Внутренняя разработка как ловушка для затрат: почему большинство компаний совершенно неправильно подходят к ИИ и экономят деньги не там, где нужно

Правило 80/20 для ИИ: те, кто игнорирует эту стратегию, ставят под угрозу будущее своей компании

Эпоха дорогостоящих, но бесполезных экспериментов с ИИ закончилась. В то время как миллиарды долларов по всему миру вкладываются в создание собственных систем искусственного интеллекта, недавнее исследование Массачусетского технологического института (MIT) выявляет суровую правду: 95 процентов этих пилотных проектов терпят сокрушительный провал, не принося реальной пользы бизнесу. Вместо оптимизации процессов они вырождаются в бесконечные и чрезвычайно дорогостоящие «научные проекты». Это болезненное осознание в настоящее время приводит к беспрецедентному сдвигу на корпоративном рынке. Новый, неизбежный девиз: покупайте, а не создавайте. Вместо того чтобы связывать дефицитные ресурсы разработчиков в проприетарных системах, которые устаревают к моменту их завершения, первопроходцы теперь полагаются на так называемое правило 80/20 и модульные платформенные подходы. Этот анализ показывает, почему традиционное программное обеспечение «один размер подходит всем» устарело, почему персонализированные сервисы ИИ — такие как от перспективного стартапа Unframe AI — совершают революцию на рынке, и какие стратегические решения определят успех или неудачу в глобальной конкуренции к 2026 году.

В эпоху искусственного интеллекта все, кто по-прежнему полагается на собственную разработку, не только тратят деньги впустую, но и ставят под угрозу свое будущее

Вопрос о том, следует ли компаниям разрабатывать свои решения в области искусственного интеллекта собственными силами или приобретать их у специализированных поставщиков, является одним из наиболее актуальных стратегических решений 2026 года. В то время как миллиарды долларов вкладываются в генеративный ИИ, широко цитируемое исследование Массачусетского технологического института (MIT) показало, что ошеломляющие 95 процентов всех пилотных проектов в области ИИ в компаниях не приносят измеримой коммерческой выгоды. В то же время текущие рыночные данные свидетельствуют о резком сдвиге: всего за один год соотношение внутренней разработки и аутсорсинга решений в области ИИ практически поменялось местами. Именно в этой динамичной среде такие компании, как израильско-немецкий стартап Unframe AI, позиционируют себя с радикально новой бизнес-моделью, которая коренным образом бросает вызов традиционным правилам корпоративного программного обеспечения.

В данном анализе рассматриваются экономические, технологические и стратегические аспекты дискуссии о том, что лучше: строить или покупать, с использованием последних рыночных данных от Menlo Ventures, Gartner, McKinsey и MIT, а полученные результаты рассматриваются в контексте реальной компании, работающей в процессе этой трансформации.

Рынок в состоянии перемен: 37 миллиардов долларов и неудобная правда

Цифры говорят сами за себя. Согласно третьему ежегодному отчету Menlo Ventures о состоянии генеративного ИИ на предприятиях, организации по всему миру потратили на генеративный ИИ около 37 миллиардов долларов в 2025 году, что в три раза больше, чем 11,5 миллиардов долларов в предыдущем году. Это означает, что генеративный ИИ уже занимает шесть процентов всего мирового рынка программного обеспечения — беспрецедентный уровень проникновения на рынок в истории индустрии программного обеспечения. По меньшей мере десять продуктов на основе ИИ в настоящее время приносят годовой доход, превышающий один миллиард долларов, а более пятидесяти превысили отметку в 100 миллионов долларов.

Но за этими впечатляющими суммарными цифрами скрывается гораздо более сложная реальность. Gartner прогнозирует глобальные расходы на ИИ в размере 2,52 триллиона долларов к 2026 году, что на 44 процента больше, чем в предыдущем году. Однако Gartner прямо указывает на так называемый «период разочарования» в 2026 году и предупреждает, что ИИ в большинстве случаев будет продаваться компаниям через существующих поставщиков программного обеспечения, а не в рамках смелых амбициозных проектов. По словам аналитика Gartner Джона-Дэвида Лавлока, прежде чем ИИ сможет по-настоящему масштабироваться, необходимо сначала добиться повышения предсказуемости окупаемости инвестиций.

