98% компаний внедряют ИИ, широкую отдачу видят 28%: что на самом деле показывают опросы 2026 года

98% компаний ведут ИИ-инициативы. 37% перевели пилоты в производство. 28% видят широкую отдачу — столько же, сколько кварталом раньше.

Один квартал. Один вопрос. 10 000 компаний в 32 странах. Это свежий замер Dun & Bradstreet, опубликованный 28 октября 2026 года.

Рядом — Deloitte с 3 500 руководителями из 25 стран. 81% говорят, что ИИ ускорил принятие решений и исполнение. 28% видят рост выручки. McKinsey с 1 719 респондентами: 80% хвалят ИИ за личную продуктивность, 44% масштабируют его на всё предприятие. PwC со странами Персидского залива (GCC): 93% технических директоров (CIO) ждут роста расходов, 21% масштабируют.

Четыре опроса. Четыре разных ИИ.

Цифры отвечают на разные вопросы — и почти никогда не проговаривают, на какой именно. Отсюда ощущение, что одни исследования опровергают другие.

Четыре опроса, четыре разных ИИ

Сравним то, что обычно ставят в один ряд.

Источники: Dun & Bradstreet, Deloitte, McKinsey, PwC, 2026

В таблице уже виден ответ. 28% у D&B — доля компаний с широкой отдачей. 28% у Deloitte — доля тех, кто видит рост выручки. Одна цифра, два разных вопроса.

Дальше расхождение только растёт. У McKinsey 44% масштабируют ИИ на всё предприятие. У PwC в регионе GCC — 21%. У Accenture 64% CIO называют себя масштабирующими, но оптимизирующих на масштабе всего 7%. Каждый опрос честен в своих рамках. Проблема начинается, когда рамки не называют.

Возьмём простой пример. Если вопрос звучит «используете ли вы ИИ», утвердительно ответят 98%. Если «перевели ли вы хотя бы один процесс в промышленную эксплуатацию» — 37%. Если «получаете ли широкую отдачу» — 28%. Три цифры из одного массива. Все правильные. Выбор одной из них — уже редакторское решение.

Выбор знаменателя определяет бюджет следующего года.

Где расходятся цифры

Почти весь разброс объясняют три развилки.

Первая — знаменатель. Пилот, производство и «все инициативы» — разные базы. Компания, которая тестирует агента в одном отделе, и компания, которая перевела его в промышленную эксплуатацию, попадут в одну строку отчёта. Достаточно сформулировать вопрос как «используете ли вы ИИ».

Вторая — единица измерения. BCG: почти девять из десяти генеральных директоров (CEO) видят какую-то выгоду. Только 14% определяют влияние на прибыль и убытки (P&L) для каждой инициативы. KPMG: 58% сообщают измеримую бизнес-ценность, 37% — финансовые результаты. «Ценность» и «деньги» — не синонимы.

Третья — уровень. McKinsey фиксирует разрыв прямо: 80% говорят, что ИИ улучшил их личную работу, а эффект на уровне предприятия скромнее. Сэкономленный час сотрудника не превращается в прибыль автоматически. Его нужно перевести в пропускную способность, цену или качество.

Перевод кажется простым, пока не коснёшься учёта. Время, сэкономленное менеджером, не исчезает из бюджета. Оно перераспределяется внутри дня. Чтобы показать деньги, нужна новая единица: обработанные заявки, выпущенные документы, закрытые сделки. Большинство опросов такую единицу не собирает.

В октябре мы разбирали, почему 78% компаний не видят работу своих ИИ-агентов: тогда речь шла о наблюдаемости. Наблюдаемость — часть проблемы. Главная развилка — в том, что считать отдачей.

Из трёх развилок следуют три разных заголовка. «ИИ работает» — про личную продуктивность. «ИИ не работает» — про прибыль. Оба могут быть верны в одном квартале.

Сэкономленные часы — самая слабая единица измерения. Компания может сэкономить 20% времени аналитика и не изменить ни одного решения. Чтобы час стал деньгами, его нужно либо продать, либо вложить в дополнительный объём, либо сократить штат. Первые два варианта требуют перестройки процесса. Третий — самый быстрый и самый непопулярный.

Отсюда осторожность в оценках. Deloitte фиксирует: 60% компаний перестроили рабочие места под ИИ хотя бы умеренно. 25% используют ИИ для глубокой трансформации. Остальные добавили инструмент к прежнему процессу и ждут другого результата.

Готовность данных: разрыв в 6,5 раза

D&B даёт самый жёсткий разрез. Только 8% компаний считают свои данные полностью готовыми к ИИ. 33% — в основном готовыми. 44% — частично. Остальные не ответили или оценили хуже.

Среди компаний с полностью готовыми данными широкую или сильную отдачу получают 81%. Среди тех, у кого данные готовы частично, — 12%. Разница в 6,5 раза.

Оговорка обязательна. Корреляция не доказывает причинность. Компании с готовыми данными могут быть просто лучше управляемыми, а ИИ здесь — следствие, не причина. D&B этого не скрывает. Направление связи при этом устойчиво: готовность данных — единственный фактор, который в опросе разделяет 81% и 12%.

За этой цифрой — 10 000 компаний в 32 странах. И она повторяется в независимых замерах. EY: 64% называют нехватку готовых данных главным барьером. Komprise: 93–96% говорят, что большая часть их данных не готова к ИИ и озёрам данных. Accenture: 54% называют управление и ответственность главным барьером масштабирования.

