Упущенная выгода в производительности: проекты ИИ не приносят ощутимой выгоды 95% компаний и как они (должны) этого избежать

Важно знать! Парадокс искусственного интеллекта: почему миллиарды долларов, вложенные в компании, терпят крах

Несмотря на беспрецедентные инвестиции в размере от 30 до 40 миллиардов долларов в генеративный искусственный интеллект, 95% компаний не получают ощутимой отдачи от своих инвестиций. Эта отрезвляющая статистика, выявленная в ходе комплексного исследования Массачусетского технологического института (MIT) за 2025 год, демонстрирует резкий разрыв между ожиданиями и реальностью. Хотя эта технология ежедневно попадает в заголовки новостей и провозглашается ключом к будущему успеха, подавляющее большинство компаний не получают реальной выгоды от своих инициатив в области ИИ.

Разрыв GenAI: невидимый разрыв в экономике

Массачусетский технологический институт (MIT) ввёл термин «GenAI Divide» (разрыв GenAI) для обозначения этого феномена — глубокого разрыва между немногими компаниями, получающими выгоду от искусственного интеллекта, и массами, застрявшими в бесконечных пилотных проектах. Этот разрыв проявляется не как техническая проблема, а как организационный сбой с далеко идущими последствиями.

Цифры говорят сами за себя: лишь 5% интегрированных пилотных проектов ИИ в настоящее время приносят измеримую ценность, в то время как остальные 95% не оказывают никакого влияния на конечный результат. Эта разница становится ещё более заметной, учитывая высокий уровень внедрения таких потребительских инструментов, как ChatGPT и Microsoft Copilot. Около 80% организаций тестируют эти платформы, и почти 40% уже внедрили их.

Результаты исследования основаны на систематическом анализе более 300 публичных реализаций ИИ и структурированных интервью со 153 руководителями из различных отраслей. Исследование, проведенное с января по июнь 2025 года, выявило четыре характерные особенности разрыва GenAI: ограниченное влияние только на два из восьми основных секторов, корпоративный парадокс с высокой пилотной активностью, но низким масштабированием, инвестиционный уклон в пользу видимых функций и преимущество внешних партнерств перед собственными разработками при внедрении.

Workslop: скрытый яд производительности ИИ

Одно из особенно пагубных явлений, выявленных в ходе исследования, называется «workslop» (рабочий мусор) — это гибрид слов «work» (работа) и «slop» (непонятный мусор). Это понятие описывает контент, созданный ИИ, который на первый взгляд кажется профессиональным, но при ближайшем рассмотрении оказывается неполным и непригодным к использованию. Этот, казалось бы, отточенный, но бессодержательный труд перекладывает бремя с создателя на получателя, тем самым увеличивая общую нагрузку, а не снижая её.

Влияние Workslop весьма существенно: 40% из более чем 1150 опрошенных штатных сотрудников в США сообщили, что получали подобный контент в прошлом месяце. По оценкам сотрудников, в среднем 15,4% рабочих документов, которые они получают, попадают в эту категорию. Особенно пострадали сфера профессиональных услуг и технологические отрасли, где это явление встречается непропорционально часто.

Финансовые издержки значительны: каждый инцидент с Workslop обходится компаниям в среднем в 186 долларов в месяц на одного сотрудника. Для организации с 10 000 сотрудников это означает более 9 миллионов долларов ежегодной потери производительности. Но социальные и эмоциональные издержки потенциально ещё более значительны. 53% получателей испытывают раздражение, 38% испытывают замешательство, а 22% считают контент оскорбительным.

Доверие между коллегами значительно снижается: около половины получателей считают коллег, отправляющих сообщения через Workslop, менее креативными, способными и надёжными. 42% считают их менее надёжными, а 37% — менее умными. Треть пострадавших предпочла бы меньше работать с такими коллегами в будущем. Такое разрушение рабочих отношений ставит под угрозу важнейшие элементы сотрудничества, необходимые для успешного внедрения ИИ и управления изменениями.

Структурный разрыв в обучении: почему компании терпят неудачу

Центральная проблема заключается не в самой технологии, а в фундаментальном пробеле в обучении, который затрагивает как системы ИИ, так и организации. Современные системы генеративного ИИ не способны постоянно хранить обратную связь, адаптироваться к организационному контексту и постоянно повышать свою эффективность. Эти ограничения приводят к тому, что даже специалисты, ежедневно использующие ChatGPT в личных целях, отказываются от внутренних реализаций ИИ в своих компаниях.

