Bain & Company: Почему ИИ-бюджеты растут, а отдача — нет, и как Amazon Finance Tech сэкономил 92% времени

Ежегодно советы директоров одобряют всё большие бюджеты на автоматизацию, а генеральные директора подписывают очередные волны внедрений: RPA, машинное обучение, генеративный ИИ, теперь ИИ-агенты. И каждый год ожидаемая экономия оказывается ниже запланированной. Не катастрофически, не настолько, чтобы закрыть программы, но постоянно, тихо и со стабильным отрывом, который должен беспокоить руководителей. Но есть и те, кто добивается успеха, как команда Amazon Finance Technology, сократившая время на обработку налоговых обновлений на 92% с помощью ИИ-агента.

Компании вкладывают миллиарды в ИИ, но часто не видят ожидаемой отдачи. Бюджеты растут, амбиции увеличиваются, а реальная экономия и бизнес-ценность остаются недостижимыми. Причина не в плохой технологии, а в фундаментальных ошибках в подходе: автоматизация сломанных процессов, финансирование новых проектов за счёт несуществующей экономии прошлых, а также недооценка проблем с данными и организационными изменениями. Это не просто потерянные деньги, это упущенные возможности и снижение конкурентоспособности. Но выход есть, и он не требует волшебной технологии.

Почему ИИ-бюджеты растут, а отдача — нет: исследование Bain & Company

Исследование Bain & Company, охватившее 951 глобальную компанию, показало тревожную тенденцию: в то время как 37% компаний планировали сократить расходы на 11-20% благодаря ИИ, почти 40% из тех, кто измерял результаты, добились экономии лишь в диапазоне 0-10%. Технологии работают, но ценность не приходит. И вместо того чтобы разобраться в причинах, 90% этих компаний снова увеличивают свои бюджеты — на этот раз на ИИ-агентов, которые будут действовать с ещё большей автономией и сложностью.

Однако, есть группа компаний, которая нарушает эту закономерность. Они достигают запланированной экономии, уверенно внедряют агентов и финансируют следующую волну за счёт реально полученной прибыли. Они добиваются этого не за счёт лучшей технологии или большего бюджета, а за счёт того, что относятся к доступу к данным, управлению данными и перепроектированию процессов как к проблемам уровня генерального директора, а не ИТ-отдела. Разрыв между этими компаниями и всеми остальными увеличивается.

Три неудобные истины, мешающие успеху ИИ

1. Агенты не так автономны, как кажется. Только 7% компаний используют полностью автономных агентов в производстве. Доминирующая модель (38%) требует «одобрения человека», а ещё 32% работают с ограничениями, когда человек вмешивается, если агент сталкивается с чем-то, с чем не может справиться уверенно. Если бизнес-кейс строился на полной автоматизации, а реальность — это система, направляющая значительную часть решений человеку, то финансовый директор одобрил одни цифры, а организация живёт с другими.
2. Следующая волна финансируется за счёт неполученной прибыли. 44% компаний планируют финансировать инвестиции в генеративный ИИ и ИИ-агентов за счёт экономии от предыдущих программ автоматизации. Это звучит как дисциплина, но на деле это замкнутая ставка с утечкой. Предыдущая волна не принесла ожидаемых результатов, фонд экономии меньше предполагаемого, а инвестиционный кейс для текущей волны был рассчитан на основе прогнозов, а не реальных данных.
3. Данные остаются барьером. Доступ к данным и их интеграция — самая большая преграда для прогресса ИИ, на что указывают 41% респондентов. Несмотря на десятилетие инвестиций в модернизацию данных, причина номер один, по которой программы ИИ не дают результатов, заключается в том, что компании не могут надёжно получить доступ к своим собственным данным.

Как Amazon Finance Technology добилась успеха: конкретный пример

Вместо того чтобы ждать идеального решения проблемы с данными, передовые компании используют ИИ для её решения. Команда Amazon Finance Technology сделала именно это, внедрив ИИ-агента, который отслеживает нормативные обновления по налогу на добавленную стоимость (НДС) на мировых рынках. То, что раньше занимало у налоговых команд 26 минут на одно обновление, теперь занимает 2 минуты — сокращение на 92%. При этом 80% сгенерированных ИИ сводок принимаются экспертами без изменений.

Это не грандиозный проект, а чётко определённый рабочий процесс, где данные уже были доступны, и ИИ заменил ручную сборку и обработку. Такой подход позволяет получить быструю ценность и использовать эти ранние победы для финансирования более масштабной модернизации данных.

Как повторить успех: пять ключевых решений

Компании, которые добиваются успеха с ИИ, принимают несколько конкретных организационных решений:

• Устраните «долги» в рабочих процессах до внедрения ИИ. Самая дорогая ошибка — автоматизация сломанного процесса. ИИ не исправляет «долги» в рабочих процессах; он закрепляет их, ускоряет и делает гораздо более дорогими для устранения. Прежде чем одобрять любую программу ИИ, спросите: «Если бы мы разрабатывали этот процесс с нуля сегодня, как бы он выглядел?» Только после этого начинайте разговор о технологиях.
• Проверяйте инвестиционный кейс и назначайте владельца управления до запуска программ. До утверждения следующей волны расходов на ИИ финансовые директора должны проверять фактическую отдачу от предыдущих программ автоматизации, а не прогнозируемую. Если предыдущая программа принесла 60% от целевой экономии, рассчитывайте текущие инвестиции соответствующим образом.
• Используйте ИИ для решения проблем с данными. Не ждите, пока проблема с данными будет решена первой. Самый быстрый путь к ценности — это автоматизация одного повторяющегося, высокоценного рабочего процесса, где люди в настоящее время вручную извлекают данные, объединяют таблицы и готовят отчёты, заменяя всю эту последовательность ИИ.
• Перепроектируйте операционную модель, а не только процесс. Внедрение ИИ-агентов без изменения того, как люди работают с ними, почти гарантирует, что организация не достигнет целей бизнес-кейса. В операционной модели, управляемой агентами, сотрудники больше не просто выполняют работу по процессу; они оркестрируют, контролируют и принимают важные решения, которые агенты не могут.
• Измеряйте результаты на уровне предприятия, а не программы. Программы всегда будут оптимизироваться под то, что они были разработаны для измерения — обычно это затраты и сэкономленные часы. Для предприятия важно, приносит ли инвестиция в ИИ лучшие решения, более быстрые ответы и лучшие результаты для клиентов. Если эти метрики не отображаются на панели управления генерального директора, программы будут продолжать эффективно поставлять «неправильные» вещи, и разрыв в ценности будет сохраняться, независимо от того, насколько сильно растёт бюджет.

Поворотный момент для большинства компаний — это не поиск лучшей технологии ИИ. Это момент, когда руководители решают — до следующего бюджетного цикла, до следующей презентации поставщика, до запуска следующей программы — что они лично несут ответственность за создание организационных условий для успеха ИИ. Окно для принятия этого решения раньше конкурентов всё ещё открыто, но оно сужается быстрее, чем многие руководители осознают.

Если этот кейс похож на то, что происходит у вас, наш менеджер поможет разобраться: бесплатно проанализирует ваш бизнес и нишу и подскажет, где ИИ-агент даст реальный результат именно в вашем случае. Написать менеджеру