Недавно я участвовала в одной встрече, на которой обсуждали внедрение ИИ; - степень энтузиазма участников и эмоциональная окраска дискуссии даже меня удивили, но стоило задать простые вопросы о конкретном ожидаемом экономическом эффекте, способах измерения успеха и анализе эффективности внедрения - разговор сразу потерял чёткость: вместо цифр и планов пошли общие фразы "ну у нас есть данные, нужно как то туда ИИ добавить.....". На уточняющие вопросы о том, какие именно данные, как они собирались и какие метрики успеха - наступала неловкая тишина...

Я решила посмотреть открытые данные по внедрениям ИИ в 2026 году и обнаружила тревожную картину: ➡MIT: 95% пилотных проектов генеративного ИИ - неудачные или экономически невыгодные. Почти все пилоты не дают ROI. ➡Gartner: более 40% всех проектов с ИИ рискуют быть закрыты к 2027 году из-за неэффективности, избыточных затрат и этических проблем. ➡Visier: 95% компаний не получили измеримой финансовой отдачи от ИИ - ожидания завышены. ➡Российский рынок: в продакшн выходит около 20% ИИ-продуктов, 80% не выходят за рамки пилотов.

Я нашла конкретные кейсы крупных компаний, которые столкнулись с необходимостью вернуть уволенных сотрудников (потому что сильно понадеялись на магию ИИ, но ....): ➡Salesforce: уволили тысячи специалистов ради ИИ - вернули обратно, пересмотрели подход. ➡Google: избавился от тысяч сотрудников ради ИИ - начал возвращать уволенных. ➡Amazon: сократил штат под ИИ-инструменты - возвращает людей, пересматривает стратегию. ➡Klarna (Швеция): уволила 700 операторов колл-центра, заменив ИИ-чат-ботом - вернула операторов обратно, потому что ИИ не справлялся с качеством. ➡Megaloods (Китай): потребители жаловались на ИИ-сотрудников, которые не понимают запросы - компания вернула рабочие места людям под давлением потока жалоб. ➡Duolingo: заменяла людей ИИ - отказывается от ИИ-решений, возвращает людей. По моим наблюдениям, причин провалов несколько - отсутствие контекстного обучения моделей, встраивание ИИ в старые процессы без их пересмотра, не готовая ИТ-архитектура, неприспособленность управленческих механизмов, хрупкость алгоритмов, внедрение "чтобы было". При этом в 1С доступны мощные инструменты (прогнозы закупок и продаж, ABC/XYZ-анализ, базовая аналитика), которые многие компании используют лишь частично - обычно используют 50-60% функционала, из-за отсутствия анализа процессов и четких метрик. 1С надёжно решает базовые задачи аналитики, а ИИ приносит преимущество в сложных сценариях: при учёте внешних факторов - погоды, промо или событий, для новых и редких товаров, где в 1С мало истории, прогнозные модели ИИ дают рабочие оценки, при большом числе магазинов и категорий с нелинейной динамикой ИИ использует несколько моделей и автоподбор фильтров.

Структура и порядок в процессах способны дать сильный экономический эффект и без внедрения ИИ, нужно лишь подкрутить текущую систему автоматизации, навести порядок, а потом уже думать про ИИ . По моим наблюдениям, 2026 год стал годом "трезвости" для многих компаний и поворотным для ИИ: ➡Отказ от ИИ: компании разочаровываются в “бездушности и вторичности нейросетевых результатов”. ➡Возврат людей: сокращение штата под ожидаемый эффект от ИИ оборачивается возвратом бывших сотрудников. ➡Фокус на процессы: рынок смещается от расширения моделей к практическому использованию и контролю. Как сделать так,чтобы ИИ взлетел: мои рекомендации: ➡Начинать не с выбора модели, а с глубокого анализа текущих бизнес-процессов. ➡Перепроектировать процессы под внедрение/использование ИИ, а не просто “вкрутить" нейросеть. ➡Создать инфраструктуру, готовую к ИИ (данные, управление, процессы). ➡Фокусироваться на обучающихся системах с контекстным обучением, обучать персонал новому функционалу, без "авось сам разберется". ➡Измерять бизнес-результаты, а не технические показатели/метрики.

Вывод таков: ИИ не взлетит там, где его пытались “воткнуть” в старые процессы без пересмотра архитектуры, без обучения на контексте компании, обучения сотрудников и без чётких бизнес-целей.