Особенно яркий пример привела юрист, которая сообщила, что инструмент анализа контрактов её компании стоимостью 50 000 долларов постоянно уступал её подписке на ChatGPT за 20 долларов. Это несоответствие подчёркивает парадокс: потребительские инструменты часто дают лучшие результаты, чем дорогие корпоративные решения, хотя и те, и другие основаны на схожих моделях.

Недооценённая слабость корпоративного ИИ и то, как потребительские инструменты его обходят

Разительное превосходство недорогих потребительских инструментов ИИ, таких как ChatGPT, над дорогими корпоративными решениями объясняется несколькими конкретными причинами. Основная проблема заключается в том, что корпоративные системы ИИ, несмотря на свою высокую специализированность и высокую стоимость, часто разрабатываются без учёта критически важных потребностей пользователей и динамичной эволюции моделей. Потребительские инструменты зачастую более гибкие, интуитивно понятные и лучше оптимизированы благодаря миллионам взаимодействий с пользователем. Корпоративные же системы, с другой стороны, ограничены сложными интеграциями, разрозненными хранилищами данных и жёсткими рабочими процессами, а также часто не сохраняют обратную связь.

Ключевая проблема заключается в отсутствии адаптивности: корпоративные решения внедряются один раз и затем развиваются медленно, в то время как потребительские инструменты ИИ постоянно обучаются на основе отзывов пользователей и текущих знаний. С помощью ChatGPT пользователи могут задавать вопросы прямо в диалоге, изменять вводимые данные и мгновенно получать оптимизированный результат. Многие корпоративные решения, с другой стороны, основаны на формальных формах и используют предопределенные, часто устаревшие текстовые модули, что делает их крайне негибкими и неотзывчивыми.

К этому следует добавить высокие затраты на интеграцию и администрирование: дорогостоящие решения необходимо адаптировать к корпоративным процессам, политикам защиты данных и интерфейсам, а из-за чрезмерных систематических ограничений они не успевают за темпами инноваций в потребительских предложениях. В частности, для таких специфических задач, как анализ контрактов, универсальные модели часто оказываются ещё более эффективными, поскольку охватывают более широкий спектр знаний и могут управляться пользователями напрямую благодаря более эффективным подсказкам. Корпоративные ИИ, разработанные на заказ, часто не имеют полноценной базы данных и не могут самостоятельно расширяться и изучать контекст.

В конечном итоге все эти аспекты приводят к парадоксальной ситуации: хотя на, казалось бы, персонализированный корпоративный ИИ тратятся большие суммы денег, его результаты часто оказываются менее релевантными, более практичными или более точными, чем результаты более дешевых, гибких потребительских решений, которые можно напрямую и легко адаптировать к конкретным потребностям пользователей.

Невидимые ограничения основных инструментов ИИ

Инструменты потребительского ИИ, как правило, оптимизированы для решения широких, популярных тем и общих задач. Данные для обучения, на которых они основаны, обычно берутся из общедоступных источников, таких как интернет, общедоступные тексты и распространённые повседневные примеры. Это делает их особенно эффективными для решения распространённых вопросов, работы с общими текстами или стандартных процессов, например, для создания маркетинговых текстов, ответов на электронные письма или автоматизации простых рутинных задач.

Однако чем более специализированы требования, тем сильнее ограничены возможности универсального потребительского ИИ. Когда речь идёт о отраслевых или критически важных для бизнеса задачах, этим инструментам обычно не хватает необходимой подробной информации, данных по предметной области или специальной подготовки. Такие задачи, как анализ контрактов, требующий сложной юридической терминологии, технических отчётов или узкоспециализированных B2B-процессов, часто невозможно эффективно автоматизировать, поскольку ИИ не обладает знаниями соответствующего контекста или не может его надёжно интерпретировать.

Это особенно заметно в узкоспециализированных отраслях и с индивидуальными требованиями, характерными для каждой компании. Чем меньше информации доступно в свободном доступе, например, об основном продукте компании или конфиденциальных внутренних процессах, тем выше уровень ошибок потребительского ИИ. В результате такие системы рискуют выдавать неверные или неполные рекомендации, а в худшем случае могут даже затруднить критически важные бизнес-процессы или привести к ошибочным выводам.

