Данные — главный тормоз ИИ: что делать лидерам

ИИ есть у всех. Результатов — почти ни у кого

Кажется, что гонка за искусственным интеллектом уже выиграна: 88% компаний регулярно используют ИИ хотя бы в одной бизнес-функции, а 72% применяют генеративный ИИ — вдвое больше, чем годом ранее. Но за этой статистикой скрывается тревожная реальность.

По данным McKinsey 2025 года, основанным на ответах 1 993 компаний, лишь 5,5% организаций получают реальную финансовую отдачу от инвестиций в ИИ. Пилоты запускаются, демо впечатляют, бюджеты тратятся — но масштаб не берётся. Почему?

Ответ лежит не в алгоритмах и не в мощности GPU. Причина не в нехватке амбиций или технологий. Это нехватка AI-ready данных. Находки McKinsey подтверждают то, что всё больше осознают директора по данным: ИИ ровно настолько ценен, насколько ценны данные, к которым он имеет доступ.

«Дом прочен ровно настолько, насколько прочен его фундамент» — именно так McKinsey описывает зависимость агентного ИИ от качества данных.

Масштаб проблемы: цифры, которые должны вас разбудить

Организации ускоряют AI-инициативы, но их базовые данные не успевают за этим темпом. Лишь 7% компаний заявляют, что их данные полностью готовы к внедрению ИИ, а более четверти (27%) признают, что данные «не очень» или «совсем не» готовы.

Почти две трети предприятий мира экспериментировали с агентами, но менее 10% масштабировали их до получения реальной ценности. Причина — данные: восемь из десяти компаний называют ограничения в данных главным препятствием для масштабирования агентного ИИ.

Гартнер делает жёсткий прогноз: через 2026 год организации откажутся от 60% AI-проектов, не подкреплённых AI-ready данными.

Что особенно коварно — большинство руководителей об этом не знает. Опрос 505 лидеров в области данных и аналитики из крупных глобальных компаний обнажил неожиданную истину: 87% уверенно заявляют о наличии необходимой инфраструктуры, 86% — о нужных компетенциях, 88% — о готовности данных. Но при этом 42%, 41% и 43% соответственно называют именно эти же аспекты своими главными препятствиями. Этот фундаментальный разрыв между уверенностью и реальностью грозит провалом AI-амбиций.

Почему данные стали бутылочным горлышком: четыре сдвига

Неструктурированные данные — главный драйвер четырёх ключевых сдвигов, требующих готовности как структурированных, так и неструктурированных данных. Эти сдвиги усложняют управление данными и стопорят масштабирование ИИ. По мере того как ИИ-системы всё активнее опираются на неструктурированные данные, пробелы в стандартах, инструментах и управлении становятся всё более заметными.

Разговоры с клиентами, электронные письма, контракты и внутренние документы теперь лежат в основе многих корпоративных решений. ИИ-системы активно используют эти данные для генерации ответов в реальном времени, и этот контент не остаётся целым.

Ниже — четыре ключевых сдвига и то, почему каждый из них создаёт проблемы:

Когда компании объясняют, почему AI-инициативы не достигают цели, главные причины — это качество данных (22%), перерасход бюджета (16%) и плохая интеграция в существующие рабочие процессы (15%).

По данным S&P Global Market Intelligence за 2025 год, 42% компаний отказывались от большинства AI-инициатив до выхода в продакшн — против 17% годом ранее.

Что отличает лидеров: playbook высокоэффективных компаний

McKinsey выделяет небольшую группу «AI high performers» — около 6% респондентов, — которые сообщают о значительной ценности и приписывают более 5% EBIT влиянию ИИ. Что они делают иначе?

1. Переработка рабочих процессов — не надстройка поверх старых

Из всех организационных изменений, связанных с успехом генеративного ИИ, фундаментальная переработка рабочих процессов показывает наибольшую корреляцию с влиянием на EBIT. Однако лишь 21% организаций, использующих генеративный ИИ, переработали хотя бы часть процессов. Подавляющее большинство — почти 80% — просто накладывают ИИ поверх существующих процессов, не пересматривая логику работы.

McKinsey установил, что высокоэффективные компании почти в три раза чаще кардинально перепроектировали рабочие процессы, а сильная технологическая и дата-инфраструктура входила в число практик, наиболее тесно связанных с реальной ценностью ИИ.

2. Данные становятся управляемым, переиспользуемым активом

Всё начинается с обеспечения надёжности, понятности, прослеживаемости и переиспользуемости данных — чтобы результаты производились стабильно и вызывали доверие во всех приложениях. Неструктурированные данные должны стать частью управляемой и переиспользуемой дата-платформы вместе со структурированными данными, метаданными и инструментами. Без этого фундамента каждый шаг к масштабированию увеличивает риски и подрывает доверие к результатам.

