⠀
Бум генеративного ИИ запустил инвестиционный цикл объемом более $1 трлн, но вместе с ним растет и скепсис. По данным Gartner, до 80–85% корпоративных экспериментов с Gen AI не доходят до измеримого финансового результата, а McKinsey оценивает, что эффект на уровне операционной прибыли пока фиксируют лишь 39% компаний, использующих AI.
⠀
На первый взгляд, цифры выглядят тревожно. Но для инвестора важнее понять, почему проекты закрываются, где AI уже показывает реальную экономику и какие компании сумели перейти от эксперимента к устойчивому спросу.
⠀
➡️ Почему корпоративные AI-проекты проваливаются
⠀
Проблема часто не в самой технологии. При масштабировании резко растут затраты на вычисления, возникают ограничения по безопасности и доступу к данным, а интеграция с устаревшими ERP- и CRM-системами оказывается сложнее, чем на этапе пилота.
⠀
Например, 42% корпоративных заказчиков сталкиваются с нерентабельностью при масштабировании AI, а 47% компаний называют главным барьером интеграцию с устаревшими системами.
⠀
➡️ Почему доля успешных пилотов – не главный показатель
⠀
AI относится к технологиям общего назначения, где на раннем этапе рынок перебирает множество моделей применения. Поэтому важнее смотреть на результаты решений, которые уже нашли спрос.
⠀
AI-компании с подтвержденным соответствием продукта рынку в среднем достигают $30–50 млн годовой регулярной выручки примерно за 20 месяцев. B2B SaaS-компаниям предыдущего поколения для этого требовалось более пяти лет.
⠀
Высокая доля неудачных AI-проектов скорее отражает отбор бизнес-моделей на раннем этапе рынка. При этом отдельные успешные решения уже показывают быстрый рост выручки и измеримый эффект для клиентов.
➡️ Где AI уже демонстрирует реальный спрос
⠀
Одно из наиболее зрелых направлений – автоматизация разработки. Microsoft #MSFT масштабирует GitHub Copilot: его выручка уже превышает финансовые показатели всего GitHub на момент покупки компании, а продукт развернули более 90% компаний Fortune 100. Вставленный Markdown
⠀
Еще один пример – клиентский сервис. Klarna #KLAR с помощью AI-ассистентов обрабатывает около двух третей входящих обращений, что соответствует объему работы примерно 700 сотрудников, а среднее время решения проблемы сократилось с 11 до 2 минут. Вставленный Markdown
⠀
➡️ Еще 7 публичных и частных компаний, которые уже демонстрируют реальный спрос на AI-продукты собрали в полном отчете → прочитать сейчас
Задать вопрос | Аудит портфеля