На практике это означает, что потребительских инструментов ИИ обычно достаточно для решения основных задач; однако с ростом специализации частота отказов этих инструментов значительно возрастает. Поэтому компании, полагающиеся на отраслевые знания, точную валидацию процессов или глубокую настройку, в долгосрочной перспективе получают выгоду от собственных корпоративных решений со специализированными базами данных и индивидуальным обучением.

Настоящее препятствие для масштабирования ИИ — не интеллект: когда высокие ожидания гибкости снижаются

Препятствия к успешному масштабированию ИИ многочисленны: прежде всего, это нежелание внедрять новые инструменты, а затем — опасения по поводу качества моделей. Особенно интересно, что эти опасения связаны не с объективными недостатками производительности, а с тем, что пользователи привыкли к гибкости и отзывчивости потребительских инструментов и поэтому считают статические корпоративные инструменты неадекватными.

Разрыв ещё более заметен в критически важной работе: 70% пользователей предпочитают ИИ для простых задач, таких как написание электронных писем или базовая аналитика, а 90% предпочитают людей для сложных проектов или обслуживания клиентов. Разрыв основан не на интеллекте, а на способности запоминать, адаптироваться и постоянно учиться.

Теневая экономика искусственного интеллекта: секретная революция искусственного интеллекта на рабочем месте

Параллельно с разочаровывающими официальными инициативами в области ИИ процветает «теневая экономика ИИ», в рамках которой сотрудники используют персональные инструменты ИИ для выполнения рабочих задач, часто без ведома или одобрения ИТ-отдела. Масштабы поражают: хотя только 40% компаний сообщают о приобретении официальной подписки на ИИ, сотрудники более чем 90% опрошенных компаний регулярно используют персональные инструменты ИИ в рабочих целях.

Эта параллельная экономика раскрывает важный момент: отдельные лица могут успешно преодолеть разрыв GenAI, имея доступ к гибким и адаптивным инструментам. Организации, которые распознают и развивают эту модель, представляют собой будущее внедрения корпоративного ИИ. Прогрессивные компании уже начинают преодолевать этот разрыв, изучая теневое использование и анализируя, какие персональные инструменты приносят пользу, прежде чем приобретать корпоративные альтернативы.

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

Управляемая платформа ИИ — это ваш комплексный и простой в использовании пакет решений для искусственного интеллекта. Вместо того, чтобы разбираться со сложными технологиями, дорогостоящей инфраструктурой и длительными процессами разработки, вы получаете готовое решение, адаптированное под ваши потребности, от специализированного партнера — часто в течение нескольких дней.

Краткий обзор основных преимуществ:

⚡ Быстрое внедрение: от идеи до внедрения в эксплуатацию — всего за несколько дней, а не месяцев. Мы предлагаем практичные решения, которые приносят мгновенную пользу.

🔒 Максимальная безопасность данных: Ваши конфиденциальные данные остаются у вас. Мы гарантируем безопасную и соответствующую требованиям обработку данных без передачи третьим лицам.

💸 Отсутствие финансового риска: вы платите только за результат. Высокие первоначальные вложения в оборудование, программное обеспечение или персонал полностью исключены.

🎯 Сосредоточьтесь на своей основной деятельности: сосредоточьтесь на том, что у вас получается лучше всего. Мы возьмём на себя всю техническую реализацию, эксплуатацию и обслуживание вашего ИИ-решения.

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

Подробнее об этом здесь:

• Управляемое решение на основе ИИ — промышленные услуги ИИ: ключ к конкурентоспособности в секторах услуг, промышленности и машиностроения

Нерациональное использование инвестиций: гламур вместо содержания

Ещё один важный аспект раскола в GenAI очевиден в структуре инвестиций: примерно 50% бюджета GenAI направляется на функции продаж и маркетинга, хотя автоматизация бэк-офиса часто обеспечивает более высокую окупаемость инвестиций. Это смещение отражает не фактическую стоимость, а скорее более лёгкое распределение метрик по видимым областям.

