Внедрение AI важнее модели: почему проекты не окупаются

Представьте: компания, которая делает одну из сильнейших нейросетей в мире, собирает полтора миллиарда долларов — и вкладывает их не в новую модель, а в отдельный бизнес по внедрению AI в чужие процессы. Звучит парадоксально, но именно это произошло 15 июля 2026 года, когда Anthropic вместе с Blackstone, Hellman & Friedman и Goldman Sachs публично запустила компанию Ode with Anthropic. Ставка сделана на внедрение AI, а не на саму модель.

Главный тезис основателей звучит почти еретически для эпохи «гонки моделей»: следующая триллионная возможность в AI — не в самой модели, а в том, как её применить к конкретной задаче. Сам Anthropic инвестирует в специализированную компанию именно по внедрению AI, а не в новые версии Claude. Если это признали даже те, кто обучает флагманские нейросети, значит, рынок разворачивается.

Для руководителя, который устал от хайпа и не видит отдачи от «AI-трансформации», это хорошая новость. Она означает, что дело было не в том, что вы выбрали «недостаточно умную» модель. Разберём, почему ценность сместилась с модели на внедрение AI в бизнес-процессы — и что с этим делать уже сейчас.

Внимание: По оценке MIT (отчёт «The State of AI in Business 2025»), около 95% корпоративных пилотов генеративного AI не приносят измеримой отдачи. Проблема почти никогда не в модели — она во внедрении AI в процесс.

Что произошло: Anthropic ставит 1,5 млрд на внедрение, а не на модели

Ode with Anthropic — это не потребительское приложение и не новая нейросеть. Это enterprise-компания, которая занимается внедрением AI в реальные бизнес-процессы среднего бизнеса: банки, производство, региональные клиники. Само совместное предприятие сформировали ещё в мае 2026 года на базе купленного стартапа Fractional AI, а под брендом Ode оно публично стартовало 15 июля.

Оценка компании — 1,5 млрд долларов. В пуле инвесторов, кроме Anthropic, Blackstone и Hellman & Friedman, — Goldman Sachs, General Atlantic, Sequoia, GIC и Apollo. Модель работы простая и показательная: около 100 инженеров работают буквально внутри команд клиентов и встраивают Claude в их процессы по принципу «Claude-first».

Самое интересное — как основатели формулируют суть. Технический директор Эдди Сигел говорит прямо: выбор модели важен, но не на него уходит большинство усилий (в оригинале — «model selection matters, but it’s not where the majority of calories are spent»). То есть модель — это малая часть работы, а основные «калории» тратятся на данные, интеграцию и перестройку процесса.

CEO Крис Тейлор добавляет мысль, которая должна успокоить любого «неайтишного» руководителя: компании без AI станут одними из главных победителей этого AI-момента — если внедрят технологию правильно (ориг. «Non-AI companies are going to be among the big winners of this whole AI moment if they adopt the technology the right way»).

Суть сигнала: когда создатель топовой модели строит отдельный бизнес на 1,5 млрд долларов вокруг внедрения, а не вокруг новой нейросети, — это рынок говорит вам: ценность сместилась с вопроса «какая модель» на вопрос «как применить».

Почему большинство AI-проектов буксует (и дело не в модели)

Начнём с неприятной статистики, которую стоит держать в голове до подписания любого договора на «AI-решение». Отчёт MIT показал: примерно 95% корпоративных пилотов генеративного AI не дают измеримой отдачи, а реального успеха добиваются лишь около 5% организаций. Это не про плохие модели — топовые LLM доступны всем. Всё решает внедрение AI, а не выбор модели: важно то, что происходит после покупки доступа.

McKinsey в отчёте «The State of AI in 2025» фиксирует тот же разрыв под другим углом: 88% компаний уже используют AI, но эффект на прибыль (EBIT) на уровне всей компании видят лишь 39%. Между «мы внедрили AI» и «мы на этом заработали» лежит пропасть, и заполняет её именно грамотное внедрение AI.

Дальше — прогноз, который многих отрезвляет. Gartner ожидает, что более 40% агентных AI-проектов будут отменены к концу 2027 года. Причины буксовки хорошо описаны в отчёте First Page Sage, который агрегирует исследования McKinsey, Gartner и IDC по более чем 16 000 компаний: неясная бизнес-ценность и ROI — 43%, качество и доступность данных — 38%, рост затрат — 35%.

Обратите внимание: ни одна из главных причин не звучит как «модель оказалась слабой». Все они — про внедрение AI: непонятно, зачем это бизнесу, данные не готовы, а расходы растут быстрее пользы. Проект застревает в состоянии, которое называют pilot purgatory — вечный пилот, который так и не доходит до продакшена. Судя по отчётам, проблема не в качестве внедрения AI-технологий, а в отсутствии стратегии и чёткого процесса их применения.