Разрыв между объемом инвестиций и реальным созданием ценности — это главное противоречие нынешнего бума ИИ. Компании инвестируют рекордными темпами, но большая часть этих инвестиций тратится впустую на эксперименты, пилотные проекты и проверки концепций, которые никогда не доходят до стадии готовности к производству. Это поднимает фундаментальный стратегический вопрос: разумнее ли разрабатывать решения в области ИИ собственными силами или приобретать их?

Главный поворот: почему компании массово отказываются от создания собственного ИИ

Пожалуй, самым поразительным открытием 2025 года является полная смена соотношения разработки и покупки решений в области ИИ. По данным Menlo Ventures, 76 процентов всех сценариев использования ИИ в компаниях теперь охватываются приобретенными решениями, и только 24 процента разрабатываются внутри компании. Еще в 2024 году это соотношение составляло почти 50:50: 47 процентов разрабатывались внутри компании, а 53 процента были приобретены. Таким образом, всего за двенадцать месяцев рынок радикально изменился.

Этот сдвиг не случаен, а является результатом болезненного опыта. Исследование S&P Global Market Intelligence, проведенное среди более чем 1000 компаний в Северной Америке и Европе, показало, что к 2025 году 42% компаний откажутся от большинства своих инициатив в области ИИ — это резкое увеличение по сравнению с всего 17% в 2024 году. В среднем 46% всех исследований осуществимости ИИ были прекращены до достижения готовности к внедрению в производство. Корпорация RAND подтверждает, что более 80% всех проектов в области ИИ терпят неудачу — вдвое больше, чем проектов, не связанных с технологиями ИИ.

Причины провала внутренних проектов разработки многогранны. По данным McKinsey, около 85 процентов всех пилотных проектов в области ИИ никогда не выходят за рамки экспериментальной фазы. Анализ, проведенный Boston Consulting Group среди 1000 руководителей из 59 стран, показал, что только 26 процентов компаний смогли развить потенциал для перехода от стадии пилотного проекта к более продвинутым, и лишь четыре процента стабильно создают значительную ценность в области ИИ. Аналитики Gartner даже прогнозируют, что к 2027 году более 40 процентов проектов по разработке ИИ на основе агентов будут заброшены из-за растущих затрат, неясной коммерческой ценности или недостаточного контроля рисков.

На этом фоне масштабный переход к аутсорсингу представляется рациональным рыночным ответом на волну неудач. Послание корпоративных покупателей ясно: скорость создания ценности важнее идеальной персонализации. Приобретенные решения на основе ИИ достигают готовности к внедрению в производство значительно быстрее и демонстрируют коэффициент конверсии почти вдвое выше, чем у традиционного программного обеспечения. По данным Menlo Ventures, 47 процентов сделок по приобретению решений на основе ИИ доходят до стадии внедрения в производство.

Исследование Массачусетского технологического института и провал корпоративного ИИ: анатомическое исследование

Исследование MIT NANDA «Разрыв между поколениями в сфере ИИ: состояние ИИ в бизнесе к 2025 году», проведенное Адитьей Чаллапалли в лаборатории MIT Media Lab, стало наиболее цитируемым источником информации о структурных неудачах проектов в области ИИ в бизнесе. Исследование основано на 150 интервью с руководителями, опросе 350 сотрудников и анализе 300 публичных внедрений ИИ. Его результаты рисуют мрачную картину неудач: 80 процентов организаций изучают инструменты ИИ, 60 процентов оценивают корпоративные решения, 20 процентов запускают пилотные проекты, но только пять процентов доходят до стадии внедрения с измеримым влиянием на бизнес.

Главный вывод исследования примечателен тем, что опровергает распространенные оправдания. Проблема заключается не в качестве моделей ИИ, неадекватной инфраструктуре или, в первую очередь, в нормативных препятствиях. Настоящим узким местом является то, что исследователи из MIT называют «пробегом обучения»: корпоративные системы, которые не адаптируются, не хранят обратную связь и не интегрируются в рабочие процессы. Универсальные инструменты, такие как ChatGPT, отлично подходят для индивидуальных пользователей, поскольку они гибкие. Однако в корпоративной среде они превращаются в статичные академические проекты, которые не учатся на основе контекста и не совершенствуются со временем.