Готовность данных — скучная часть работы. Её не видно в демо. Она не попадает в презентацию для совета директоров. Именно поэтому разрыв держится второй год.

D&B фиксирует и механику. С третьего квартала доля полностью готовых данных выросла с 6% до 8%, а доля широкой отдачи осталась на 28%. Прогресс есть. Он сосредоточен наверху: доля «в основном готовых» за тот же период упала с 36% до 33%.

Ещё одна деталь из того же опроса. Среди компаний с частично готовыми данными 57% видят только отдельные очаги отдачи. Среди полностью готовых таких 16%. Между «что-то получилось» и «работает везде» лежит та же линия данных.

Восточная Европа обгоняет Америку

География ломает привычную картину. Восточная Европа, Азиатско-Тихоокеанский регион и Западная Европа дают 30–31% широкой отдачи. Америка — 23%. Африка замыкает список.

При этом Америка активнее всех собирается тратить: около 68% компаний региона планируют увеличить расходы на ИИ. Деньги и отдача расходятся сильнее всего там, где инвестиции самые громкие.

Для русскоязычного читателя это практический сигнал. Восточная Европа входит в лидеры по доле компаний, которые довели данные и процессы до рабочего состояния. Размер бюджета здесь вторичен.

Региональная разница объясняется базой. Америка вкладывается в модели и эксперименты. Восточная Европа догоняет через инфраструктуру и интеграцию. Когда бюджеты растут быстрее данных, отдача приходит позже. Деньги приходят раньше данных.

PwC добавляет региональную деталь. 59% руководителей в GCC считают данные, платформы и управление готовыми к масштабированию ИИ. При этом 47% называют барьером унаследованные системы, 45% — неэффективное управление. Уверенность в готовности и сама готовность измеряются разными людьми.

Региональные цифры — средняя по выборке. Они показывают направление. Гарантии для отдельной компании в них нет.

Кто платит за пилот

Второй общий знаменатель — деньги и ответственность.

KPMG: 43% ввели бюджеты на токены и использование моделей. Только 26% руководителей видят, сколько стоит работа их ИИ. Пилот живёт в отдельной строке бюджета. Производство — в общей, вместе с инфраструктурой, поддержкой и людьми.

Разные бюджеты.

Deloitte: 40% разрешают ИИ принимать решения или совершать действия без одобрения человека хотя бы в умеренной степени. 23% признают: когда ИИ приводит к негативному результату, ответственный неясен.

Accenture добавляет деталь: 49% в ИТ-операциях до сих пор запускают агентов с ручным подтверждением. Автономность на слайде выше, чем в процессе. Между «разрешили» и «доверили» лежит пропасть.

Стоимость агента складывается из трёх частей: токены, инфраструктура и человек, который проверяет результат. KPMG видит бюджеты на первую часть у 43% компаний. Вторая и третья обычно живут в других департаментах. Поэтому цифра 26% скорее завышает видимость стоимости, чем измеряет её.

KPMG видит и организационный сдвиг. Доля компаний, которые разрабатывают или внедряют мультиагентные системы, выросла до 25% с 6% кварталом ранее. Рост в четыре раза за квартал. Данные при этом остаются главным барьером — это тот же KPMG.

Accenture объясняет, где именно застревает переход. 70% CIO используют ИИ для личной продуктивности, 37% — для сквозной оркестрации агентами. 53% называют главным барьером обучение людей и их вовлечение. Технология готова раньше, чем организация.

Отсюда практический вывод для инвестора. Смотреть стоит на три вещи: доля процессов в промышленной эксплуатации, наличие владельца результата и готовность данных. Заголовки обычно берут четвёртую — долю «внедривших ИИ». Её проще всего измерить и труднее всего проверить.

Как читать следующий опрос

Пять вопросов отделяют сигнал от заголовка. Их стоит задать до того, как цифра попадёт в решение.

Если опрос не отвечает хотя бы на три из пяти — цифра годится для заголовка, не для бюджета.

Хороший пример — Deloitte. 81% говорят об ускорении решений, 28% о росте выручки, 25% о глубокой трансформации. Три цифры из одного опроса описывают три разные стадии. Заголовок возьмёт первую.

Проверим McKinsey по тем же пяти пунктам. Знаменатель — предприятия. Единица — стадия масштабирования и личная польза. Уровень — от сотрудника до компании. Готовность данных в отчёте обсуждается отдельно. Ответственность почти не измеряется. Четыре пункта из пяти закрыты, пятый — открыт. Цифра 44% годится для сравнения компаний между собой, но не для прогноза прибыли.

Тот же тест стоит применить к вендорским опросам. Komprise: 68% называют себя зрелыми в ИИ, только 28% измерили отдачу. Пятьсот технических руководителей, сентябрь 2026 года. Цифра зрелости и цифра денег живут в разных абзацах отчёта.

Что остаётся без определений

Спокойный вывод был бы удобен. Данные не дают его закончить.

Есть соблазн объявить нынешний разброс временным. Мол, рынок повзрослеет, определения устоятся, цифры сойдутся. За два года они не сошлись. Число опросов выросло, число определений тоже.

В том же квартале 65% компаний планируют наращивать расходы на ИИ, а доля широкой отдачи не сдвинулась с 28%. Следующий опрос, скорее всего, покажет рост ещё одной метрики. Вопрос в том, будет ли она означать деньги.

Пока устойчив только один сигнал: готовность данных. Она объясняет разрыв в 6,5 раза лучше, чем любая формулировка про «внедрение».

Скучный вывод. Самый полезный.