Продажи и маркетинг доминируют в распределении бюджета не только благодаря своей наглядности, но и потому, что такие результаты, как объёмы демонстрационных показов или время ответа на электронные письма, напрямую коррелируют с показателями совета директоров. Юридические, закупочные и финансовые функции, с другой стороны, предлагают более тонкие преимущества в плане эффективности, такие как сокращение количества нарушений нормативных требований, оптимизация рабочих процессов или ускорение закрытия месяца — важные, но трудно объяснимые улучшения.

Этот инвестиционный уклон закрепляет раскол GenAI, направляя ресурсы на очевидные, но зачастую менее трансформирующие сценарии использования, в то время как возможности с максимальной окупаемостью инвестиций остаются недофинансированными в бэк-офисных функциях. Более того, стремление к социальному подтверждению влияет на решения о покупке сильнее, чем качество продукта: рекомендации, существующие отношения и привлечение венчурного капитала остаются более значимыми факторами, предсказывающими принятие решения предприятием, чем функциональность или набор функций.

Структурные различия: корпоративный ИИ против потребительского ИИ

Фундаментальные различия между корпоративным и потребительским ИИ объясняют многие наблюдаемые проблемы. Потребительский ИИ ориентирован на улучшение клиентского опыта и персонализацию отдельных пользователей, в то время как корпоративный ИИ предназначен для оптимизации организационных процессов, обеспечения соответствия требованиям и предоставления масштабируемых решений для сложных бизнес-требований.

Корпоративный ИИ требует глубоких знаний в своей области и часто использует методы контролируемого обучения для достижения результатов, ориентированных на ключевые показатели эффективности (KPI). Он должен интегрироваться в сложные ИТ-ландшафты, соответствовать нормативным требованиям и внедрять надежные меры безопасности данных. Потребительский ИИ, напротив, ставит во главу угла простоту использования и мгновенное удовлетворение потребностей, часто в ущерб безопасности и соблюдению нормативных требований.

Эти структурные различия объясняют, почему одна и та же базовая модель отлично работает в потребительских приложениях, но не работает в корпоративных средах. Корпоративный ИИ должен быть не только технически функциональным, но и интегрироваться в существующие бизнес-процессы, соответствовать требованиям управления и демонстрировать создание долгосрочной ценности.

Стратегии успеха: как пять процентов преодолевают разрыв

Те немногие компании, которым удалось преодолеть разрыв между поколениями ИИ, следуют узнаваемой схеме. Они относятся к стартапам в области ИИ не как к поставщикам программного обеспечения, а как к поставщикам бизнес-услуг, сравнимым с консалтинговыми фирмами или партнёрами по аутсорсингу бизнес-процессов. Эти организации требуют глубокого соответствия внутренним процессам и данным, оценивают инструменты на основе операционных результатов, а не эталонных показателей, и рассматривают внедрение как совместную эволюцию, преодолевая ранние неудачи.

Особого внимания заслуживает тот факт, что внешние партнёрства имеют примерно вдвое большую успешность, чем внутренняя разработка. Хотя 67% стратегических партнёрств приводят к успешному внедрению, лишь 33% усилий по внутренней разработке достигают этой цели. Такие партнёрства часто обеспечивают более быструю оценку, снижение общих затрат и лучшую согласованность с операционными процессами.

Успешные закупщики получают информацию об инициативах в области ИИ от руководителей низового звена, а не от центральных лабораторий, что позволяет распорядителям бюджета и менеджерам доменов выявлять проблемы, оценивать инструменты и руководить их внедрением. Такой подход к закупкам снизу вверх в сочетании с подотчётностью руководства ускоряет внедрение и поддерживает операционную готовность.

Изменения в отрасли: технологии лидируют, другие нерешительно следуют за ними

Разрыв GenAI отчетливо виден на отраслевом уровне. Несмотря на высокие инвестиции и масштабную пилотную деятельность, только два из девяти основных секторов — технологии и медиа/телекоммуникации — демонстрируют явные признаки структурных изменений. Все остальные секторы остаются в ловушке трансформации.

В технологической отрасли появляются новые конкуренты, увеличивающие долю рынка, и происходят изменения в рабочих процессах. В медиа и телекоммуникациях наблюдается рост популярности контента, созданного с использованием искусственного интеллекта, и меняется динамика рекламы, несмотря на продолжающийся рост уже существующих компаний. Профессиональные услуги демонстрируют рост эффективности, но качество обслуживания клиентов в целом остаётся неизменным.

