Почему только 27% организаций готовы к AI

Ключевые выводы

• 94% руководителей предприятий считают, что тесно взаимосвязанные данные, процессы и приложения критически важны для успеха ИИ. Только 27% говорят, что их организация обладает ими.

• 65% сообщают, что их структурированные данные готовы к ИИ. Только 39% говорят то же самое о своих неструктурированных данных, в которых хранится большая часть институциональных знаний.

• 39% организаций используют ИИ как автономные инструменты, расположенные рядом с рабочим процессом. Только 12% внедрили ИИ непосредственно внутри самого рабочего процесса.

• 17% предприятий развёрнули агентский ИИ. 32% прекратили попытки.

• Основное ограничение ценности корпоративного ИИ — операционная модель, а не технология.

Источник: Harvard Business Review Analytic Services, «Bridging the Readiness Gap to the Agentic Enterprise», декабрь 2025 года, n=325 лиц, принимающих решения на уровне предприятия.

Что такое разрыв в готовности предприятий к ИИ?

Разрыв в готовности предприятий к ИИ — это разница между тем, что организация говорит, что ей нужно для успешной работы ИИ, и тем, что она фактически построила. Опрос 325 лиц, принимающих решения на уровне предприятий, проведённый Harvard Business Review Analytic Services в декабре 2025 года, зафиксировал этот разрыв на уровне 67 процентных пунктов. 94% руководителей считают, что взаимосвязанные данные, процессы и приложения крайне важны для успеха ИИ. Только 27% говорят, что их организация на текущий момент обладает ими.

Этот разрыв — самый значимый предсказательный сигнал в отчёте. Он объясняет, почему пилотные проекты по ИИ застревают, почему заявления о росте производительности не отражаются в отчёте о прибылях и убытках (P&L), и почему большинство внедрений агентского ИИ застывают на стадии proof-of-concept (доказательства концепции).

Это не проблема качества моделей. Это не проблема вычислительных мощностей. И в простом смысле это даже не проблема кадров.

Одна и та же закономерность проявляется независимо от отрасли — в банковском деле, страховании, телекоммуникациях и розничной торговле. Пилоты финансируются быстрее, чем закладываются фундаментальные основы. Модели развёртываются быстрее, чем наводится порядок в управлении данными. Разрыв носит структурный характер, и прежде всего это проблема операционной модели, а уже потом что-либо ещё.

Почему существует разрыв в готовности к ИИ?

Три причины, и все они организационные.

Во-первых, у ИИ появился бюджет раньше, чем у данных появилась стратегия. Пилотные проекты и узкоспециализированные решения были дешёвыми, быстрыми и наглядными. Фундаментальная работа по мастер-данным, семантическим слоям, управлению контентом и интеграции ним не является ни дешёвой, ни быстрой, ни наглядной. Когда организации оптимизируют процесс под скорость демонстрации, они недоинвестируют в ту основу, которая позволяет демонстрации масштабироваться.

Во-вторых, бизнес и IT годами описывают одни и те же сущности по-разному. «Клиент» в CRM — это не то же самое, что «клиент» в биллинговой системе. «Политика» (страховой полис) в андеррайтинге — не то же самое, что «политика» в урегулировании убытков. ИИ не терпит такой фрагментации. Он выявляет несо consistency, выдавая ответы, которым никто не доверяет.

В-третьих, управление (governance) воспринималось как тормоз, а не как основа. Большинство организаций прибавляют governance после развёртывания, когда стоимость рефакторинга максимальна, а политическая воля минимальна.

Эми Маchado, старший менеджер по исследованиям в программе Content and Knowledge Discovery Strategies компании IDC, в отчёте HBR прямо формулирует последствие:

«Если организации не доверяют своим данным и контенту, они не будут доверять ИИ, построенному поверх них. А если они не доверяют системе, они не будут широко её развёртывать или полагаться на неё для более сложных решений».

Эта причинно-следственная цепочка — вся проблема масштабирования корпоративного ИИ в двух предложениях.

Почему неструктурированные данные важнее, чем большинство предприятий признают?

Опрос HBR приводит самый чёткий аргумент в пользу этого в любом недавнем исследовании. 65% организаций говорят, что их структурированные данные в той или иной степени полностью подготовлены к ИИ. Только 39% говорят то же самое о своих неструктурированных данных.

Неструктурированные данные — это текст, изображения, видео, электронные письма, PDF-файлы, контракты, записи о урегулировании убытков, расшифровки встреч и записи звонков, которые составляют большую часть того, что предприятие фактически знает о себе. В банке, описанном в отчёте HBR, директор по операциям оценил, что 60% Organisational данных — неструктурированные. В страховании, финансовых услугах и государственном секторе доля часто ещё выше.

Это важно, потому что наиболее ценные варианты использования ИИ (решения по андеррайтингу, сортировка убытков, обслуживание клиентов, проверка соответствия требованиям, интеллектуальная работа) зависят от неструктурированного контента. Организация, которая готова к ИИ в части таблиц базы данных, но не готова в части репозитория документов, готова к ИИ в неправильных 40%.

