Внедрение искусственного интеллекта и автоматизации в компаниях по-прежнему не приносит заявленного экономического эффекта: значительная часть организаций систематически не достигает целевых показателей по снижению затрат, несмотря на рост инвестиций в новые технологические волны — от RPA до генеративного ИИ и агентных систем.

К такому выводу приходит Bain & Company по итогам опроса 951 глобальной компании. Согласно данным, 37% организаций ставили целью сокращение расходов на 11–20%, однако почти 40% из тех, кто измерял результат, фактически получили лишь 0–10% экономии. При этом речь не идёт о полном провале программ — технологии работают, но ожидаемый финансовый эффект не реализуется в масштабе.

Парадокс усиливается тем, что около 90% компаний, не достигших целей, продолжают увеличивать бюджеты, теперь уже на ИИ-агентов, которые должны действовать с большей автономностью и сложностью. На этом фоне формируется разрыв между компаниями: часть организаций стабильно достигает заявленных результатов и финансирует новые внедрения за счёт реальной экономии, тогда как большинство остаётся в цикле завышенных ожиданий.

Отдельно исследование показывает, что представление о текущем уровне автономности агентов часто не совпадает с реальностью. Лишь 7% компаний используют полностью автономные системы в продакшене. Наиболее распространённая модель — работа с обязательным участием человека (38%) или с ограничениями и исключениями (32%), когда человек подключается при недостаточной уверенности системы. Это означает, что многие бизнес-кейсы строились на предположении о более высокой степени автоматизации, чем та, которая фактически реализована.

Изображение сгенерировано: Nano Banana

Авторы исследования подчёркивают, что здесь возникает финансовый разрыв: если расчёты эффективности опирались на полную автоматизацию, а в реальности значительная часть решений остаётся за людьми, то экономика проектов системно искажается. Компании, которые не достигают целевых показателей, чаще оказываются именно в этой ситуации.

Дополнительный риск связан с моделью финансирования новых волн ИИ. 44% компаний планируют оплачивать внедрение генеративного и агентного ИИ за счёт экономии от предыдущих программ автоматизации. Однако предыдущие волны, по данным Bain, уже недодали ожидаемую экономию, что делает такую схему самофинансирования потенциально завышенной относительно реальных результатов.

Ключевым ограничением внедрения ИИ компании называют доступ и интеграцию данных — этот фактор указали 41% респондентов, больше, чем бюджетные ограничения или нехватку компетенций. При этом даже компании, достигшие целевых показателей, сталкиваются с этой проблемой чаще, чем отстающие, поскольку работают на более глубоком уровне внедрения.

Bain выделяет несколько организационных причин разрыва между ожиданиями и результатом. Среди них — автоматизация неэффективных процессов без их предварительного пересмотра, отсутствие проверки реальной отдачи прошлых программ при расчёте новых инвестиций, а также размытая ответственность за решения, принимаемые ИИ-системами.

Отдельно отмечается, что успешные компании подходят к внедрению ИИ как к изменению операционной модели, а не только технологии: пересобирают процессы, пересматривают роли сотрудников и формализуют ответственность за ошибки систем.

В итоге исследование фиксирует устойчивую тенденцию: ключевым ограничением масштабного эффекта от ИИ становится не уровень самих технологий, а то, как компании организуют данные, процессы и управление изменениями. Разрыв между организациями, сумевшими перестроить операционную модель, и остальными продолжает увеличиваться, формируя неоднородный рынок эффективности внедрения ИИ.