Ох, коллеги, я обычно прохожу мимо “лидогенеративных” постов, но тут такая концентрация галиматьи, что аж до зубовного скрежета.

Перед нами очередное объяснение того, почему в компаниях “не приживается ИИ”, удивительно напоминает рассуждения о цифровой трансформации образца 2018–2019 годов. Нет владельца процесса, недостаточно ресурсов, плохо обучают сотрудников. Универсальный набор проблем, одинаково подходящий для CRM, ERP и практически любой информационной системы. Но интереснее здесь исследовательская аргументация.

MIT, 2025 год, 95% пилотов без измеримого результата. Речь, вероятно, об отчёте The GenAI Divide: State of AI in Business 2025. Однако отсутствие измеримого экономического эффекта не равнозначно тому, что технология “не прижилась”. Инструмент может активно использоваться, не создавая ценности для организации, представьте себе. Кроме того, это исследование имеет ограничения по выборке и методологии, которые не позволяют автоматически распространять показатель на все корпоративные внедрения ИИ.

BCG, AI at Work 2025. Действительно, только 36% из более чем 10600 респондентов считают свою подготовку достаточной. Но это субъективная оценка обучения (самими опрошенными!), а не показатель успешности внедрения. Из нее нельзя заключить, что остальные 64% неэффективно используют ИИ или что недостаток обучения объясняет неудачи проектов.

“Яков и партнеры”. Здесь самая мякотка. В официальном сообщении компании отсутствие полноценного внедрения ИИ относится к исследованию 2023 года, а показатель 54% к опросу 2024 года. Причем последний касается генеративного ИИ, а не ИИ вообще. В посте Марии эти результаты объединены в одну характеристику 2024 года. Это разные наблюдения, и без соответствующих оговорок их объединение просто некорректно.

Но даже если все цифры приведены точно, что они доказывают? MIT исследует результаты корпоративных инициатив, BCG оценивает восприятие подготовки сотрудниками, “Яков и партнеры” рассматривают распространенность технологии.

Разные предметы, выборки и показатели. Ни одно из этих исследований в приведенной интерпретации не устанавливает причинно-следственной связи между отсутствием владельца процесса, недостаточным финансированием, обучением и неудачами внедрения ИИ.

Получается до боли знакомая конструкция: несколько внушительных цифр от известных организаций, после которых авторская интерпретация начинает восприниматься как исследовательский вывод. Хотя связь остается необоснованной.

Теперь о трех “проходных” вопросах автора: кто отвечает, сколько выделено ресурсов и кто обучает сотрудников. Эти вопросы разумные, но они относятся к организации внедрения практически любого решения. Они ничего не говорят о целесообразности применения ИИ и критериях успешности.

Можно назначить ответственного, выделить бюджет, обучить персонал и добиться повсеместного использования инструмента, который не создает никакой ценности. Более того, дополнительные затраты на проверку результатов и исправление ошибок способны сделать такое внедрение экономически отрицательным. Как вам, Мария? Или в вашем “лидогенеративном” мире такого не бывает? Добро пожаловать в реальный.

И здесь главное упущение (которое вызвало у меня смех): в предложенной диагностике отсутствует вопрос, зачем организации вообще нужен ИИ. Какую проблему предполагается решить? Почему существующие способы недостаточны? Почему выбран именно ИИ? Какой результат ожидается и как будет измеряться? Вместо этого предлагается сразу обсуждать организацию внедрения решения, целесообразность которого еще не установлена.

И здесь сразу для всех потенциально шипящих в этом “уютном” серпентарии “продавцов ИИ-внедрений”: я не давлю конкурента. Я вообще не занимаюсь коммерческим консалтингом, внедрением “техночудес” и прочей столь нужной (самим продавцам) пустой ахинеей “ИИ-хайпа”, особенно в ру зоне. Моя мотивация - в закрепленном сообщении у меня в профиле. Если продаете - продавайте нормально. А то сомнительная “экспертиза” получается, мало кто купит.