ai

Пока одни компании рапортуют о двузначном росте эффективности благодаря искусственному интеллекту(AI), другие тратят миллионы — и не видят результата. Разрыв между победителями и проигравшими в этой гонке определяется не качеством выбранных моделей и не размером бюджета. Он определяется тем, насколько честно руководство компании отвечает на пять неудобных вопросов.
Первый вопрос: умеют ли ваши люди работать с AI — или только делают вид?
Нехватка навыков — главный барьер для внедрения AI, о котором говорят члены советов директоров и топ-менеджеры по всему миру. Причем речь идет о двух совершенно разных типах компетенций, которые компании нередко путают между собой.
Технические роли — инженеры по данным, специалисты по машинному обучению, архитекторы облачных решений — действительно в дефиците. Согласно отчету WTW об AI и цифровых талантах за 2025 год, в финансовом секторе Европы особенно востребованы специалисты в области анализа данных и их визуализации, предиктивной аналитики и дата-сторителлинга.
Но техника — это лишь половина задачи. CHRO Cisco Келли Джонс (Kelly Jones) справедливо заметила: мягкие навыки становятся новыми твердыми. Всемирный экономический форум в докладе «Будущее рабочих мест — 2025» назвал пять ключевых компетенций эпохи AI: аналитическое мышление, жизнестойкость, эмпатичное лидерство, творческое мышление и самосознание. Компании, которые инвестируют только в технарей, но не развивают эти качества в менеджменте, рискуют получить мощный инструмент в руках людей, не знающих, зачем он им нужен.
Второй вопрос: данные — ваш актив или ваша проблема?
Многие организации недооценивают этот барьер, считая данные чем-то само собой разумеющимся. Это ошибка, которая дорого обходится. По данным отчета PEX за 2025–2026 годы, 52% компаний называют качество и доступность данных главным препятствием на пути к AI.
Проблема не в том, что данных мало — их, как правило, слишком много. Проблема в том, что они разрознены, плохо структурированы и нередко принадлежат разным подразделениям, которые ревностно охраняют свои «цифровые владения». Добавьте сюда вопросы регулирования, кибербезопасности и права собственности — и вы получите типичный корпоративный цифровой хаос, в котором даже самый совершенный AI окажется бессилен.
Данные — это не нефть, которую достаточно добыть. Это скорее огород: он требует постоянного ухода, чистки и правильной организации.
Третий вопрос: вы финансируете AI или латаете им дыры в бюджете?
По прогнозам Gartner, мировые расходы на AI достигнут $2 триллионов в 2026 году. Только на AI-сервисы придется около $325 миллиардов. Цифры внушительные — но сами по себе они не гарантируют результата.
Характерная история 2025 года: многие компании сократили найм персонала, объяснив это автоматизацией процессов с помощью AI. Но при более детальном анализе выяснилось, что дело было не в замене людей машинами — просто бизнес использовал сэкономленный фонд оплаты труда для финансирования AI-инициатив. Это тактически понятное, но стратегически сомнительное решение: перекладывать риски с одной статьи расходов на другую — не то же самое, что создавать новую ценность.
Лидеры, добивающиеся реального ROI, смотрят на горизонт в три-пять лет и выстраивают портфель AI-инвестиций с таким же вниманием, с каким прежде управляли M&A или R&D.
Четвертый вопрос: где вы возьмете электричество?
Этот вопрос звучит неожиданно на фоне разговоров о трансформации бизнеса — но именно он становится одним из самых острых ограничений для AI-стратегий крупных компаний.
Аналитики Goldman Sachs прогнозируют: к 2030 году потребление электроэнергии центрами обработки данных вырастет на 175% относительно уровня 2023 года. Тренировка и эксплуатация крупных языковых моделей требует вычислительных мощностей, работающих круглосуточно. Чипы становятся все более производительными — и все более энергоемкими.
Для большинства компаний это не абстрактная проблема инфраструктуры — это вопрос конкурентоспособности. Там, где энергия дорога или ненадежна, развитие AI-систем объективно ограничено. WTW предупреждает: риски, связанные с дата-центрами, нужно рассматривать не как локальные технические вопросы, а как часть глобальной критической инфраструктуры, от которой зависит вся цифровая стратегия.
Пятый вопрос: вы внедрили AI в старые процессы или переосмыслили сами процессы?
Это, пожалуй, самый важный вопрос — и самый неудобный. Большинство неудач с внедрением AI происходит именно здесь: компании берут существующие рабочие процессы и просто «прикручивают» к ним нейросеть. Результат предсказуем — дорого и бесполезно.
Лидеры, добившиеся успеха, действовали иначе. Они задавали принципиально другой вопрос: не «как AI поможет делать то, что мы уже делаем», а «что вообще стоит делать с учетом возможностей AI». Это требует готовности пересмотреть сложившиеся роли, отказаться от привычных метрик и временно снизить эффективность ради долгосрочного преимущества.
У машин есть очевидные сильные стороны: автоматизация рутины, распознавание паттернов в огромных массивах данных, предсказательная аналитика, работа в рамках заданных правил. У людей — свое: контекстное мышление, этические суждения, эмпатия, действия в непредвиденных ситуациях. Лучшие результаты получаются не там, где одно заменяет другое, а там, где оба работают в связке — каждый на своем месте.
Пять барьеров — навыки, данные, капитал, энергия, процессы — не новость. О каждом из них говорят давно. Новость в другом: компании, которые системно преодолевают все пять одновременно, начинают уходить в отрыв с такой скоростью, что догнать их через два-три года будет почти невозможно. Вопрос не в том, внедрять ли AI. Вопрос в том, есть ли у вас время откладывать это решение.
Мнение AI
С точки зрения машинного анализа данных, пять барьеров, описанных в статье, — это не равнозначные препятствия. Исторические паттерны технологических трансформаций показывают: энергетический барьер оказался «узким горлом» и для электрификации промышленности в начале XX века, и для расцвета интернета в 1990-х. Тогда инфраструктурные ограничения тоже казались непреодолимыми — до тех пор, пока рынок не породил неожиданные решения. Любопытно, что именно этот барьер наиболее устойчив к управленческим решениям: можно нанять специалистов и переосмыслить процессы, но ускорить строительство электростанций корпоративной волей не получится.
Статистика по данным заслуживает отдельного внимания: 52% компаний называют качество данных главным барьером — но это означает, что почти половина организаций либо решила эту проблему, либо её недооценивает. Второй вариант статистически более вероятен. Насколько честна корпоративная самооценка в вопросах AI-готовности — остаётся открытым вопросом.
#AI #AImodel #BinanceSquare #Write2Earn
$ETH