Девяносто один процент компаний среднего бизнеса заявляют, что уверены в своей внутренней экспертизе по ИИ. Десять процентов действительно вывели все свои ИИ-инициативы за пределы пилотной стадии (IT Brief UK, 2026).
Те же 500 респондентов. То же исследование. Те же шесть недель полевого этапа.
Расстояние между этими двумя цифрами — то место, где умирают ИИ-пилоты среднего бизнеса, и причина, по которой большинство из них умирает, — не та, которую финансируют. Когда тех же руководителей спросили, почему проекты застопорились, 48% назвали нехватку ИИ-экспертизы. То есть они винят ровно ту способность, которую только что оценили у себя на 91%.
Это не дефицит навыков. Это диагностическая ошибка, и она дорого стоит.
Что на самом деле измерило исследование Klarus
Klarus совместно с Vitreous World опубликовала исследование по ИИ в среднем бизнесе 8 июля 2026 года. Выборка: 500 руководителей высшего звена в компаниях Великобритании и Ирландии с выручкой от 200 млн до 2 млрд фунтов и штатом от 300 до 3000 человек — владельцы, C-уровень, вице-президенты, директора и руководители подразделений с полномочиями по технологическим решениям (IT Brief UK, 2026).
Внедрение — не проблема. 73% частично или полностью развернули ИИ. Среди тех, кто его пробовал, лишь 10% масштабировали все инициативы дальше пилота, оставив 90% с проектами, застрявшими на ранних стадиях (Klarus, 2026).
Этот сегмент не маргинален. Klarus ссылается на данные NatWest: средний бизнес Великобритании даёт 30% валовой добавленной стоимости, составляя 0,5% компаний. 90% застоя в этой полосе — не курьёз технологического сектора. Это строка национальной производительности и, что важнее прямо сейчас, ваш операционный бюджет.
Инверсия уверенности и компетентности
Прочтите две ключевые цифры вместе — и проявится конкретная патология.
91% уверенности во внутренней экспертизе. 48%, называющих нехватку экспертизы причиной гибели пилотов. 39%, объявляющих «развитие внутренней экспертизы» приоритетом на ближайшие двенадцать месяцев.
Эти три числа не могут одновременно точно описывать одну и ту же организацию. Они описывают команду, уверенную в абстрактном и импровизирующую в конкретном: компетентную в использовании ИИ-инструментов и непроверенную в выводе их в продуктив. Уверенность настоящая — она просто измеряет не то. Умение написать промпт не равно умению запустить модель на живых операционных данных, с журналом аудита, владельцем и планом отката.
Следствие — неверно направленный бюджет. Когда руководители считают ограничением экспертизу, они нанимают. Покупают лицензии на обучение, проводят недели enablement, открывают вакансию ИИ-инженера. Тем временем реальный блокер остаётся уровнем ниже, нетронутым, и следующий пилот умирает ровно от той же причины, что и предыдущий.
Ограничение, которое никто не финансирует: почему ИИ-пилоты среднего бизнеса встают на данных
Вот что сообщили те же руководители, когда их спросили о данных, а не о людях.
83% компаний, запускавших пилоты или внедрявших ИИ, сообщили о низком качестве данных. 69% заявили, что это активно препятствует ИИ-работам или задерживает их (IT Brief UK, 2026).
А когда проекты оправдывали ожидания, респонденты называли причину: высокое качество данных — критичным его назвали 59%, опередив управление, безопасность, приватность и этику с 54%.
Исследование само отвечает на свой вопрос. Качество данных — первый по частоте фактор успеха у победивших и почти всеобщая жалоба у застрявших. Просто его не назначают виноватым: винить собственные данные менее лестно, чем винить рынок труда.
Две независимые организации, не заинтересованные в консалтинговом контракте со средним бизнесом, указывают в ту же сторону. Gartner прогнозирует, что до 2026 года организации откажутся от 60% ИИ-проектов, не обеспеченных «готовыми к ИИ» данными (Gartner, 2025). RAND, проведя структурированные интервью с 65 опытными дата-сайентистами и инженерами, отнесла неадекватные данные к пяти корневым причинам провала ИИ-проектов — наряду с непониманием задачи, погоней за технологией вместо сценария применения и недостаточной инфраструктурой для развёртывания и поддержки моделей (RAND Corporation, 2024).
Три набора данных. Один — опрос британского среднего бизнеса, второй — прогноз аналитиков, третий — американский исследовательский институт, опрашивающий практиков. Ни один не называет таланты главным ограничением.
Управление — та же проблема под другой этикеткой
У 59% этих компаний нет целостной системы управления ИИ. 48% назвали вопросы управления, этики, безопасности или приватности причиной остановки — та же доля, что винила нехватку экспертизы (IT Brief UK, 2026).
Считайте это одним выводом, а не двумя. У пилота без системы управления нет определённого пути в продуктив, потому что никто не ответил, кто подписывает выходы модели, что происходит, когда одна из них ошибочна, какие данные могут покинуть периметр и кто будет владельцем через девяносто дней. Без этих ответов успешный пилот нельзя повысить. Его можно только повторить.
Это и есть механизм за цифрой 90%. Большая часть застрявших ИИ-работ не проваливается технически. Она проходит пилот и упирается в ворота, которых никто не построил, — и ждёт.
Лишь 35% планируют усилить ИИ-ограничители в ближайший год. Для большинства ворота так и остаются непостроенными.
