Искусственный интеллект
ИИ без фундамента: почему технологии не дают эффекта без операционной зрелости
Многие компании инвестируют в искусственный интеллект в надежде на быстрый рост эффективности. Однако исследование Операционного центра Сбера показывает: один и тот же инструмент даёт разный результат в разных организациях. Всё зависит от фундамента — зрелости процессов, качества данных и системы управления.
Разбираем ключевые выводы аналитиков о том, что мешает масштабировать пилоты и как преодолеть эти барьеры.
Содержание:
Срез рынка: где находятся российские компании
Аналитики Сбера оценивали операционную зрелость компаний по семи ключевым направлениям: стратегия, система управления, процессы, данные и аналитика, технологии, компетенции сотрудников и способность к масштабированию.
По данным исследования, большинство российских компаний находятся на среднем уровне операционной зрелости (медианное значение индекса — 52,9%). Высокого уровня (индекс 70% и выше) достигли только 22% организаций.
Распределение компаний по уровню зрелости
практики чаще фрагментарны, а правила и ответственность применяются неравномерно
ключевые процессы уже формализованы и измеряются, но отдельные элементы операционной модели развиваются неравномерно
данные, технологии и управление изменениями чаще встроены в регулярную работу, а успешные решения легче распространять
Аналитика показывает чёткую закономерность: готовность процессов напрямую влияет на отдачу от ИИ. Измеримый результат от внедрения технологий получают 89% компаний с высоким уровнем зрелости, 74% организаций со средним и только 50% — с низким.
Почему пилоты не становятся масштабными решениями
Наиболее слабой областью операционной модели бизнеса оказалось управление эффектом и масштабирование ИИ — средняя оценка этого направления составила всего 49%.
Компаниям значительно проще запустить локальный пилотный проект или улучшить отдельную операцию, чем превратить этот результат в устойчивую общекорпоративную практику. Свыше половины компаний (52%), получивших измеримый эффект от ИИ, сталкиваются с трудностями при попытке его масштабировать.
Основные причины:
доля компаний, получавших измеримый эффект от ИИ
получают эффект от ИИ, но пока не масштабируют его
Кирилл Меньшов
старший вице-президент, руководитель блока «Технологии» Сбера
Технология сама по себе не компенсирует слабые процессы, разрозненные данные или неясную ответственность. Следующий этап ИИ-трансформации — развитие всей операционной модели, где стратегия, данные, технологии и люди работают как единая система.
Что сегодня мешает внедрению ИИ
Сравнение данных за прошлый и текущий периоды показывает сдвиг в проблематике ИИ-трансформации компаний:
Рынок прошёл этап первичного обучения персонала. Теперь на первый план вышли инфраструктурные и системные ограничения: несовместимость программного обеспечения, требования к защите данных и регуляторные рамки.
Барьеры внедрения ИИ: что изменилось по сравнению с 2025 годом
Одинаковый индекс — разные проблемы
Итоговый индекс зрелости не отражает внутренних дисбалансов. Две компании с одинаковым суммарным баллом могут сталкиваться с диаметрально противоположными проблемами. Исследование выделяет четыре типовых профиля.
1. Равномерное развитие
В компании все области развиваются примерно с одинаковой скоростью. При этом нет одного очевидного слабого места: рост сдерживается не отдельной проблемой, а общесистемными ограничениями.
Приоритет: равномерно подтягивать отстающие области и сохранять баланс между процессами, данными, технологиями, управлением и компетенциями.
2. Перекос в процессы и данные
Компания умеет собирать и анализировать информацию, процессы регламентированы, но ИТ-платформа отстаёт. Из-за этого аналитика не превращается в автоматизацию операций, а пилотные проекты остаются изолированными.
Приоритет: фокус на автоматизацию повторяющихся действий на базе имеющихся данных.
3. Более развитые технологии
Внедрены современные ИИ-решения, но методология работы с данными и структура ответственности существенно отстают. Технологии опережают регламенты: инструменты есть, но правила их использования и роли сотрудников не описаны.
Приоритет: формализация правил использования ИИ, повышение качества данных и нормативное закрепление ответственности.
