проектов не приносят измеримого коммерческого эффекта. Наиболее успешные результаты демонстрируют стартапы и крупные корпорации, которые используют ИИ для решения узкоспециализированных бизнес-задач.
По прогнозам аналитического агентства Gartner, к 2027 году более 40% проектов по созданию автономных ИИ-агентов (цифровых помощников) будут закрыты. Основными причинами станут высокие интеграционные издержки, неопределенные сроки окупаемости и отсутствие явной коммерческой ценности. Эксперты Gartner отмечают, что из тысяч заявленных ИИ-решений лишь немногим более ста являются практически применимыми продуктами, в то время как большинство представляют собой экспериментальные модели или концепты.
Сопротивление персонала и риски информационной безопасности
Несоответствие результатов ожиданиям, а также опасения сотрудников относительно сокращения штата и сбоев в рабочих процессах привели к росту противодействия со стороны персонала. Совместное исследование компаний Writer и Workplace Intelligence (опрошено 2,4 тыс. офисных сотрудников, включая 1,2 тыс. руководителей) показало, что 29% работников в западных странах сознательно саботируют внедрение ИИ. Среди представителей поколения Z этот показатель достигает 44%.
Формы пассивного сопротивления включают отказ от использования рекомендаций ИИ и выполнение задач вручную вопреки регламентам. В ряде случаев противодействие принимает более критические формы: сотрудники формально используют ИИ, но отказываются верифицировать его выводы, не редактируют некорректные ответы и не настраивают систему. Кроме того, использование сотрудниками общедоступных нейросетей в рабочих целях создает серьезные риски утечки конфиденциальной информации и нарушения корпоративной безопасности.
Влияние автоматизации на рынок труда и оценку компаний инвесторами
Интеграция ИИ не устраняет потребность в кадрах, а трансформирует ее. Автоматизация рутинных функций и оптимизация штата исполнителей часто требуют привлечения новых высококвалифицированных специалистов в области ИИ. При этом появление ChatGPT существенно изменило реакцию фондового рынка на кадровую политику компаний из индекса S&P 500.
Ранее динамика индекса S&P 500 и показатели создания новых рабочих мест в США находились в прямой зависимости (рост штата воспринимался как признак расширения бизнеса). Однако, согласно исследованию Донреля Ли из Наньянского технологического университета (Сингапур), после запуска ChatGPT зависимость стала обратной.
Инвесторы начали трактовать увеличение численности персонала как признак недостаточного уровня цифровизации и операционной неэффективности. В связи с этим эмитенты стремятся не афишировать наем новых сотрудников либо компенсируют подобные сообщения заявлениями о масштабном внедрении ИИ-технологий.
Специфика внедрения ИИ в Российской Федерации
Российский бизнес сталкивается с аналогичными вызовами при цифровизации. Технический директор компании Bercut Алексей Чистяков отмечает существенный разрыв между приобретением лицензий на ИИ-решения и их фактическим использованием. По данным опроса агентства «Интеллектуальная аналитика», проведенного в начале 2026 года среди 50 крупнейших российских компаний, около 90% пилотных ИИ-проектов, запущенных в 2025 году, не были доведены до стадии промышленной эксплуатации (проекты заморожены, закрыты или существенно изменены). При этом средние затраты на один пилотный проект составляли от 5 до 15 млн рублей.
Несмотря на то, что 80–90% сотрудников декларируют знакомство с ИИ-сервисами, уровень их реальной интеграции в бизнес-процессы составляет всего 5–10%. По словам Чистякова, пользователи часто применяют нейросети в личных целях через браузер, что не оказывает влияния на производственные показатели. В результате растет неудовлетворенность из-за неэффективного расходования бюджетов и времени.
Наиболее выраженное несоответствие ожиданиям наблюдается в промышленном секторе, где инфраструктура часто не готова к интеграции ИИ. Попытки внедрить технологии для предиктивной аналитики и управления производством наталкиваются на отсутствие структурированных данных и несовместимость ИТ-систем, из-за чего лабораторные прототипы не поддаются масштабированию в реальных цехах.
