State of AI in Business 2025

State of AI in Business 2025 описывает, как компании в разных отраслях переходят от пилотных экспериментов с генеративным ИИ к масштабным продуктовым и операционным внедрениям. Авторы анализируют практики лидеров рынка, сравнивают зрелость команд и фиксируют типовые сценарии: сопровождение продаж, помощь в разработке и тестировании ПО, самообслуживание клиентов и аналитику.

Методология

1. Команда выполнила систематический обзор 300+ публично объявленных AI инициатив, чтобы выявить общие тенденции и результаты проектов
2. Команда провела 52 структурированных интервью с представителями различных организаций, внедряющих GenAI (качественные инсайты «с полей»)
3. Команда проанализировала анкеты 153 руководителей высшего звена (C-level и др.), собранные на четырех крупных отраслевых конференциях.

Такой многосторонний дизайн (анализ кейсов, интервью и опросы) позволил взглянуть на вопросы применения GenAI с разных сторон.

Основные результаты

Аторы отчета демонстрируют разрыв между широким интересом к генеративному ИИ и реальным бизнес-эффектом от его внедрения. Авторы даже придумали красивое название «GenAI Divide» для описания этого эффекта, которое в цифрах выглядит так

1. Пропасть в результатах Несмотря на глобальные инвестиции в размере $30–40 млрд, ~95% организаций не получили измеримой отдачи от проектов GenAI, а оставшиеся 5% смогли на этом заработать. Авторы объясняют это не качеством моделей или регулировании, а разными подходами к внедрению технологий. А это обнадеживает, так как поддается исправлению
2. Высокая экспериментация, низкий ROI AI-инструменты (ChatGPT, GitHub Copilot, ...) получили широкое распространение - более 80% компаний экспериментировали с ними, и почти 40% уже развернули такие решения для сотрудников. Однако эти инструменты в основном повысили индивидуальную продуктивность сотрудников и практически не отразились на ключевых финансовых показателях организации. Иными словами, генеративный ИИ активно пробуется в рабочих процессах, но пока не трансформирует бизнес в широком масштабе.
3. Провалы корпоративных пилотов Воронка корпоративных проектов выглядит так 60% -> 20% -> 5%, где 60% оценивали корп GenAI решения (кастомные или от вендоров), 20% дошли до пилота, а 5% дошли до прода. В итоге видно, что большинство пилотов так и остаются на месте, не масштабируясь. Главные причины этого - неадаптивные (“хрупкие”) рабочие процессы, отсутствие способности у системы учитывать обратную связь и контекст и слабая интеграция решения в ежедневные операции компании.
4. Явление GenAI Divide Исследование выявило четыре характерных паттерна, разделяющих успешные и неуспешные организации (GenAI Divide):
   • Ограниченное отраслевое воздействие - только 2 из 8 секторов испытывают структурные изменения от ИИ, а точнее это "technology" и "media & telecom"
   • Крупные корпорации запускают множество пилотов, но отстают в масштабировании решений
   • Бюджеты в основном тратятся на видимые фронт-офис функции (продажи и маркетинг) в ущерб бэк-офис процессам, которые зачастую имеют лучшую отдачу инвестиций
   • Проекты с внешними технологическими партнёрами имеют вдвое больший успех по сравнению с внутренними разработками

Главным барьером для масштабирования GenAI-систем оказалась неспособность к обучению: большинство решений не сохраняют контекст, не адаптируются и не улучшаются по мере использования. Тем не менее, небольшая группа лидеров сумела преодолеть этот разрыв за счёт иного подхода - они с самого начала ставили на кастомизацию под процессы и тесную интеграцию ИИ-инструментов в работу, а эффективность измеряли бизнес-результатами, а не техническими метриками модели.