В мае 2026 года набор данных от RAND Corporation вызвал широкие дискуссии в сообществе AI-инженеров. Эти цифры взяты не из пресс-релиза какой-либо AI-компании, а из долгосрочного отслеживания независимого исследовательского института — и результаты довольно поразительны.
Основные данные
| Тип отказа | Процент | Значение |
|---|---|---|
| Заброшены до запуска | 33,8% | Проекты прекращены до входа в продакшен |
| Запущены, но неэффективны | 28,4% | Проекты завершили развёртывание, но не произвели измеримого эффекта |
| ROI не оправдан | 18,1% | Проекты работают, но затраты превышают выгоду |
| Общий уровень отказов | 80,3% | Сумма трёх |
| Успешная доставка | ~19,7% | Проекты, действительно доставившие ожидаемую бизнес-ценность |
Эти данные взяты из отслеживающего исследования RAND, завершённого в 2025 году, охватывающего кросс-отраслевые корпоративные проекты ИИ.
Почему эта цифра важна
На фоне повествования о том, что ARR Anthropic превысила 44 миллиарда долларов, а оценка OpenAI достигла 300 миллиардов долларов, уровень отказов 80,3% предоставляет альтернативную перспективу:
Рост инфраструктуры ≠ рост уровня приложений. Модели становятся сильнее, API дешевле, цепочки инструментов совершеннее — но доля предприятий, действительно хорошо использующих ИИ, остаётся низкой.
Каждый тип отказа указывает на разные проблемы:
Заброшены до запуска (33,8%)
- Ошибка выбора технологии: на ранних этапах проекта выбрана неподходящая модель или архитектура
- Внутреннее сопротивление: бизнес-департаменты не сотрудничают, IT-департаменты не доверяют
- Размытое определение требований: «мы хотим использовать ИИ», но нет конкретного варианта использования
Запущены, но неэффективны (28,4%)
- Проблемы качества данных: мусор на входе, мусор на выходе
- Разрывы интеграции: AI-модуль хорош, но не может быть встроен в существующие рабочие процессы
- Отказ пользователей: сотрудники не используют или не умеют использовать
ROI не оправдан (18,1%)
- Чрезмерная инженерия: использование моделей уровня Opus для решения задач, которые можно обработать правилами
- Неконтролируемые затраты на токены: не выполнено маршрутизация моделей и оптимизация затрат
- Недооценка затрат на обслуживание: AI-системы нуждаются в постоянном мониторинге и настройке
Оценка ландшафта
Эти данные не доказательство того, что «ИИ не работает», а доказательство того, что «ИИ трудно использовать хорошо». Успешно доставленные ~20% проектов обычно обладают следующими характеристиками:
- Чёткий расчёт ROI: количественная оценка ожидаемой отдачи и потолка затрат до начала проекта
- Стратегия маршрутизации моделей: не все задачи обрабатываются самой дорогой моделью
- Сотрудничество с людьми, а не замена: ИИ усиливает существующие процессы, а не переворачивает их
- Прогрессивное развёртывание: сначала валидация в малом масштабе, затем постепенное расширение
Рекомендации
| Ваша роль | Рекомендация |
|---|---|
| Руководитель AI-проекта | Рассчитайте потолок ROI до начала, установите чёткие линии стоп-лосса |
| Инженер | Приоритизируйте маршрутизацию моделей — используйте дешёвые модели для простых задач, резервируйте бюджет для сложных сценариев |
| Лицо, принимающее решения | Используйте 80% уровень отказов как базовое ожидание, не верьте нарративу «ИИ решит всё» |
| Предприниматель | Этот уровень отказов сам по себе является возможностью — продукты, помогающие предприятиям преодолеть разрыв внедрения ИИ, имеют огромный рынок |
Источник данных: исследование отслеживания AI-проектов RAND Corporation 2025 года. 95% проектов генеративного ИИ сталкиваются с перерасходом бюджета или задержками доставки.