Ситуация особенно драматична в традиционных отраслях: в энергетике и производстве материалов наблюдается практически полное отсутствие внедрения и минимальное количество экспериментов. Передовые отрасли ограничиваются пилотными проектами по поддержанию работоспособности без существенных изменений в цепочке поставок. Это несоответствие между инвестициями и изменениями демонстрирует разрыв GenAI на макроуровне — широкое экспериментирование без трансформации.

Немецкая перспектива: особые проблемы и возможности

Немецкие компании сталкиваются с особыми трудностями при внедрении ИИ. Лишь шесть процентов немецких компаний оптимально подготовлены к использованию искусственного интеллекта, что ниже показателя предыдущего года. В международном сравнении Германия занимает лишь шестое место в Европе по количеству компаний, полностью готовых к использованию ИИ.

Особую проблему представляет тот факт, что 84% руководителей в Германии опасаются негативных последствий, если не реализуют свои стратегии в области ИИ в течение следующих 18 месяцев. При этом три четверти немецких компаний не внедрили политику в области ИИ. Только 40% располагают достаточным количеством специалистов для удовлетворения требований в области ИИ.

Основными препятствиями для немецких компаний являются нехватка квалифицированных рабочих (34% по сравнению с 28% в мире), проблемы кибербезопасности и соответствия требованиям (33%), а также проблемы масштабируемости инфраструктуры данных (25%). Эти проблемы усугубляются неопределенностью в сфере регулирования, культурными особенностями и определённым скептицизмом в отношении технологий.

Тем не менее, возможности появляются: немецкие компании могут объединить свои преимущества в точности и качестве с инновациями в области ИИ. В таких отраслях, как машиностроение и автомобилестроение, ИИ может помочь оптимизировать процессы и дополнительно повысить качество продукции. Специализированный ИИ не устаёт даже после тысяч итераций и способен выжать последние проценты, чтобы достичь совершенства.

Агентный ИИ: следующий этап эволюции

Решение проблемы обучения кроется в так называемом агентном ИИ — классе систем, которые изначально интегрируют персистентную память и итеративное обучение. В отличие от существующих систем, которым каждый раз требуется полный контекст, агентные системы сохраняют персистентную память, обучаются в процессе взаимодействия и могут автономно организовывать сложные рабочие процессы.

Ранние эксперименты компании с агентами по работе с клиентами, обрабатывающими полные запросы от начала до конца, агентами по финансовой обработке, контролирующими и утверждающими стандартные транзакции, и агентами по воронке продаж, отслеживающими взаимодействие по всем каналам, демонстрируют, как автономность и память устраняют выявленные основные пробелы.

Инфраструктура для поддержки этого перехода формируется благодаря таким фреймворкам, как Model Context Protocol (MCP), Agent-to-Agent (A2A) и NANDA, которые обеспечивают взаимодействие и координацию агентов. Эти протоколы создают рыночную конкуренцию и экономическую эффективность, позволяя специализированным агентам взаимодействовать друг с другом, а не требуя монолитных систем.

Практические решения для компаний

Компаниям, стремящимся преодолеть разрыв в отношении GenAI, следует использовать несколько стратегий. Во-первых, крайне важно избегать неизбирательных предписаний: когда руководители постоянно и повсеместно выступают за внедрение ИИ, они демонстрируют отсутствие здравого смысла в применении этой технологии. GenAI подходит не для всех задач и не умеет читать мысли.

Мышление сотрудников играет решающую роль: исследования показывают, что сотрудники с высокой степенью активности и высоким уровнем оптимизма (так называемые «пилоты») используют GenAI на 75% чаще на работе, чем «пассажиры» с низкой степенью активности и низким уровнем оптимизма. Пилоты используют ИИ целесообразно для достижения своих целей и повышения креативности, в то время как пассажиры чаще используют ИИ, чтобы избежать работы.

Особое внимание следует уделить возвращению к совместной работе. Многие задачи, необходимые для успешной работы ИИ, — предоставление подсказок, предоставление обратной связи, описание контекста — подразумевают совместную работу. Сегодняшняя работа требует всё большего взаимодействия, не только с людьми, но и с ИИ. Workslop — отличный пример новой динамики совместной работы, привнесённой ИИ, которая скорее снизит производительность, чем повысит её.