Ещё один вывод исследования особенно показателен: приобретение инструментов ИИ у специализированных поставщиков и построение партнёрских отношений приносит успех примерно в 67 процентах случаев, в то время как собственная разработка оказывается успешной лишь примерно в три раза реже. Этот вывод особенно актуален для финансового сектора и других высокорегулируемых отраслей, где многие компании в 2025 году всё ещё пытались создавать собственные системы генеративного ИИ внутри компании. Данные MIT показывают, что компании гораздо чаще терпят неудачу, когда действуют самостоятельно.

Еще одна систематическая ошибка связана с неэффективным распределением ресурсов. Более половины бюджетов на генеративный ИИ направляется на инструменты продаж и маркетинга, в то время как исследование MIT выявило наибольшую рентабельность инвестиций в автоматизацию бэк-офиса — то есть в устранении аутсорсинга бизнес-процессов, сокращении затрат на внешние агентства и оптимизации процессов. Таким образом, компании инвестируют не только не в тот тип внедрения, но зачастую и в неправильные области применения.

Правило 80/20 в корпоративном ИИ: новая стратегическая парадигма

В результате объединения различных источников данных и отраслевого анализа все чаще формируется стратегическая парадигма, которую можно описать как правило 80/20 для корпоративного ИИ. Отраслевые наблюдатели и данные аналитиков, таких как Gartner и Deloitte, указывают на то, что большинству компаний следует придерживаться гибридного подхода: 80 процентов потребностей в ИИ удовлетворяются за счет приобретаемых или предоставляемых по подписке решений, а 20 процентов решаются с помощью разработанных внутри компании решений, где глубокая интеграция или уникальная интеллектуальная собственность имеют решающее значение.

Такое соотношение 80/20 находит отражение и в практике. К вариантам использования, идеально подходящим для закупок, относятся системы обработки заявок в ИТ-сфере, функции поиска на основе знаний, генерация маркетингового контента, извлечение данных из неструктурированных документов и стандартизированные решения для отчетности. Собственная разработка остается целесообразной в случаях, когда существуют опасения относительно интеллектуальной собственности или когда решение на основе ИИ представляет собой стратегическое конкурентное преимущество, например, в основных банковских системах, собственных торговых алгоритмах или моделях принятия критически важных бизнес-решений.

Экономическая логика такого разделения убедительна. Аутсорсинг обеспечивает более быструю окупаемость инвестиций, предсказуемые затраты благодаря подписным моделям, непрерывные циклы инноваций от поставщика и отсутствие внутренних задержек в разработке. Внутренняя разработка, с другой стороны, связывает дефицитные ресурсы разработчиков, создает технический долг и несет в себе фундаментальный риск того, что разработанное внутри компании решение к моменту его завершения уже устареет с технологической точки зрения, поскольку базовые модели ИИ к тому времени уже эволюционируют.

Венчурная компания Andreessen Horowitz (a16z) подтверждает эту тенденцию в своем анализе 100 руководителей ИТ-отделов предприятий: в последнее время наблюдается значительный сдвиг от внутренней разработки к аутсорсингу, поскольку экосистема приложений ИИ начинает созревать. В частности, динамические различия в производительности между различными моделями и снижение затрат делают все более целесообразным передачу непрерывной оценки и оптимизации для каждого варианта использования специализированной команде разработчиков приложений ИИ у внешнего поставщика, вместо того чтобы заниматься этим внутри компании.

Конец универсальному подходу: почему стандартизированное программное обеспечение устарело

На протяжении десятилетий традиционное корпоративное программное обеспечение следовало простому принципу: один продукт для всех. Стандартизированные решения разрабатывались для обслуживания максимально широкой аудитории с одинаковым набором функций. В эпоху искусственного интеллекта эта парадигма находится под огромным давлением. Формула изменилась: «Один размер подходит всем» превращается в «Один размер не подходит никому».

Этот сдвиг имеет глубокие экономические причины. У компаний все чаще возникают разнообразные требования, которые универсальные решения уже не могут удовлетворить. Растущая сложность бизнес-процессов, неоднородность ИТ-ландшафтов и растущие ожидания пользователей, привыкших к персонализированному опыту при личном использовании ChatGPT и аналогичных инструментов, делают индивидуальные подходы крайне важными.

