The GenAI Divide: State of AI in Business 2025 (Рубрика #AI)

Прочитал вчера интересный отчет про состояние дел при внедрении AI в индустрию от команды проекта MIT NANDA в составе Aditya Challapally, Chris Pease, Ramesh Raskar и Pradyumna Chari (выпуск июль 2025). Вообще, Project NANDA расшифровывается как Networked Agents and Decentralized Architecture и это исследовательская инициатива MIT, нацеленная на создание инфраструктуры для распределённого интеллекта автономных агентных систем. Исследование проводилось с января по июнь 2025 года и представляет собой предварительный отчёт по реализации GenAI (генеративного ИИ) в бизнесе.

Сам отчет занимает 26 страниц, но если сокращать, то авторы отчета демонстрируют разрыв между широким интересом к генеративному ИИ и реальным бизнес-эффектом от его внедрения. Авторы даже придумали красивое название «GenAI Divide» для описания этого эффекта, которое в цифрах выглядит так

1. Пропасть в результатах
Несмотря на глобальные инвестиции в размере $30–40 млрд, ~95% организаций не получили измеримой отдачи от проектов GenAI, а оставшиеся 5% смогли на этом заработать. Авторы объясняют это не качеством моделей или регулировании, а разными подходами к внедрению технологий. А это обнадеживает, так как поддается исправлению
2. Высокая экспериментация, низкий ROI
AI-инструменты (ChatGPT, GitHub Copilot, ...) получили широкое распространение - более 80% компаний экспериментировали с ними, и почти 40% уже развернули такие решения для сотрудников. Однако эти инструменты в основном повысили индивидуальную продуктивность сотрудников и практически не отразились на ключевых финансовых показателях организации. Иными словами, генеративный ИИ активно пробуется в рабочих процессах, но пока не трансформирует бизнес в широком масштабе.
3. Провалы корпоративных пилотов
Воронка корпоративных проектов выглядит так 60% -> 20% -> 5%, где 60% оценивали корп GenAI решения (кастомные или от вендоров), 20% дошли до пилота, а 5% дошли до прода. В итоге видно, что большинство пилотов так и остаются на месте, не масштабируясь. Главные причины этого - неадаптивные (“хрупкие”) рабочие процессы, отсутствие способности у системы учитывать обратную связь и контекст и слабая интеграция решения в ежедневные операции компании.
4. Явление GenAI Divide
Исследование выявило четыре характерных паттерна, разделяющих успешные и неуспешные организации (GenAI Divide):
- Ограниченное отраслевое воздействие - только 2 из 8 секторов испытывают структурные изменения от ИИ, а точнее это "technology" и "media & telecom"
- Крупные корпорации запускают множество пилотов, но отстают в масштабировании решений
- Бюджеты в основном тратятся на видимые фронт-офис функции (продажи и маркетинг) в ущерб бэк-офис процессам, которые зачастую имеют лучшую отдачу инвестиций
- Проекты с внешними технологическими партнёрами имеют вдвое больший успех по сравнению с внутренними разработками

Главным барьером для масштабирования GenAI-систем оказалась неспособность к обучению: большинство решений не сохраняют контекст, не адаптируются и не улучшаются по мере использования. Тем не менее, небольшая группа лидеров сумела преодолеть этот разрыв за счёт иного подхода - они с самого начала ставили на кастомизацию под процессы и тесную интеграцию ИИ-инструментов в работу, а эффективность измеряли бизнес-результатами, а не техническими метриками модели.

Авторы провели его за первое полугодие 2025 года и использовали несколько источников данных
1. Команда выполнила систематический обзор 300+ публично объявленных AI инициатив, чтобы выявить общие тенденции и результаты проектов
2. Команда провела 52 структурированных интервью с представителями различных организаций, внедряющих GenAI (качественные инсайты «с полей»)
3. Команда проанализировала анкеты 153 руководителей высшего звена (C-level и др.), собранные на четырех крупных отраслевых конференциях.
Такой многосторонний дизайн (анализ кейсов, интервью и опросы) позволил взглянуть на вопросы применения GenAI с разных сторон.

#AI #Engineering #Software #Metrics #Leadership #ML #Metrics