Факторы организационного успеха и управление изменениями

Успешное внедрение ИИ требует особой организационной структуры. Наиболее успешные компании децентрализуют полномочия по внедрению, сохраняя при этом подотчётность. Они позволяют руководителям и экспертам в предметной области выявлять варианты использования и оценивать инструменты, не полагаясь исключительно на централизованные функции ИИ.

Извлечение уроков из теневой экономики искусственного интеллекта особенно важно. Многие из самых успешных корпоративных внедрений начинались с опытных пользователей — сотрудников, которые уже экспериментировали с инструментами для повышения личной продуктивности, такими как ChatGPT или Claude. Эти «просьюмеры» интуитивно понимают возможности и ограничения GenAI и становятся первыми сторонниками решений, одобренных внутри компании.

Измерение и информирование об успехе требуют новых подходов. В то время как традиционные метрики программного обеспечения фокусируются на функциональности и освоении пользователями, корпоративный ИИ необходимо оценивать на основе бизнес-результатов и улучшений процессов. Компаниям необходимо научиться количественно оценивать и сообщать о небольших, но важных улучшениях, таких как сокращение количества нарушений нормативных требований или ускорение рабочих процессов.

Закрывающееся окно возможностей

Время, отведенное для преодоления разрыва в GenAI, стремительно сокращается. Компании всё чаще требуют систем, способных адаптироваться со временем. Microsoft 365 Copilot и Dynamics 365 уже интегрируют персистентную память и циклы обратной связи. Бета-версия памяти ChatGPT от OpenAI демонстрирует аналогичные ожидания в отношении инструментов общего назначения.

Стартапы, которые быстро устраняют этот разрыв, разрабатывая адаптивных агентов, обучающихся на основе обратной связи, опыта использования и результатов, могут создать прочные продуктовые рвы благодаря как данным, так и глубине интеграции. Окно возможностей узкое: пилотные проекты уже реализуются во многих отраслях. В ближайшие кварталы несколько компаний установят отношения с поставщиками, которые будет практически невозможно разорвать.

Организации, инвестирующие в системы искусственного интеллекта, обучающиеся на основе данных, рабочих процессов и обратной связи, создают ежемесячные затраты на переключение. ИТ-директор финансовой компании стоимостью 5 миллиардов долларов подытожил: «Сейчас мы оцениваем пять различных решений GenAI, но та система, которая лучше всего обучается и адаптируется к нашим конкретным процессам, в конечном итоге выиграет наш бизнес. Как только мы вложим время в обучение системы пониманию наших рабочих процессов, затраты на переключение станут непомерно высокими».

Разрыв в GenAI реален и глубок, но он не непреодолим. Компании, которые понимают его глубинные причины — пробелы в обучении, проблемы организационной структуры и инвестиционные предубеждения — и действуют соответствующим образом, могут по-настоящему использовать преобразующую силу искусственного интеллекта. Однако время на действия ограничено, а цена ожидания растёт экспоненциально.

☑️ Наш деловой язык — английский или немецкий.

☑️ НОВИНКА: Переписка на вашем национальном языке!

 

Я был бы рад служить вам и моей команде в качестве личного консультанта.

Вы можете связаться со мной, заполнив контактную форму или просто позвоните мне по телефону +49 89 89 674 804 (Мюнхен) . Мой адрес электронной почты: wolfenstein ∂ xpert.digital

Я с нетерпением жду нашего совместного проекта.

 

 

☑️ Поддержка МСП в разработке стратегии, консультировании, планировании и реализации.

☑ Создание или перестройка стратегии ИИ

☑️ Пионерское развитие бизнеса

Отраслевые направления: B2B, цифровизация (от искусственного интеллекта до расширенной реальности), машиностроение, логистика, возобновляемые источники энергии и промышленность

Подробнее об этом здесь:

• Xpert Business Hub

Тематический центр с идеями и опытом:

• Платформа знаний о мировой и региональной экономике, инновациях и отраслевых тенденциях
• Сбор анализов, импульсов и справочной информации из наших приоритетных направлений
• Место для получения экспертных знаний и информации о текущих событиях в бизнесе и технологиях
• Тематический центр для компаний, желающих узнать больше о рынках, цифровизации и отраслевых инновациях