Пять барьеров, которые мешают зарабатывать на ИИ

Пока одни бизнесмены с гордостью сообщают о двузначном росте эффективности, благодаря искусственному интеллекту, другие вкладывают миллионы — и не получают ощутимого результата. Разница между теми, кто выигрывает, и теми, кто остается позади, определяется не столько выбором моделей и размером бюджета, сколько готовностью руководства честно ответить на пять неудобных вопросов.

Первый из них звучит так: действительно ли ваши сотрудники умеют работать с ИИ, или лишь создают иллюзию вовлеченности? Дефицит навыков сегодня называют главным тормозом внедрения искусственного интеллекта во всем мире. При этом компании часто смешивают две разные категории компетенций.

С одной стороны, не хватает технических специалистов. Инженеры данных, эксперты по машинному обучению, архитекторы облачных решений остаются в явном дефиците. Отчет WTW о цифровых талантах за 2025 год отмечает, что в европейском финансовом секторе особенно востребованы аналитики данных, специалисты по визуализации, предиктивной аналитике и дата-сторителлингу.

Но технические кадры — это только часть картины. Как справедливо заметила HR-директор Cisco Келли Джонс, мягкие навыки становятся новыми жесткими. Всемирный экономический форум в докладе «Будущее рабочих мест — 2025» выделил компетенции эпохи ИИ: аналитическое мышление, устойчивость к стрессу, эмпатичное лидерство, творческий подход и самосознание. Если компания развивает только инженеров, но не меняет управленческую культуру, она рискует получить мощный инструмент в руках людей, которые не понимают, как и зачем его применять.

Второй вопрос касается данных: являются ли они вашим ресурсом или вашим слабым местом? Многие организации ошибочно считают, что данные — это что-то само собой разумеющееся. Однако именно качество и доступность информации становятся критическим препятствием. Согласно отчету PEX за 2025-2026 годы, 52% компаний называют данные главным барьером на пути к эффективному ИИ.

Проблема редко в том, что данных мало. Чаще их слишком много, но они разрознены, плохо структурированы и находятся под контролем разных подразделений. Добавьте к этому требования регулирования, кибербезопасности и вопросы собственности — и получится цифровой хаос, в котором даже самая продвинутая модель будет бесполезной.

Данные иногда называют новой нефтью, но точнее сравнить их с садом: чтобы получить урожай, нужно постоянно ухаживать, очищать и организовывать пространство.

Третий вопрос: вы действительно инвестируете в ИИ или просто перераспределяете расходы? Аналитики Goldman Sachs прогнозируют, что мировые траты на искусственный интеллект достигнут 2 триллионов долларов уже в 2026 году, а ИИ-сервисы займут около 325 миллиардов.

Однако большие цифры сами по себе не означают успеха. В 2025 году многие компании сокращали персонал, объясняя это автоматизацией. Но часто выяснялось, что речь шла не о замене людей алгоритмами, а о том, что сэкономленный фонд оплаты труда направлялся на финансирование ИИ-проектов. Это может выглядеть разумно тактически, но стратегически не создает новой ценности.

Компании, которые получают реальный ROI, рассматривают ИИ как долгосрочный портфель инвестиций на горизонте трех-пяти лет, управляя им так же серьезно, как раньше управляли инновациями или крупными сделками.

Четвертый вопрос неожиданно практичен: где взять электроэнергию? Разговоры об ИИ часто звучат как чисто цифровая трансформация, но на деле все упирается в физическую инфраструктуру. Goldman Sachs прогнозирует, что к 2030 году энергопотребление дата-центров вырастет на 175% по сравнению с 2023 годом.

Обучение и работа крупных языковых моделей требуют колоссальных вычислительных мощностей, которые работают круглосуточно. Там, где энергия дорогая или нестабильная, развитие ИИ становится ограниченным. WTW подчеркивает, что дата-центры и энергоресурсы нужно рассматривать как часть критической инфраструктуры компании, а не как второстепенный технический вопрос.

Пятый вопрос — самый сложный: вы встроили ИИ в старые процессы или пересмотрели сами процессы? Большинство неудач связано именно с этим. Многие компании берут существующие схемы работы и просто добавляют к ним нейросеть. Итог почти всегда одинаков: дорого, сложно и без ощутимого эффекта.

Успешные лидеры подходили иначе. Они задавали вопрос не о том, как ИИ поможет делать привычные вещи быстрее, а о том, какие процессы вообще стоит перестроить с учетом новых возможностей. Это требует пересмотра ролей, отказа от старых метрик и иногда временного снижения эффективности ради будущего преимущества.

Сильные стороны машин очевидны: автоматизация рутины, поиск закономерностей в больших данных, прогнозирование. Сильные стороны человека — контекст, этика, эмпатия и способность действовать в неопределенности. Максимальный эффект достигается там, где эти возможности соединяются, а не заменяют друг друга.

Пять барьеров — навыки, данные, капитал, энергия и процессы — известны давно. Но ключевой момент в том, что компании, которые преодолевают их одновременно и системно, начинают уходить вперед с такой скоростью, что через несколько лет догнать их будет почти невозможно. Вопрос уже не в том, нужен ли ИИ. Вопрос в том, есть ли у бизнеса время откладывать решение.

Если смотреть на ситуацию глазами машинного анализа, эти барьеры не одинаковы по значимости. История технологических революций показывает, что именно инфраструктурные ограничения — особенно энергетические — часто становятся главным узким горлом. Так было и во времена электрификации промышленности, и в эпоху роста интернета. Тогда проблемы тоже казались непреодолимыми, пока рынок не нашел неожиданные решения.

Любопытно, что энергетический фактор хуже всего поддается управленческим усилиям: можно нанять специалистов и пересобрать процессы, но нельзя корпоративной волей ускорить строительство электростанций.

Статистика по данным тоже говорит о многом. Если 52% компаний называют качество данных ключевым препятствием, это означает, что почти половина либо уже решила проблему, либо просто недооценивает ее. Второй вариант выглядит более вероятным. И вопрос честности корпоративной самооценки в теме ИИ остается открытым.