Искусственный интеллект быстро становится частью корпоративной инфраструктуры, однако его внедрение далеко не всегда приносит бизнесу ожидаемый экономический результат. Только 33% компаний достигли или превысили запланированные показатели своей наиболее значимой программы ИИ. При этом 96% руководителей признали, что в их организациях существуют серьёзные пробелы в управлении такими технологиями. К такому выводу пришли аналитики HFS Research по итогам опроса 502 представителей крупного бизнеса, опубликованного 12 ноября 2026 года.
Исследование показывает противоречие, которое всё заметнее проявляется на рынке: компании приобретают модели, вычислительные мощности и программные платформы, но не всегда могут объединить их в работающую систему, способную давать измеримый финансовый эффект.
Чем шире внедрение ИИ, тем сложнее получить результат
Один из наиболее показательных выводов исследования связан с масштабом использования искусственного интеллекта внутри организаций.
Среди компаний, применяющих ИИ в одном функциональном направлении, ожидаемого бизнес-результата достигли 37%. Когда технология распространялась сразу на несколько подразделений, доля таких предприятий снижалась до 28%.
В организациях, где ИИ уже встроен в стандартные операционные процессы, показатель составлял 56%. Однако до такой стадии дошла лишь часть участников исследования.
Эти цифры не доказывают, что расширение использования ИИ само по себе ухудшает результаты или что зрелая интеграция гарантирует успех. Речь идёт о сравнении разных групп предприятий. Тем не менее исследование выявляет проблему: каждый новый проект может требовать отдельной инфраструктуры, поставщиков, контроля расходов и правил эксплуатации.
В результате затраты и организационная сложность растут быстрее, чем способность компании получать отдачу от вложений.
Проблема оказалась не только в технологиях
Руководители указали на серьёзные недостатки в управлении ИИ. 96% участников опроса сообщили о существенных пробелах в этой области, а 78% считают ошибки управления более серьёзной угрозой для масштабирования искусственного интеллекта, чем технические сбои.
Ещё 44% компаний не имеют единого последовательного подхода к эксплуатации ИИ после его запуска.
На практике это означает, что разные подразделения могут использовать отдельные модели и платформы, работать с собственными подрядчиками и оценивать эффективность по разным критериям. При этом не всегда понятно, кто отвечает за совокупные расходы, безопасность, качество результатов и экономический эффект всей системы.
Проблема заключается не обязательно в том, что нейросети плохо справляются с конкретными задачами. Даже эффективный инструмент может оказаться невыгодным, если компания не контролирует стоимость его использования, не перестраивает рабочие процессы и не определяет ответственность за конечный результат.
ИИ чаще экономит время, чем увеличивает выручку
Распределение заявленных результатов также заслуживает внимания.
58% опрошенных компаний сообщили об улучшении производительности сотрудников благодаря ИИ. Измеримое сокращение расходов отметили 42% участников. Улучшение клиентского опыта указали 28%, а измеримый рост выручки - только 21%.
Таким образом, наиболее заметная отдача пока связана с внутренней эффективностью: автоматизацией отдельных операций, ускорением обработки информации и поддержкой сотрудников.
Но повышение производительности не всегда автоматически превращается в рост доходов. Чтобы получить коммерческий эффект, компаниям необходимо менять процессы, пересматривать распределение задач и находить способы использовать высвободившиеся ресурсы.
Именно на этом этапе технологический эксперимент должен превратиться в управляемую бизнес-модель.
Компании ищут тех, кто будет отвечать за результат
Исследование выявило и изменение ожиданий корпоративных заказчиков. 61% респондентов предпочли бы иметь одного ответственного партнёра, который координировал бы работу моделей, платформ и инфраструктуры ИИ. Среди компаний, уже использующих ИИ в производственной среде, но не получивших ожидаемого результата, показатель достиг 74%.
Кроме того, 73% участников заявили, что готовы платить больше стоимости базовой инфраструктуры за полностью управляемый сервис, если поставщик будет отвечать за эксплуатацию и управление ИИ.
Это отражает изменение спроса: бизнесу становится недостаточно просто приобрести доступ к модели или вычислительным ресурсам. Компании хотят понимать, сколько стоит работа системы, насколько она эффективна и кто отвечает за её функционирование после запуска.
При этом ответственность за решения, внутренние правила и соблюдение законодательства остаётся за самой организацией. Передача технического обслуживания подрядчику не означает передачу ему всей юридической ответственности.
Почему результаты исследования требуют осторожной оценки
Опрос проводился в августе и сентябре 2026 года среди 502 руководителей, принимающих решения в сфере корпоративного ИИ. В выборку вошли предприятия с годовой выручкой не менее 100 млн долларов, представлявшие восемь отраслей и четыре региона. Все участники уже реализовывали пилотные проекты ИИ или более масштабные программы, а 83% использовали технологию в производственной среде либо на более зрелых этапах.
Поэтому результаты нельзя автоматически переносить на весь мировой бизнес, малые предприятия или компании, которые ещё не начали внедрение ИИ.
Есть и ещё один нюанс: исследование подготовлено HFS Research совместно с Rackspace - компанией, которая сама предоставляет инфраструктурные и управляемые ИИ-услуги. Это не отменяет приведённых данных, но коммерческий интерес партнёра важно учитывать при оценке предложенной им модели решения проблемы.
Тем не менее цифры показывают важный сдвиг в корпоративном внедрении искусственного интеллекта. Главный вопрос для бизнеса постепенно меняется: уже недостаточно выяснить, что именно нейросеть умеет делать. Необходимо понять, как встроить её в работу предприятия, контролировать расходы и получить результат, который можно измерить.
Для компаний следующий этап ИИ-гонки может оказаться не столько соревнованием за доступ к самым мощным моделям, сколько борьбой за способность превратить технологические возможности в реальную экономическую отдачу.