4. Сильная стратегия при слабом исполнении
Руководство хорошо понимает цели цифровизации, однако база для их практического воплощения отсутствует. В результате стратегические установки медленно внедряются в реальные процессы.
Приоритет: развитие инфраструктуры работы с данными и компетенций персонала.
Материалы по теме
Как преодолеть операционные ограничения и адаптировать бизнес-модель к вызовам ИИ-эпохи — смотрите в записи трансляции форума «Искусство трансформации».
Как меняется роль ИИ по мере развития бизнеса
На разных этапах зрелости компании решают с помощью искусственного интеллекта разные задачи:
В компаниях с высоким уровнем зрелости 58% лидеров убеждены, что повторяющиеся бизнес-операции должны полностью передаваться ИИ, а не выполняться вручную. ИИ постепенно выходит за пределы поиска информации и подготовки ответов. В более продвинутых организациях его подключают к самим операциям: от обработки запроса до промежуточных решений и контроля результата.
Какие инструменты уже используются для повышения эффективности работы (доля участников исследования, %)
Крупный бизнес и МСБ: разные сценарии
Масштаб организации во многом определяет траекторию внедрения ИИ. При этом доля компаний, получающих измеримый результат от ИИ, практически идентична: 72% в крупном бизнесе и 73% в МСБ (малый и средний бизнес).
Разница — в приоритетах. Крупные предприятия делают акцент на интеграционных платформах данных и системах бизнес-аналитики, где главный вызов — согласовать регламенты между многочисленными подразделениями. Малый и средний бизнес выбирает точечную автоматизацию рутинных операций, выигрывая за счёт гибкости и быстрого внедрения прикладных сервисов без сложной перестройки архитектуры.
Практические шаги для организаций
Чтобы подготовить компанию к эффективному масштабированию ИИ, эксперты рекомендуют двигаться по шагам в зависимости от текущего статуса.
Уровень 1: Низкая зрелость
Фокус — стабилизация фундамента. Шаги: описать и регламентировать ключевые процессы; зафиксировать зоны ответственности; определить единые источники первичных данных; запустить 2–3 локальных пилота с прозрачной экономикой.
Уровень 2: Средняя зрелость
Главная задача — связать уже существующие элементы. Шаги: интегрировать данные между разрозненными системами; разработать регламенты масштабирования успешных пилотов; внедрить метрики оценки эффективности ИИ.
Уровень 3: Высокая зрелость
Такие компании могут быстрее расширять применение ИИ, но должны сохранять управляемость. Шаги: внедрить сквозной контроль качества данных; обеспечить понятные правила проверки и объяснения решений ИИ; сформировать единые корпоративные стандарты применения ИИ-сервисов.
Вероника Васильева
управляющий директор Операционного консалтинга Сбербанка
Операционная зрелость сегодня уже не результат цифровой трансформации, а её условие. ИИ даёт устойчивый эффект, когда встроен в сквозные процессы, опирается на качественные данные и имеет владельца, отвечающего за бизнес-результат. Поэтому ключевой вопрос для руководителя — не где применить ИИ, а готова ли операционная модель компании превратить технологию в измеримый результат и масштабировать его на весь бизнес.
Внедрение искусственного интеллекта перестало быть исключительно технологической задачей. Сегодня отдача от ИИ определяется готовностью операционной модели бизнеса: качеством данных, зрелостью процессов и ясностью системы управления. Ниже — ключевые выводы исследования Операционного центра Сбера, которые помогут оценить готовность компании к масштабированию ИИ-решений.
Ключевые выводы для бизнеса:
Перед масштабированием ИИ компании стоит проверить три вещи: насколько формализованы ключевые процессы, доступны ли необходимые данные и назначены ли владельцы результата. От этого зависит, сможет ли успешный пилот стать частью регулярной работы.
При этом универсального маршрута нет. Компании с разным профилем зрелости будут решать разные задачи: одним предстоит выстроить базовые процессы и ответственность, другим — связать разрозненные системы, третьим — формализовать правила применения ИИ и контроль качества.
Нелли Гурьянова
Автор
Статья была вам полезна?
Да
Нет