Персонализация на основе ИИ позволяет программным платформам адаптироваться в режиме реального времени к поведению, предпочтениям и конкретным бизнес-задачам каждого пользователя. За счет генерации кода, рефакторинга и тестирования с помощью ИИ, предельные издержки персонализации значительно снижаются — не до нуля, но достаточно, чтобы коренным образом переосмыслить бизнес-модель предоставления программного обеспечения. Это открывает возможности для моделей, в которых каждый клиент после регистрации получает логически изолированную облачную версию программного обеспечения, точно адаптированную к его конкретным потребностям.

Параллельно меняются и модели ценообразования. Ценообразование, основанное на результатах, все чаще заменяет традиционную модель лицензирования или оплаты за использование. Gartner прогнозирует, что к 2025 году более 30 процентов корпоративных SaaS-решений будут интегрировать компоненты, основанные на результатах, по сравнению с примерно 15 процентами в 2022 году. Bessemer Venture Partners в своем текущем руководстве по ценообразованию описывает, как компании, использующие искусственный интеллект, в значительной степени отказываются от ценообразования SaaS на основе количества пользователей в пользу моделей, основанных на использовании, результатах и ​​исходах, которые напрямую связывают доход с измеримыми результатами. Примеры, такие как Intercom, где стоимость обработки запроса составляет 0,99 доллара, или Salesforce, где стоимость обработки разговора составляет 2 доллара, иллюстрируют направление развития этой тенденции.

Модульный принцип: как модульные платформы искусственного интеллекта завоевывают рынок

Ключевой архитектурной парадигмой, набирающей популярность в сегменте корпоративного ИИ, является модульный подход, часто описываемый как принцип строительных блоков, похожий на конструктор Lego. Основная идея заключается в том, что вместо создания монолитных, жестких систем ИИ, решения собираются из многоразовых, взаимозаменяемых строительных блоков, которые можно гибко комбинировать и заменять по мере необходимости.

Этот принцип предлагает три важнейших преимущества: во-первых, гибкость в добавлении и замене компонентов по мере появления более совершенных технологий; во-вторых, возможность обновления инструментов ИИ без перестройки всей инфраструктуры; в-третьих, скорость создания ценности при сохранении адаптивности. В отрасли, где базовые модели развиваются еженедельно, эта гибкость — не просто приятный бонус, а необходимая составляющая.

Практическое применение этого принципа можно проиллюстрировать на примере извлечения данных. Разрабатывается первый модуль для обработки коммерческих договоров аренды, то есть сложных документов объемом от 80 до 90 страниц. Этот модуль спроектирован таким образом, чтобы быть настолько универсальным, что его можно использовать с минимальными корректировками для финансовых отчетов в Excel, резюме или в сценариях работы с изображениями. Каждый новый модуль расширяет библиотеку и сразу же становится доступным для последующих клиентов. Этот принцип масштабируемой повторной использования является экономической основой модели платформы: предельные издержки каждой дополнительной реализации значительно снижаются, в то время как качество повышается благодаря растущему объему опыта.

На практике модульная архитектура ИИ также означает, что различные модели Foundation могут использоваться для разных задач — например, GPT для логических рассуждений, Gemini для архитектурных задач и Claude для точной работы — без влияния на общее решение. Эта независимость от LLM является еще одним ключевым отличием от внутренней разработки, которая обычно привязана к конкретной модели и требует значительных усилий по миграции при каждом изменении модели.

Платформа управляемого ИИ — Изображение: Xpert.Digital

Здесь вы узнаете, как ваша компания может быстро, безопасно и без высоких барьеров для входа внедрить индивидуальные решения на основе искусственного интеллекта.

Управляемая платформа искусственного интеллекта — это комплексное и беззаботное решение для вашего бизнеса в сфере искусственного интеллекта. Вместо того чтобы возиться со сложными технологиями, дорогостоящей инфраструктурой и длительными процессами разработки, вы получаете готовое решение, адаптированное под ваши потребности, от специализированного партнера — зачастую всего за несколько дней.

Основные преимущества с первого взгляда:

⚡ Быстрая реализация: от идеи до готового к использованию приложения за считанные дни, а не месяцы. Мы предлагаем практические решения, которые создают немедленную добавленную стоимость.

