Есть свежее исследование MIT, которое стоит прочитать любому, кто внедряет ИИ в компании. Проанализировав 300 корпоративных внедрений и более 150 интервью с руководителями, исследователи пришли к выводу: 95% пилотов генеративного ИИ не дают измеримого эффекта на прибыль компании. Причина не в качестве моделей, а в архитектуре процесса, в который эту модель поместили.

В разборе того же исследования есть деталь: компании, у которых пилоты сработали, не гнались за максимальной скоростью любой ценой. Они изначально ориентировались на результат и понимали риски работы с ИИ, поэтому закладывали в процесс проверку, согласование, точку принятия решения человеком. Большинство из тех 95%, что провалились, действовали иначе: поставили скорость во главу угла и убрали из процесса все, что ее замедляло.

Это ожидаемое следствие: бизнес получает от ИИ то поведение, которое сам спроектировал.

Представим компанию, которая объявила скорость главным критерием успешного внедрения: если сотрудник стал выполнять задачу в четыре раза быстрее, эксперимент признан удачным. Бизнес снял фокус с качества и обоснованности результата. Рациональное поведение сотрудника в такой системе — передать нейросети как можно больше работы, принять первый подходящий ответ и перейти к следующей задаче. Именно за это его вознаграждает установленный KPI. Сотрудник здесь ни при чем: так работает архитектура процесса, которая сама подсказывает такое поведение.

Возьмем одну и ту же операцию, скажем, подготовку текстового материала, и посмотрим на два способа встроить в нее ИИ.

Слабый вариант выглядит так: рядом с операцией в регламенте появляется пометка «выполнять с помощью ИИ». Не определено, какую часть работы делает модель, что остается зоной решения человека, где находится контрольная точка и кто отвечает за итоговый результат. При такой архитектуре у сотрудника нет причин делать что-то сверх минимума: пометка разрешает передать нейросети все, что только можно передать, а дальше нести результат как есть.

Хорошая архитектура выглядит иначе, и в ней ИИ участвует ничуть не меньше, а иногда и больше. Сначала автор планирует тему и создает структуру материала с помощью ИИ. Затем пишет текст вместе с ИИ. Перед тем как нести материал на проверку, он обязан прогнать его через отдельный инструмент, настроенный на соответствие внутренней редакционной политике компании. После этого автор сам вычитывает результат и соглашается с ним, то есть принимает решение, а не просто копирует то, что выдал инструмент. И только после этого материал уходит на вычитку и утверждение редактору.

ИИ здесь подключается несколько раз. Но при этом в процессе выстроены явные контрольные точки: определено, что именно делает инструмент на каждом этапе, где автор обязан принять осознанное решение, и кто в итоге отвечает за то, что материал вышел именно таким. Внешне обе компании могут отчитаться, что «используют ИИ в подготовке контента». Разница проявится в качестве результата.

Эту закономерность подтверждают данные того же MIT-отчета, но уже не на уровне отдельного процесса, а на уровне целых функций бизнеса. Больше всего бюджетов на ИИ уходит в продажи и маркетинг, и именно там отдача от вложений оказывается самой низкой. Максимальный измеримый эффект, наоборот, дает скучный бэк-офис: обработка документов, сверка данных, комплаенс. Разница объясняется тем же, что и в примере с редакцией. Процессы бэк-офиса годами формулировались под требования аудита и отчетности. Там заранее существуют определенные этапы, проверки и ответственные лица, выстроенные много раньше, под регуляторные и бухгалтерские нужды. Когда в такой процесс добавляют ИИ, он встраивается в уже готовую архитектуру с контрольными точками. У продаж и маркетинга такой структуры чаще всего не было: результат творческой работы сложно быстро и объективно проверить, поэтому ИИ туда обычно заводили в виде разрешения «можно использовать», без определения его места в процессе.

В примере с редакцией это видно прямо: за черновик отвечает автор, за финальную публикацию — редактор. Искусственный интеллект — это инструмент, которым человек в том числе выполняет свои обязанности. Ответственность по итогу этой работы не может перейти к инструменту: она по-прежнему лежит на человеке, который этим инструментом воспользовался.

В части стран эта логика уже закрепляется и на уровне закона, например статья 14 Акта ЕС об ИИ требует для высокорисковых систем доказуемого человеческого надзора: обученного, измеримого, подтверждаемого. Но даже там, где закона на этот счет нет и не предвидится, логика работает так же: если архитектура процесса не определяет контрольную точку и ответственного, компания не может потом удивляться, что никто, включая саму компанию, не понимает, кто отвечает за результат.

В процессах, где встроена проверка человеком, точность результата достигает 99,9% против 80% у полностью автоматизированных цепочек, а качество итоговой работы выше на 40%. Это та же закономерность, что и на уровне целой компании: результат зависит от того, встроено ли в процесс осознанное решение человека.

Исследователи, изучающие человеко-ИИ-сотрудничество, отмечают в свежем разборе APA: большинство сегодняшних взаимодействий с генеративным ИИ транзакционны: вопрос, ответ, следующая задача. И именно такой паттерн с большей вероятностью ведет к когнитивной атрофии, чем к развитию. Исследование о разрыве в навыках проверки результатов ИИ, проведенное в три волны в начале 2026 года, показывает то же самое на практике: у людей, которые полагаются на ИИ без выстроенной проверки, со временем падает уверенность в собственной верификации и происходит эрозия навыка, тогда как организации, встроившие в процесс систему проверки и развития навыков, сохраняют способность оценивать рекомендации ИИ и удерживают конкурентное преимущество.

Транзакционный паттерн — это та же архитектура без контрольных точек, только на уровне одного диалога с моделью. Значит, тот же вопрос нужно решать и на уровне регламента, и на уровне отдельной задачи: что здесь передано модели, что остается за человеком и кто в итоге отвечает за результат.

На мой взгляд, разница между теми 95% компаний, которые не получили от ИИ измеримого результата, и оставшимися 5%, определяется одним вопросом: нашлось ли у компании время спроектировать архитектуру, прежде чем раздавать сотрудникам доступ к инструменту.