Почему не стоит принимать эти цифры на веру
Хочу быть честной насчёт источника, потому что рефлекс его дисконтировать отчасти верен.
Klarus — компания технологических услуг, продающая ровно этому рынку. Исследование с выводом, что среднему бизнесу нужны лучшие данные и более сильное управление, — коммерчески именно то исследование, которое она хотела бы опубликовать. Выборка охватывает только Великобританию и Ирландию, поэтому конкретные проценты нельзя без поправок переносить на американскую или европейскую операцию. И каждая цифра здесь самозаявленная: «83% сообщают о низком качестве данных» измеряет то, что руководители думают о своих данных, а не аудит этих данных.
Две оговорки, впрочем, работают в обратную сторону.
Смещение самоотчёта здесь играет против вывода, а не за него. Руководители, завышающие собственную экспертизу до 91%, не склонны преувеличивать собственные слабости. Скорее 83% — это нижняя граница.
И подтверждение независимо. Прогноз Gartner о готовых к ИИ данных и интервью RAND с практиками созданы с разницей в годы, на разных континентах, без коммерческой связи с Klarus. Когда сходятся спонсированный вендором опрос, аналитический прогноз и исследование академического типа, вендорский интерес стоит отметить — и затем отложить в сторону.
Чего не говорит ни один из них — застревают ли по этой причине ваши пилоты. На это отвечают только ваши собственные данные, и, по моему опыту, этот вопрос почти никогда не задают именно в такой форме.
Что это меняет в компании на 300–3000 человек
Это не та история про «чистилище пилотов», которую вы уже читали
Среднему бизнесу уже рассказали три разные вещи о том, почему буксуют ИИ-пилоты: что права решения ничьи; что зрелые программы перегружены управлением и убивают собственные эксперименты; и теперь — что слой данных никогда не был готов. Это не конкурирующие объяснения. Это трое ворот на одном пути, и пилот обязан пройти все.
Операционно важна последовательность. Права решения и управление чинятся решением: кто-то с полномочиями назначает владельца и маршрут согласования — и ворота существуют уже к пятнице. С фундаментом данных так нельзя. Сверить сущности между тремя системами, дозаполнить поля, которые никто не сделал обязательными, и выстроить происхождение для таблиц, которые модель действительно будет читать, — это квартал неблагодарной работы без демо в финале.
Именно поэтому она раз за разом проигрывает бюджетный спор программе обучения.
Иллюзия подготовленных данных
На таком масштабе у вас нет функции дата-инжиниринга со свободной ёмкостью. У вас есть два-три человека, знающих, где в каждой системе живёт правда, и они уже загружены полностью.
Это и есть настоящее ограничение масштабирования, и оно объясняет закономерность, знакомую большинству операционных руководителей: пилоты выигрывают на подготовленных данных и проваливаются на продуктивных. Пилот работал на чистой выгрузке, которую кто-то собрал вручную. Продуктив работает на системе-источнике — с дублями клиентских ID, полем статуса в свободном тексте и четырьмя годами мигрированных записей, которых никто не проверял.
В модели между двумя запусками не изменилось ничего. Изменились данные.
Ещё один вывод, который стоит удержать: 45% сказали, что ИИ помогает младшим сотрудникам работать лучше или быстрее, а 24% — что он создаёт новые роли (Klarus, 2026). Ближайший кадровый эффект ИИ в среднем бизнесе проявляется как поддержка задач и перепроектирование ролей, а не сокращение штата. Если ваш бизнес-кейс по ИИ построен на экономии на персонале, тогда как коллеги отчитываются о приросте возможностей, вы не строже их. Вы измеряете отдачу, которую этот сегмент пока не производит.
Три шага до финансирования следующего пилота
Проверяйте данные, а не команду
Прежде чем следующая инициатива получит бюджет, возьмите три набора данных, которые она реально будет использовать, и проверьте четыре вещи: полноту, долю дублей, владение и происхождение. Не хранилище вообще — именно эти три таблицы. Аналитику это займёт неделю и скажет о шансах пилота больше, чем любая оценка компетенций тех, кто его ведёт.
Постройте ворота вывода в продуктив до запуска пилота
Заранее зафиксируйте, что пилот должен продемонстрировать для выхода в продуктив, кто подписывает, кто владеет им потом и что происходит при ошибочном выходе. У 59% этого рынка такой рамки нет. Пилот без определённого выхода — не эксперимент, а демо с бюджетной строкой.
Переложите один фунт обучения в один фунт данных
Если ваш ИИ-план на 2026 год финансирует enablement и найм, но ничего — качество данных, вы финансируете объяснение на 48% вместо объяснения на 83%. Отказываться от обучения не нужно. Нужна одна строка на другой стороне книги, размером в квартал реальной расчистки.
Одно решение в этом квартале
Возьмите свой последний ИИ-пилот, который не дошёл до масштаба, и напишите одну фразу о том, почему он остановился. Затем сверьте эту фразу с данными, на которых он работал.
Если честный ответ — что модель работала, а конвейер нет, вам не хватало не ИИ-экспертизы. Вам не хватало скучной, нефинансируемой и полностью исправимой вещи под ней — а 90%, так и не масштабировавшие ИИ-пилот в среднем бизнесе, это в основном те, кто продолжал финансировать не ту половину проблемы.
91% уверенности не покупает ничего. 10% масштабированных — единственная цифра на табло.