Заместитель руководителя направления ИИ холдинга Т1 Сергей Карпович подтверждает, что сомнения в эффективности ИИ возникают в отраслях с высокой стоимостью ошибок и жестко регламентированными процессами (производство, логистика). Внедрение ИИ директивным путем без реинжиниринга всей системы приводит к созданию изолированных и неэффективных ИТ-контуров.
В сфере маркетинга и разработки цифровых продуктов ситуация также неоднозначна. Руководитель продуктового направления «Рейтинга Рунета» Александр Туник отмечает, что бизнес сохраняет высокие ожидания относительно снижения издержек и ускорения процессов с помощью ИИ, однако большинство попыток создания и коммерциализации специализированных ИИ-сервисов пока не приносят ожидаемого успеха.
В государственном секторе внедрение ИИ сдерживается длительными процедурами закупок: к моменту завершения всех согласований приобретаемая технология часто успевает устареть. Наиболее высокая готовность инфраструктуры и бизнес-процессов к интеграции ИИ отмечается в ИТ-отрасли, финтехе и электронной коммерции.
Классификация типов сопротивления изменениям
Технический директор Bercut Алексей Чистяков классифицирует сотрудников, оказывающих скрытое противодействие внедрению ИИ, на три основные группы:
- 1.Пассивные исполнители. Сотрудники, прошедшие обучение, но продолжающие работать по традиционным методикам (наиболее характерно для бухгалтерии, юридических служб и делопроизводства).
- 2.Формальные пользователи. Менеджеры среднего звена, фальсифицирующие отчетность по использованию ИИ для демонстрации выполнения KPI перед руководством при минимальном фактическом применении технологий.
- 3.Профессиональные скептики. Профильные эксперты (врачи, технологи, юристы), обоснованно сомневающиеся в способности ИИ заменить их квалификацию и не доверяющие качеству работы алгоритмов.
Ситуацию осложняет неопределенность в вопросе юридической и профессиональной ответственности за ошибки ИИ. Исполнительный директор компании «1С ПРО Консалтинг» Николай Мокрецов указывает, что ключевым фактором недоверия сотрудников является необходимость нести персональную ответственность за результаты работы автоматизированных систем. Тем не менее, эксперты полагают, что данное сопротивление преодолимо при условии предоставления сотрудникам убедительных доказательств эффективности ИИ на практике.
Методология успешной интеграции ИИ-решений
Высокий процент неудач при внедрении ИИ (до 90%) обусловлен не недостатками самой технологии, а ошибками в управлении изменениями на корпоративном уровне. ИТ-директор компании «СКБ Контур» Артем Прескарьян подчеркивает, что основная причина провалов заключается в отсутствии у руководства четкого понимания, для каких именно бизнес-процессов применим ИИ.
Директор по управлению проектами направления генеративного ИИ компании «Рексофт» Юрий Шевченко рекомендует начинать интеграцию не с масштабных декларативных программ, а с оптимизации 3–5 конкретных процессов, имеющих экономическое обоснование. Успешный системный подход предполагает создание единой базы кейсов, определение четких правил безопасности, обучение персонала на личных примерах руководства и прозрачный анализ как успешного, так и негативного опыта.
Для снижения уровня сопротивления сотрудникам необходимо предоставить ответы на три ключевых вопроса: какие рутинные задачи будут автоматизированы, как будет контролироваться качество работы ИИ и как изменятся должностные обязанности сотрудников.
Ведущий инженер-аналитик лаборатории технологий ИИ компании «Газинформсервис» Ирина Меженева указывает на важность фиксации и анализа ошибок ИИ-моделей для их последующего дообучения. Если персонал видит, что их обратная связь учитывается для улучшения системы, отношение к ИИ меняется с отторжения на восприятие его в качестве вспомогательного инструмента.
По оценке руководителя группы «Ланит-Терком» Михаила Смирнова, успешное внедрение ИИ обеспечивает оптимизацию процессов на уровне 10–15%. При этом зачастую положительный экономический эффект достигается не за счет самих алгоритмов, а в результате сопутствующего аудита и оптимизации бизнес-процессов, которые ранее не проводились.