🔒 Максимальная безопасность данных: Ваши конфиденциальные данные остаются с вами. Мы гарантируем безопасную и соответствующую законодательству обработку данных без их передачи третьим лицам.

💸 Отсутствие финансового риска: вы платите только за результат. Полностью исключаются высокие первоначальные инвестиции в оборудование, программное обеспечение или персонал.

🎯 Сосредоточьтесь на своем основном бизнесе: сконцентрируйтесь на том, что у вас получается лучше всего. Мы берем на себя всю техническую реализацию, эксплуатацию и обслуживание вашего решения на основе ИИ.

📈 Перспективность и масштабируемость: ваш ИИ растет вместе с вами. Мы обеспечиваем непрерывную оптимизацию и масштабируемость, а также гибко адаптируем модели к новым требованиям.

Более подробная информация здесь:

• Платформа управляемого искусственного интеллекта

Unframe AI: Пример новой бизнес-модели корпоративного искусственного интеллекта

Израильско-немецкий стартап Unframe AI представляет собой поучительный пример практического применения описанных рыночных тенденций. Компания была основана в апреле 2024 года Шаем Леви, Ларисой Шнайдер и Ади Азарией. Леви ранее был соучредителем Noname Security и, будучи техническим директором, превратил ее в первого «единорога» в секторе кибербезопасности API, прежде чем она была продана Akamai примерно за 500 миллионов долларов. Шнайдер обладает более чем десятилетним опытом работы в секторе корпоративных технологий, включая руководящие должности в Nutanix и Noname Security, а также имеет академическое образование, полученное в Международной бизнес-школе Hult в Сан-Франциско.

В апреле 2025 года Unframe вышла из режима скрытой разработки, привлекая в общей сложности 50 миллионов долларов инвестиций, разделенных на посевной раунд в размере 20 миллионов долларов и раунд серии А в размере 30 миллионов долларов, возглавляемый Bessemer Venture Partners. В число других инвесторов вошли TLV Partners, Craft Ventures, Third Point Ventures, SentinelOne Ventures, Cerca Partners и Terra Nova Ventures. Менее чем за год компания достигла многомиллионного годового дохода (ARR) и приобрела десятки крупных корпоративных клиентов по всему миру, включая Cushman & Wakefield и Nomura.

Что Unframe от многих конкурентов, так это его бизнес-модель. Платформа основана на так называемом подходе Blueprint, методологии, которая предоставляет большим языковым моделям необходимый контекст для генерации результатов, специфичных для предметной области, без необходимости обширного обучения или тонкой настройки модели. Компания не привязана к конкретным языковым моделям, то есть клиенты могут переключаться между различными публичными и частными моделями, не будучи привязанными к определенной экосистеме. Цены указаны за человека в год в тарифных планах (Small, Medium, Large, Extra Large), при этом все услуги по настройке и работа ведущих специалистов по продуктам в области ИИ включены в подписку — никаких скрытых затрат или дополнительных сборов.

Пожалуй, наиболее радикальным аспектом бизнес-модели является принцип оплаты, ориентированный на результат: клиенты платят только тогда, когда видят реальный эффект. В отрасли, где 95 процентов проектов в области ИИ терпят неудачу, это смелое обещание, которое может сработать только в том случае, если внедрение действительно создаст ценность. По данным компании, время от первоначальной консультации до готового к внедрению, полностью адаптированного решения обычно составляет несколько дней, а не месяцы или годы, как это принято в отрасли.

1670 вариантов применения и конца этому не видно: реальность спроса на ИИ в крупных компаниях

Масштаб проблемы, стоящей перед крупными корпорациями при внедрении ИИ, можно проиллюстрировать конкретным примером. Старший руководитель отдела ИИ в одном из трех крупнейших инвестиционных банков Уолл-стрит сообщила о наличии 1670 невыполненных задач по использованию ИИ, поступивших в ее отдел от операционного подразделения и требующих реализации к концу 2026 года. Оценка этой руководительницы была однозначной: даже при неограниченных внутренних ресурсах для разработки справиться с таким объемом работы внутри компании было бы невозможно. Необходим был масштабируемый подход.