3. Governance — не бюрократия, а конкурентное оружие

Фреймворк управления данными McKinsey строится на четырёх столпах: лидерство и спонсорство, политики и процедуры управления, стюарды данных и технологические решения.

73% респондентов считают, что их организации должны уделять качеству данных для ИИ больше внимания, чем сейчас. Разрозненность данных (56%) и отсутствие чёткой стратегии данных (44%) занимают первые места среди препятствий для AI-готовности.

4. Лидерство и бюджеты — всерьёз

Более трети высокоэффективных компаний выделяют более 20% цифрового бюджета на ИИ — что делает их в 5 раз более склонными к значительным финансовым ставкам, чем средние организации.

Высокоэффективные по ИИ компании также с большей вероятностью применяют практики, обеспечивающие ценность. Например, они чаще других заявляют, что в их организациях есть определённые процессы для проверки выходных данных моделей с участием человека — для обеспечения точности.

Дорожная карта для лидера: от данных-хаоса к AI-ready организации

graph TD
    A[📊 Аудит данных\nИнвентаризация источников, качества и пробелов] --> B[🏗️ Единая дата-платформа\nОбъединение структурированных и неструктурированных данных]
    B --> C[📋 Data Governance\nСтандарты, стюарды, политики доступа и качества]
    C --> D[🔍 Прослеживаемость и метаданные\nЛинейность данных, аудит, документация]
    D --> E[🤖 AI-ready фундамент\nНадёжные, переиспользуемые данные для агентного ИИ]
    E --> F[📈 Масштабирование ИИ\nОт пилотов к enterprise-ценности]
    style A fill:#f9a825,color:#000
    style F fill:#2e7d32,color:#fff

Шаг 1: Признайте реальное положение дел

Прежде чем запускать очередной пилот, честно ответьте: знаете ли вы, где живут ваши данные? Кто ими владеет? Насколько они полны и актуальны? Организации хотят внедрять ИИ-процессы, но похоже, не понимают важности данных. Четыре критические области отделяют лидеров от отстающих: управление качеством данных, современный data governance, функциональное AI-управление и инвестиции в дата-грамотность.

Шаг 2: Инвестируйте в управляемую дата-платформу

Для получения ценности технологические лидеры могут агентифицировать высокоэффективные рабочие процессы, модернизировать архитектуры данных, обеспечить качество данных и развить операционные модели.

Конкретные шаги:

• Устраните data silos — интегрируйте разрозненные хранилища в единую управляемую среду
• Внедрите data lineage — отслеживайте происхождение и трансформации каждого набора данных
• Автоматизируйте контроль качества — настройте пайплайны проверки данных перед подачей в AI-системы
• Назначьте дата-стюардов — конкретных людей, отвечающих за качество данных в каждом домене

Шаг 3: Перепроектируйте процессы, а не надстраивайте ИИ сверху

Масштабирование агентного ИИ требует превращения неструктурированных данных в управляемые, переиспользуемые активы, которые системы могут интерпретировать и которым доверяют. Лидеры в области данных могут начать с создания общих фундаментов и соблюдения стандартов.

Шаг 4: Выстройте AI governance с учётом данных

McKinsey’s AI Trust Maturity Model охватывает пять измерений: стратегия, управление рисками, данные и технологии, governance, а также — новое в 2026 году — управление агентным ИИ и контроль, отражающие растущую важность управления всё более автономными системами.

Лишь около трети организаций сообщают об уровне зрелости три и выше в стратегии, governance и агентном управлении. Этот дисбаланс говорит о том, что хотя технические и риск-менеджерские возможности растут, организационное согласование и структуры надзора не успевают за быстрым расширением использования ИИ.

Заключение: данные — это стратегия

Мы вошли в эпоху, когда конкурентное преимущество определяется не тем, какую LLM вы используете, а тем, насколько хорошо вы управляете своими данными. По мере того как корпоративный ИИ переходит от экспериментов к исполнению, готовность данных становится определяющим фактором, разделяющим лидеров и отстающих.

Разрыв в AI-усвоении — это не технологическая проблема. Это проблема лидерства и операционной модели. И решается она не покупкой очередного AI-инструмента, а системной работой с данными: их качеством, управляемостью, прослеживаемостью и переиспользуемостью.

Лидеры, которые поймут это сейчас, получат не просто лучшие AI-результаты. Они получат дата-актив, который будет работать на них годами — независимо от того, какие модели придут ему на смену.

Три вопроса, которые стоит задать себе уже сегодня:

1. Знаем ли мы, где живут наши данные и кто за них отвечает?
2. Можем ли мы проследить путь любого вывода AI-системы обратно к источнику?
3. Есть ли у нас стратегия данных — или только стратегия ИИ?