Карма Хикс, директор по операциям и улучшению процессов в American National Bank of Texas, описывает диагностический подход, который банк теперь использует:

«Когда мы картируем наши процессы и ищем возможности повышения эффективности, мы сосредотачиваемся на самих данных: откуда люди их берут и попадают ли они в наше хранилище данных. Они структурированные или неструктурированные? Лежат ли они на чьём-то рабочем столе?»

Этот последний вопрос — тот, который большинство предприятий избегают. Рабочий стол, почтовый ящик, папка SharePoint, общий диск, который никто не владеет. Пока эти репозитории не обследованы, не классифицированы и не интегрированы или не выведены из эксплуатации, инициатива по ИИ работает с лишь небольшой частью знаний, которые ей нужны.

Маchado добавляет более сложный слой, который лежит глубже:

«Если у вас нет хороших данных, у вас не будет хороших результатов [ИИ]. В основе ИИ лежат данные, к которым вы можете получить доступ. Это означает не только модернизацию контента, но и приложений для работы с контентом. Так многие компании всё ещё имеют устаревшие приложения с данными, к которым они не могут получить доступ, потому что их трудно интегрировать и координировать. Модернизация действительно стала стратегическим императивом».

Императив модернизации распространяется за пределы данных на платформы, которые их хранят.

Встроенный ИИ против автономного ИИ: что действительно работает?

Встроенный ИИ работает в масштабе предприятия. Автономный ИИ редко работает в таком масштабе. Данные HBR чётко показывают это разделение.

Эми Маchado из IDC формулирует принцип проектирования языком, который должен быть на стене у каждого CIO:

«Когда вы не встраиваете ИИ в рабочий процесс, это ощущается как ещё одна вещь, которую нужно изучить. Это не просто интеграция систем. Это интеграция процессов и самого опыта. Если это ощущается как ещё один инструмент, оно не приживётся».

Стефани Вёрнер, главный научный сотрудник MIT Sloan School of Management и директор MIT Center for Information Systems Research, делает вывод о масштабе предприятия:

«Компаниям было трудно понять ценность автономных инструментов ИИ для производительности. Они её видят, но в основном на индивидуальном уровне. Где вы начинаете делать реальные шаги — это когда вы переходите к решениям на уровне всего предприятия. Но получать ценность от них будет гораздо сложнее, если у вас нет на месте данных и процессов».

Это понимание меняет проектирование взаимодействия. Первый вопрос для любого корпоративного рабочего потока ИИ — не какая модель и даже не какой вариант использования, а какой рабочий процесс. Пока процесс не картирован от начала до конца и не ясны точки, где теряется контекст и принимаются решения, никакая работа по внедрению не может принести ценность.

Что на самом деле требуется для агентского ИИ?

Агентский ИИ требует всего того, что требуется для традиционного ИИ, плюс ещё больше.

Агентские системы планируют, принимают решения и действуют автономно в рамках определённых целей и ограничений. Требования к инфраструктуре соответствующе выше. Взаимосвязанные данные across систем. Оркестрованные рабочие процессы, которые могут выполнить решение от начала до конца. Governance, встроенная в основу, а не проверяемая после. Петля обратной связи, позволяющая системе учиться на своих собственных действиях.

Опрос HBR показывает текущее состояние. 17% предприятий внедрили агентский ИИ. 47% исследуют или тестируют пилоты. 32% в настоящее время не продвигаются вперёд.

Последняя цифра — более интересная. Почти треть предприятий с опытом работы с ИИ рассмотрели агентский ИИ и решили остановиться. Они извлекли уроки из предыдущих внедрений ИИ, что основы не на месте, и ещё один пилот, построенный на той же фрагментированной основе, даст тот же разочаровывающий результат.

Стефани Вёрнер из MIT Sloan обобщает планку:

«По мере того как компании переходят к продвинутым и агентским формам ИИ, планка повышается. Многие организации знают, что им нужно делать, но реальная сложность — это привести в порядок системы, управление и возможности работы с данными для масштабирования».

Вывод для руководителей прост. Агентский ИИ — это не следующая инициатива по ИИ, которую нужно финансировать. Это инициатива по ИИ, к которой основы должны быть готовы. Пока операционная модель не сможет его поддерживать, дополнительные инвестиции в агентские пилоты дадут тот же результат, что и предыдущие инвестиции в автономный ИИ.

Как предприятиям следует измерять ценность ИИ?

Опрос HBR показал, что 51% организаций измеряют успех ИИ через производительность, 41% — через скорость работы, 38% — через экономию затрат, 33% — через опыт сотрудников и 30% — через возврат на инвестиции (ROI).

Производительность опережает ROI на 21 процентный пункт. Этот разрыв — не рамка измерения. Это защитный механизм.