Этот пример ни в коем случае не является исключением. JPMorgan Chase в настоящее время использует более 1000 сценариев применения ИИ в производственной среде, охватывающих управление рисками, маркетинг, выявление мошенничества и обслуживание клиентов. Bank of America выделил 4 миллиарда долларов из своего технологического бюджета в 13 миллиардов долларов на ИИ к 2025 году. Citigroup провела пилотное внедрение ИИ на основе агентов для 5000 сотрудников и запустила общекорпоративную инициативу по систематической интеграции ИИ во все свои процессы. Эти цифры показывают, что спрос на внедрение ИИ в крупных предприятиях значительно превышает имеющиеся внутренние возможности.

Данные McKinsey показывают, что хотя 88 процентов организаций используют ИИ как минимум в одной бизнес-функции, только семь процентов масштабировали ИИ в масштабах всей компании. Подавляющее большинство находится на промежуточном этапе между экспериментами (32 процента), пилотными проектами (30 процентов) и масштабированием (31 процент). Разрыв между тем, что компании хотят делать с ИИ, и тем, что они могут реально внедрить, является самым большим препятствием на пути нынешней трансформации в сфере ИИ.

В этом контексте становится ясно, почему гибридные модели, сочетающие преимущества внутренней разработки (адаптивность, контроль) с преимуществами аутсорсинга (скорость, масштабируемость, меньшая нагрузка на обслуживание), приобретают все большее значение. Партнерство со специализированным поставщиком платформ позволяет компаниям систематически решать экспоненциально растущий объем задач по использованию ИИ, не перегружая внутренние команды.

Парадокс управления: когда агенты ИИ выходят из-под контроля

Помимо экономических аспектов решения о том, строить ли собственное предприятие или покупать готовое, часто недооценивается один аспект: управление. Эта тема приобретает особое значение с появлением систем искусственного интеллекта на основе агентов – то есть агентов ИИ, которые не только предоставляют информацию, но и могут автономно выполнять действия в рамках корпоративных систем.

Яркий пример из страховой индустрии иллюстрирует проблему. IT-менеджер крупной страховой компании на западном побережье США столкнулся с требованием руководства создать агентов на основе ИИ, без четкого определения их предполагаемого использования. Идея просто предоставить бизнес-подразделениям инструмент для самостоятельного создания агентов на основе ИИ сопряжена со значительными рисками: сотни тысяч необслуживаемых агентов на основе ИИ, выполняющих автономные действия внутри компании в условиях жесткого регулирования отрасли, представляют собой кошмар с точки зрения управления.

Нормативно-правовые требования еще больше усугубляют эту проблему. Закон ЕС об ИИ, вступивший в силу в августе 2024 года, вводит все более строгие обязательства для систем ИИ высокого риска к 2026/2027 году, включая оценку соответствия, маркировку CE и требования к прозрачности для общих моделей ИИ. Сингапурская система регулирования ИИ на основе агентов требует определения так называемого пространства действий (какие инструменты и системы может использовать агент), а также четких ограничений автономности при контроле со стороны человека. Рамочная программа NIST по управлению рисками в области ИИ предлагает независимую от поставщиков структуру для контроля рисков, которая все чаще используется компаниями США.

Аспект управления имеет существенное значение для принятия решения о том, разрабатывать ли собственное решение или покупать готовое. Компании, разрабатывающие ИИ собственными силами, должны самостоятельно создавать и поддерживать всю инфраструктуру управления: этапы жизненного цикла, циклы пересертификации, карты моделей, тестирование «красной командой», постмаркетинговый мониторинг и рабочие процессы обработки инцидентов. Специализированные поставщики платформ могут централизованно решать эти задачи управления и предлагать их в рамках своего стандартного решения, значительно снижая нагрузку на отдельных клиентов. В эпоху экспоненциального роста нормативных требований к системам ИИ экспертиза в области управления становится важнейшим конкурентным преимуществом для поставщиков платформ.

Ключевые показатели эффективности или работа вслепую: чем успешные проекты в области ИИ отличаются от провальных?

