Компании вложили в ИИ сотни миллиардов долларов. Только глобальные расходы на технологию в 2025 году превысили $640 млрд. Но когда финансовый директор задаёт простой вопрос — «сколько мы заработали на этом?» — в комнате воцаряется тишина.
Парадокс 2026 года выглядит так: ИИ внедряют почти все, измеряет его эффект — почти никто. По данным McKinsey, 88% крупных компаний используют ИИ хотя бы в одной функции. Но по данным Boston Consulting Group, реальную измеримую выгоду получают лишь 5% из них. Разрыв не в технологии — он в том, как компании считают результат.
88% компаний используют ИИ, но только 5% получают от него измеримую экономическую выгоду — разрыв объясняется не качеством технологии, а отсутствием метрик.
Инвесторы и менеджеры живут в разных временных горизонтах: 53% инвесторов ожидают возврата инвестиций за 6 месяцев, тогда как 84% руководителей считают, что это займёт больше года.
Компании, которые измеряют ROI от ИИ, применяют один принцип: сначала формулируют бизнес-проблему, потом выбирают инструмент — а не наоборот.
Почему не считается
Проблема не техническая. По данным Forbes и Zarya Ventures, подсчёт ROI от ИИ просто не ведётся — ни на уровне пилотов, ни на уровне стратегии. Компании фиксируют «эффект от внедрения», не отделяя его от эффекта обычной оптимизации процессов.
Исследователи из MIT описывают эту ловушку точно: если в тестовой группе конверсия выросла на 13%, а в контрольной — на 5%, то вклад ИИ составляет 8 процентных пунктов, а не 13. Без изолированного измерения компании видят рост и приписывают его технологии целиком. Так формируются завышенные ожидания.
Второй барьер — горизонт ожиданий. По данным опроса Teneo среди 350 руководителей крупных компаний, 53% инвесторов хотят возврата вложений за полгода или быстрее. При этом 84% руководителей бизнесов уверены: меньше чем за год это невозможно. Две стороны одной таблицы совещания буквально говорят о разных вещах.
Кто всё-таки считает — и что у них общего
Компании, которым удаётся измерить эффект ИИ, следуют одному принципу. «Северсталь» получила более 2 млрд рублей экономического эффекта, «Норникель» — около $100 млн за счёт роста извлечения металлов на 2,5%. Сбер зафиксировал почти 30 млрд рублей эффекта от генеративного ИИ за первое полугодие 2025 года. Все эти компании начинали не с вопроса «какой ИИ внедрить», а с вопроса «какую конкретную проблему решить».
Это меняет и метрику. Вместо абстрактного «повышения эффективности» — снижение процента брака на конкретном участке, сокращение времени обработки заявки с 4 часов до 40 минут, рост конверсии в конкретном канале. Такие показатели можно проверить и оспорить. Именно поэтому их и избегают.
Главная проблема — компании начинают с вопроса «какой ИИ внедрить», а не «какую бизнес-проблему решить». Результат предсказуем: деньги освоены, пилоты запущены, отчёты написаны. Эффект — на слайде.— Павел Подкорытов, сооснователь Napoleon IT
Что с этим делать
Проблема измерения ROI от ИИ — не техническая и не аналитическая. Это управленческая проблема. Пока бюджет на ИИ-проект утверждается без согласованной метрики успеха, измерять будет нечего и незачем.
Простой тест: если в вашей компании нет ответа на вопрос «по какому показателю мы поймём, что ИИ сработал», — ИИ-проект ещё не начался. Он находится на стадии маркетинга.
Вероятность: 60% — регуляторное давление (EU AI Act) и рост требований со стороны инвесторов превратят измерение ROI из «лучшей практики» в корпоративный стандарт.
Практический инсайт: Прежде чем запускать следующий ИИ-пилот, зафиксируйте одну метрику — измеримую, с базовым значением и целевым порогом. Это единственное условие, при котором через год вы сможете сказать, сработало или нет.
Практический разбор с реальными кейсами — редкий случай, когда проблема описана изнутри, а не из консалтингового отчёта.
Ключевые данные по конфликту горизонтов ожиданий — цифры, которые объясняют, почему разговор о ROI от ИИ так сложно начать.
Лучший источник по российскому контексту — содержит и провальные кейсы, и примеры успешного измерения эффекта от ИИ.