Производительность легко заявить. ROI трудно защитить. Часы, сэкономленные, — это не деньги, сэкономленные, если перераспределённое время не создаёт ценность, которую бизнес уже отслеживает. По мере того как ИИ переходит к работе с более высокими суждениями, качество результата становится важнее скорости результата.

Ник Таббал, сооснователь и главный консультант Agentic Consulting, чётко формулирует проблему измерения:

«ROI очень сложно рассчитать человеку, который приходит со стороны. Можно начать с измерения прироста производительности, сэкономленных часов или увеличенного объёма выхода, а затем перевести это в доллары, но также нужно смотреть на качество производимой работы».

Он добавляет ограничение, которое особенно важно для агентских систем:

«Дело не только в том, насколько быстро люди двигаются. Дело в том, действительно ли работа, выходящая из этих систем, более ценна и выполняется ли она с правильным управлением и контролем на месте».

Ведущие специалисты в отчёте HBR измеряют иначе. Карма Хикс из American National Bank of Texas описывает дисциплину:

«Только потому, что вы купили приложение, не значит, что оно принесёт вам возврат. Дело в том, как вы его используете и как требуете его использовать».

Банк теперь проводит оценки proof-of-concept, привязанные к реальным рабочим процессам, перед покупкой. ROI оценивается заранее. Существующие платформы оцениваются на недоиспользованные возможности перед добавлением новых.

В University of Maryland Global Campus Сагар Сагирaju, вице-президент по инженерии платформ, использует внедрение и вовлечённость как прокси для ценности:

«С точки зрения ROI мы смотрим на внедрение и вовлечённость и то, отражается ли это в результатах».

Дисциплина переносима. Определите, что такое хорошо, в метриках, которые бизнес уже считает. Измеряйте внедрение, качество и целостность решений, а не только скорость и объём. Если инвестицию в ИИ нельзя связать с результатом, который CFO уже отслеживает, это строчка расходов, а не стратегия.

Как предприятиям преодолеть разрыв в готовности?

Работа по внедрению ИИ в предприятиях строится вокруг трёх фреймворков, которые напрямую соответствуют разрывам, выявленным в отчёте HBR.

Phase Zero — это слой design thinking. До любого технологического решения Phase Zero картирует важные рабочие процессы, определяет, где принимаются решения, где теряется контекст и где живёт институциональное знание. Это даёт целевую операционную модель, по которой бизнес и IT могут договориться. Это та работа, которую проделали 27% и не проделали 73%.

DAPA (Digital AI Platform Accelerator) — это заранее спроектированная техническая архитектура, которая превращает выход Phase Zero в операцию. Она напрямую решает проблему фрагментированных основ: интеграцию данных, модернизацию контента, семантическое выравнивание, governance, встроенную в основу.

FloJo — это фреймворк гибкой доставки корпоративного уровня, который переводит архитектуру в продакшн. Он создан для проблемы соответствия рабочему процессу, которую отчёт HBR обозначил как самый большой предсказатель ценности ИИ: ИИ, Built в поток работы, а не прикрученный рядом с ним.

Подтверждения — операционные. Cell C обеспечил 10-кратный рост цифровой выручки. Comair и Kulula достигли 98% заполнения самолётов, обслужив 4 миллиона пассажиров. Vodafone Portugal запускает более 2900 конвейеров, обрабатывающих 3,6 петабайта данных. Платформа поддерживает более 150 ML-моделей в продакшне, обслуживая 37 миллионов цифровых пользователей.

Паттерн в этих взаимодействиях последователен. Сначала основы. Затем соответствие рабочему процессу. Затем рамки измерения, привязанные к результатам, которые бизнес уже ценит. Инициатива по ИИ успешна, потому что операционная модель спроектирована для её поддержки, а не потому что модель лучше альтернатив.

Для стратегии ИИ нужен фундамент

Исследование HBR Analytic Services завершается вопросом от Эми Маchado из IDC, который должен стоять в начале каждого обзора корпоративной стратегии ИИ:

«ИИ будет продолжать становится более способным. Вопрос для организаций — готовы ли их данные, контент и процессы угнаться за ним».

Ответ для большинства предприятий сегодня — нет. 73% не имеют хорошо взаимосвязанных основ. 61% не готовы в части неструктурированных данных. 39% запускают ИИ как автономные инструменты рядом с рабочим процессом. 32% прекрат или попытки с агентским ИИ.

Путь вперёд — не больше пилотов. Это фундаментальная работа, которую уже проделали 27%. Общая стратегия данных, подписанная бизнесом и IT. Неструктурированный контент, подготовленный в масштабе. Рабочие процессы, картированные и перепроектированные для встроенного интеллекта. Governance, построенная в основу. Рамки измерения, привязанные к бизнес-результатам.

Укрепление основ контента, данных и процессов — не предвосхищение успеха ИИ. Это и есть успех ИИ.

Подпишитесь на канал Agentic Enterpise — о жизни ИИ-агентов в кровавом энтерпрайзе

Источник: habr.com