Данные говорят сами за себя: решающим фактором успеха проектов в области ИИ является не сама технология, а определение четких критериев успеха до запуска. Исследование MIT указывает на отсутствие согласованности между технологией и бизнес-процессами как на основную причину неудач. Компании пытались внедрить генеративный ИИ в существующие процессы с минимальными корректировками, вместо того чтобы сначала определить желаемый эффект для бизнеса и строго согласовать внедрение с ним.

Согласно современным передовым практикам, многомерная структура KPI для проектов в области ИИ включает шесть измерений: влияние на бизнес (рост доходов, снижение затрат), операционная эффективность (скорость процессов, снижение количества ошибок), снижение рисков (соблюдение нормативных требований, предотвращение мошенничества), стратегическая ценность (рыночная позиция, инновационный потенциал), экономическая эффективность (стоимость результата) и уровень внедрения (принятие пользователями, проникновение на рынок).

Практическая реализация – вот что отличает победителей от проигравших. Успешные компании определяют конкретные, измеримые цели до начала проекта – например, точность в 96 процентов при полноте ответа более 90 процентов. Они устанавливают контрольные показатели, с которыми можно сравнивать результаты, и обеспечивают прозрачность в отношении того, что именно означает успех, еще до написания первой строки кода.

Напротив, большинство компаний не могут ответить на расплывчатый вопрос: «Что мы можем реально сделать с ИИ?» Такой исследовательский, неструктурированный подход приводит к тому, что эксперты отрасли называют научными проектами: технически интересным демонстрациям, не имеющим существенной коммерческой ценности. Следствием этого является бесконечный цикл экспериментов, которые никогда не доходят до стадии производства.

Последствия принятия решения о разработке или покупке значительны. Внутренние команды разработчиков, как правило, сосредотачиваются на технологической осуществимости, рассматривая влияние на бизнес как второстепенный фактор. Специализированные поставщики платформ, напротив, которые выставляют счета на основе результатов, в принципе зависят от предоставления бизнес-ценности с первого дня, поскольку в противном случае их бизнес-модель рухнет. Такое структурное согласование стимулов является часто недооцениваемым преимуществом модели покупки.

Преимущество в скорости: почему время — самая ценная валюта в экономике искусственного интеллекта

В экономике искусственного интеллекта решающим конкурентным фактором является время. Технологическое развитие идет настолько быстро, что разработанное внутри компании решение может устареть еще до завершения его создания. В традиционных корпоративных средах время между разработкой внутренней системы ИИ и ее готовностью к внедрению обычно составляет от 19 до 24 месяцев: от одного до двух месяцев на оценку потребностей, от трех до четырех месяцев на пилотное тестирование, а также еще несколько месяцев на утверждение бюджета, выбор поставщика, юридическую и экспертизу безопасности, интеграцию и, наконец, внедрение.

В этот период появляются десятки новых моделей Foundation, возникают и исчезают целые категории продуктов, а производительность в бенчмарках улучшается на порядки. Menlo Ventures сообщает, что расходы на агентов кода и разработчиков приложений с использованием ИИ выросли с почти нулевого уровня до нескольких миллиардов долларов, поскольку модели теперь могут интерпретировать целые кодовые базы и выполнять многоэтапные задачи полностью автономно. То, что начиналось как передовая внутренняя разработка, рискует стать пережитком прошлого после завершения.

Специализированные поставщики платформ сокращают этот временной промежуток с месяцев до дней или недель. Они централизованно берут на себя сложность постоянных изменений моделей, обновлений и исправлений безопасности, позволяя отдельным корпоративным клиентам получать выгоду, не выделяя собственные ресурсы. Такое объединение скорости инноваций является классическим примером экономии за счет масштаба: то, что одна компания никогда не смогла бы сделать так быстро, становится возможным для многих одновременно благодаря платформе.

Кроме того, отчет a16z показывает, что различия в производительности между различными моделями становятся все менее значительными, в то время как различия в стоимости остаются существенными. В этой ситуации конкурентное преимущество смещается от выбора модели к чистой скорости внедрения и интеграции процессов — именно к сильным сторонам специализированных платформ.

Стратегическое исключение: когда внутренняя разработка по-прежнему имеет смысл

Несмотря на все аргументы в пользу аутсорсинга, существуют четко определенные области, где разработка решений на основе ИИ собственными силами остается стратегически оправданной. Эти области, как правило, обладают одной или несколькими из следующих характеристик: высокая релевантность интеллектуальной собственности компании, прямая связь с основным бизнесом как стратегическое конкурентное преимущество или сценарии использования, в которых само решение на основе ИИ становится продуктом для продажи.