Типичная ошибка: компания покупает доступ к самой мощной LLM, объявляет «AI-трансформацию» — и пилот застревает. Не потому что модель плохая, а потому что её не встроили в реальный процесс и не зафиксировали baseline, с которым можно сравнить результат.

Есть и отдельная ловушка — «agent washing». Gartner отмечает: из тысяч вендоров, называющих свой продукт «AI-агентом», по-настоящему агентными можно считать около 130. Остальное — обычный софт под модным ярлыком. Хайп маскирует отсутствие ценности, и разочарование становится массовым не из-за технологии, а из-за завышенных ожиданий и слабого внедрения. Успешное внедрение AI начинается не с выбора модели, а с честного разбора процесса.

Внедрение AI важнее модели: что показывают данные

Если провалы объясняются внедрением AI, то и успехи должны объясняться им же. Данные это подтверждают. McKinsey указывает: наибольший эффект на прибыль даёт не сама модель, а редизайн процесса под AI — правильное внедрение AI в бизнес-процессы, когда работу перестраивают вокруг инструмента, а не наоборот. Но так поступает лишь около 21% компаний. Остальные примерно 80% просто «наслаивают» AI поверх старого процесса и закономерно не видят эффекта.

Второй сильный сигнал — про то, что покупать. По данным MIT, покупка готового решения у профильного вендора оказывается успешной примерно в двух третях случаев, тогда как внутренние разработки «с нуля» — лишь в трети. Вывод для руководителя простой: бери готовое под конкретную задачу вместо того, чтобы годами строить собственный универсальный AI. Как выстроить этот путь по шагам, мы разбирали в отдельном материале про внедрение ИИ в бизнес-процессы.

Где узкая задача и готовые данные — там внедрение идёт быстро и масштабируется. По данным Salesforce (исследование «State of Service: AI Agents Edition», опрос 3 075 профессионалов), доля AI-агентов в клиентском сервисе выросла за год с 39% до 66% — рост в 1,7 раза. Это не про «самую умную модель», а про зрелую, чётко очерченную задачу с понятными данными.

При этом массовый разрыв между «пробуют» и «получают отдачу» никуда не делся. Тот же First Page Sage показывает: клиентский сервис — лидер внедрения агентного AI с 64% adoption, но 64% enterprise-компаний, 71% среднего бизнеса и 81% малого всё ещё находятся на стадии экспериментов. Побеждает не тот, у кого умнее нейросеть, а тот, кто встроил AI в узкий процесс с измеримым результатом. Именно такое внедрение AI отличает лидеров от компаний, застрявших в бесконечном пилоте.

Андрей Горбунов

Эксперт по искусственному интеллекту

Задать вопрос

За два года работы с внедрениями я вижу одну и ту же ошибку: компании выбирают «самую мощную модель», а спотыкаются на процессе. Модель — это 10% успеха. Остальные 90% — данные, интеграция и метрика, по которой вы поймёте, что стало лучше. Побеждает не тот, у кого умнее нейросеть, а тот, кто честно ответил на вопрос: какую конкретную рутину я улучшаю и как я это измерю. Начинать надо с узкой задачи, где результат виден за недели.

Почему узкие «скучные» задачи окупаются лучше амбициозных агентов

Раз внедрение решает, важно понять, как выглядит правильное внедрение AI. Его можно собрать в короткую формулу: узость задачи + встроенность в процесс + измеримая метрика + человек в контуре принятия решений (human-in-the-loop). Если хотя бы один элемент выпадает, отдача размывается.

Именно поэтому автономные агенты, которым обещают отдать целый процесс, так часто буксуют. У них есть склонность к галлюцинациям, нет прозрачного контроля, размывается ответственность, а главное — нет baseline, с которым можно сравнить результат. Доверить такому агенту процесс целиком — значит потерять и управляемость, и возможность измерить эффект.

Узкие прикладные ассистенты работают надёжнее по обратной причине. У них чётко очерченная задача, под неё есть данные, есть одна понятная метрика, а финальное решение принимает человек — на основе выводов AI, а не вместо себя. Это скучно звучит, но внедрение AI в узкие задачи окупаются первыми именно потому, что результат виден быстро и это можно измерить.

Прежде чем покупать любой AI-инструмент, прогоните его через четыре вопроса. Это простой фильтр, который отсекает красивые, но бесполезные пилоты.