Основная банковская система, основанная на собственных алгоритмах и представляющая собой реальное конкурентное преимущество в моделировании рисков, является классическим примером разумной внутренней разработки. Аналогично, собственные торговые стратегии, в которых логика ИИ играет центральную роль, и раскрытие их внешнему поставщику сопряжено с неприемлемыми рисками. В фармацевтической отрасли молекулярные исследования с использованием ИИ могут быть настолько тесно переплетены с ДНК компании, что аутсорсинг не является ни практичным, ни желательным.

Однако задача для лиц, принимающих решения, заключается в том, чтобы провести предельно честное различие между подлинными стратегическими преимуществами и печально известным синдромом «не изобретено здесь». Многие компании переоценивают стратегическую важность вариантов использования, которые на самом деле являются всего лишь стандартными функциями. Система обработки заявок в ИТ-отделе, поиск на основе знаний или генерация маркетингового контента, как правило, не попадают в категорию стратегических преимуществ и, если разрабатываются внутри компании, лишь создают дорогостоящий список задач по разработке.

Рекомендации отраслевых аналитиков явно сходятся во мнении: 20-процентная доля внутренней разработки должна быть строго ограничена теми областями, которые действительно создают уникальное конкурентное преимущество, в то время как оставшиеся 80 процентов должны быть обеспечены быстрее, экономичнее и со значительно меньшим риском за счет специализированных платформ.

Преодоление долины разочарования: взгляд в будущее, на 2026 год и далее

Прогноз Gartner о том, что к 2026 году ИИ достигнет стадии разочарования, ни в коем случае не следует воспринимать как пессимистический сигнал. Напротив, этот этап цикла ажиотажа знаменует собой здоровую точку, когда нереалистичные ожидания уступают место реальности, и компании начинают понимать реальные сильные и слабые стороны технологии. Это фаза, когда чистый эксперимент уступает место холодному расчету рентабельности инвестиций.

Цифры указывают на то, что этот процесс созревания уже идет полным ходом. Глобальные расходы на ИИ в 2026 году составили 2,52 триллиона долларов, а прогнозируемый рост до 3,3 триллиона долларов в 2027 году демонстрирует, что готовность к инвестициям остается абсолютно высокой, несмотря на разочарования в отдельных проектах. Ожидается, что на ИИ придется 41,5 процента всех расходов на ИТ в 2026 году, и эта доля может вырасти до более чем 50 процентов в 2027 году. Только инвестиции в инфраструктуру приведут к увеличению расходов на серверы, оптимизированные для ИИ, на 49 процентов в 2026 году.

Меняется не объем инвестиций, а их структура. Компании становятся все более избирательными в выборе проектов в области ИИ, отдавая приоритет доказанным результатам, а не спекулятивному потенциалу. Эра экспериментов в области ИИ уступает место эре производства ИИ – и это производство покупается, а не создается. Для поставщиков платформ, которые демонстрируют измеримую бизнес-ценность, открывается рынок почти исторического масштаба. Для компаний, все еще колеблющихся между созданием и покупкой, решение становится все более очевидным: в мире, где скорость стала самой ценной валютой, а 95 процентов внутренних проектов в области ИИ терпят неудачу, приобретение специализированных решений является не только более прагматичной, но и единственной экономически более выгодной стратегией для подавляющего большинства случаев использования.

Победителями в этой трансформации станут те компании, которые осмелятся радикально сосредоточить свои ресурсы на действительно стратегически важных 20 процентах и ​​полагаться на грамотных партнеров для оставшихся 80 процентов — партнеров, которые обеспечивают более быстрые, дешевые и доказанно более высокие показатели успеха. Остальные останутся погрязшими в разочаровании, побежденные собственной медлительностью в отрасли, которая не проявляет милосердия к нерешительным.

Konrad Wolfenstein

Я с удовольствием стану вашим личным консультантом.

связаться со мной по адресу wolfenstein ∂ xpert.digital

Просто позвоните мне по номеру +49 89 89 674 804 (Мюнхен) .

LinkedIn