1. Есть ли baseline — измеримое «как сейчас», с которым можно сравнить результат?
2. Есть ли одна понятная метрика, по которой вы поймёте, что стало лучше?
3. Узкая ли это задача — а не «трансформация всего бизнеса разом»?
4. Встроен ли инструмент в реальный процесс и данные, а не живёт изолированным пилотом?

Если на все четыре вопроса ответ «да», внедрение с высокой вероятностью окупится. Для быстрого внедрения AI в продажах под этот фильтр отлично попадают узкие задачи с быстрым эффектом: транскрибация звонков, автоматическая оценка соблюдения скрипта, анализ отработки возражений, оценка вероятности сделки. Больше рабочих сценариев мы собрали в обзоре AI-инструментов для продаж.

Пример: анализ звонков как самая быстрая точка отдачи

Возьмём контроль качества звонков в отделе продаж. Это почти идеальный кандидат на первое внедрение AI: задача узкая, данные уже готовы (записи разговоров есть у всех, кто пользуется телефонией), а метрика очевидна — конверсия, процент соблюдения скрипта, доля отработанных возражений. Здесь есть всё, что нужно для быстрой окупаемости.

Хороший пример такого узкого прикладного AI — речевая аналитика. Сервисы вроде Rechka не пытаются заменить отдел автономным агентом: они берут один процесс — контроль качества звонков — подключаются к телефонии и CRM (AmoCRM, Bitrix24, Mango, Sipuni) за несколько дней и анализируют 100% разговоров по чек-листу. РОП получает готовые метрики за минуты вместо часов ручного прослушивания, а компания видит конкретные точки, где теряются клиенты.

Это не «внедрить нейросеть ради нейросети». Это перестроить процесс контроля качества под AI: зафиксировать baseline, задать метрику, сделать проверку регулярной. Ровно тот редизайн процесса, о котором говорит McKinsey, только на понятной, приземлённой задаче.

Здесь и проявляется весь принцип: не нужно ждать самой умной модели или запускать полугодовой пилот — данные (записи звонков) уже есть, метрика понятна, а результат виден за пару дней.

Именно так выглядит правильное внедрение AI на практике — и именно поэтому такие узкие сценарии окупаются быстрее амбициозных автономных агентов.

С чего начать получать отдачу от AI уже сейчас

Соберём всё в практический алгоритм для руководителя. Внедрение AI намеренно выглядит скучно — потому что именно скучные, дисциплинированные шаги и дают деньги.

1. Не начинайте с «большой AI-трансформации» — выберите один болезненный процесс с готовыми данными.
2. Зафиксируйте baseline и одну ключевую метрику.
3. Возьмите готовое прикладное решение под эту задачу, а не стройте своё с нуля.
4. Оставьте человека в контуре принятия решений — AI подсказывает, решает человек.
5. Измерьте эффект за недели, а не месяцы, и масштабируйте то, что сработало.

Совет: тезис Тейлора «компании без AI станут победителями, если внедрят технологию правильно» стоит перечитать как инструкцию. «Правильно» здесь означает конкретно: узко, встроенно и измеримо.

Если у вас есть отдел продаж — у вас уже есть идеальный кандидат на первое внедрение AI: записи звонков. Данные готовы, метрика понятна (конверсия, соблюдение скрипта), а готовое решение вроде Rechka встраивается в процесс за несколько дней. Без полугодового пилота и без риска отдать процесс на откуп непредсказуемому автономному агенту.

Такой старт проходит все четыре вопроса из фильтра покупателя разом: есть baseline, есть метрика, задача узкая, инструмент встроен в реальный процесс и данные. Это и есть быстрый time-to-value — та самая скорость первой отдачи, ради которой стоило вообще браться за AI.

Часто задаваемые вопросы

Выводы

Рынок 2026 года развернулся: от «гонки моделей» — к внедрению. Это подтверждают и деньги (Ode with Anthropic на 1,5 млрд долларов вокруг внедрения, а не новой нейросети), и данные (MIT, McKinsey, Gartner, Salesforce, First Page Sage). Все они говорят об одном: ценность создаёт не модель, а её грамотное прикладное внедрение AI в конкретный процесс с измеримой метрикой.

Практический вывод для руководителя простой. Не ждите «идеальной модели» и не запускайте абстрактную «AI-трансформацию». Выберите узкую рутину с готовыми данными и понятной метрикой — и внедрите AI туда, где отдачу видно за недели. Для отдела продаж самый быстрый старт — внедрение AI в анализ звонков.

Внедрение AI важнее модели — не потому, что модели неважны, а потому что именно на стыке технологии и вашего процесса рождается результат. Начните с одной узкой задачи, измерьте эффект — и масштабируйте то, что сработало.