Логистическая функция описывает естественный жизненный цикл технологии: Где: — L — максимально достижимый уровень доли успешных проектов (асимптота) — k — скорость роста (крутизна кривой) — t₀ — точка перегиба (год максимального ускорения) График иллюстрирует S-образный (логистический) сценарий роста от 2025 до 2055 года: быстрый старт в начале технологического цикла, затем замедление по мере приближения к естественному пределу эффективности. График иллюстрирует S-образный (логистический) сценарий роста ROI от 2025 до 2055 года: быстрый старт, затем замедление по мере приближения к пределу. Доля успешных ИИ-проектов не может расти бесконечно. Она асимптотически приближается к некоему пределу (в оптимистичном сценарии — 150%, что технически означает: некоторые проекты окупаются несколько раз). Этот предел зависит от того, как будут развиваться ключевые факторы: — облачные вычисления (станут ли дешевле) — регуляция (останется ли мягкой) — кадры (выпустят ли достаточно специалистов) Часть 2: Аналитика провала — почему 80% проектов не окупаются Пять причин почему ИИ — это кладбище денег Из 15 000 ИИ-проектов, запущенных в 2024–2025 годах в России, успешно окупились только 10–20%. Остальные либо не были завершены, либо работают без положительного эффекта. BCG Report 2024: 74% компаний не видят ценности. Habr анализ 2024-2025: 10-20% из 15,000 проектов в России окупились 1. Неподготовленные данные (критичность: высокая) ИИ — это не волшебник, а зеркало ваших данных. Если данные грязные, модель выдаст мусор. Большинство компаний начинают с блестящего пилота на чистых данных, а потом понимают, что 80% реальных данных не соответствуют требованиям. Например, банк внедрял систему скоринга кредитов, но исторические данные содержали пробелы в 60% случаев. В результате модель обучилась на смещённых выборках и выдавала неправильные предсказания. 2. Отсутствие стратегии интеграции (критичность: высокая) Пилот работает в лабораторных условиях. Боевая система должна работать 24/7, интегрироваться с legacy-системами, обновлять данные в реальном времени. Большинство компаний не планируют этого. Проект зависает на стадии POC, потому что интеграция обойдется дороже, чем сам ИИ. 3. Завышенные ожидания менеджмента (критичность: средняя) Условный Генеральный директор читает про Apple, которая сэкономила $500 млн на ИИ-оптимизации. Принимает решение масштабировать это решение под свои реалии: дадим $5 млн на ИИ-проект. Через 12 месяцев он как персонаж из известного мультфильма получает 10% от обещанного. В итоге: менеджмент разочарован, финансирование сокращено, а проект закрыт. 4. Нехватка специалистов (критичность: высокая) На рынке России спрос на ML-специалистов превышает предложение в 10 раз. Зарплата ML Engineer: 400–600 тыс. рублей в месяц. Поиск занимает 3–6 месяцев. Когда команда наконец собрана, люди быстро понимают, что проект обречён, и уходят к конкуренту. 5. Отсутствие метрик (критичность: средняя) Как измерить успех ИИ-проекта? Большинство компаний этого не знают. Берут первый растущий показатель (выручку, трафик) и приписывают рост ИИ. Через год выясняется: выручка росла благодаря маркетингу и сезонности, а ИИ сидел в углу. Примеры неудачных проектов: Логистическая компания: внедрила ИИ-систему по оптимизации маршрутов. Модель обучилась на данных за 2 летний период. Оказалось, что этого недостаточно. Новые маршруты оказались хуже старых на 5%. Проект закрыт через 6 месяцев. Потеря: $2 млн. Медицинский стартап: разработал ИИ-диагностику по снимкам. Модель отлично работала на тестовых данных (95% точности). В боевых условиях: 62% точности. Причина простая: реальные аппараты для сканирования оказались более разнообразны. Протоколы сканирования в разных медицинских учреждения разные. Вместо дообучения моделей — проект заморозили. Банк внедрил ИИ для определения признаков мошенничества. Модель начала блокировать легитимные транзакции, что привело к оттоку клиентов, жалобам в техподдержку и имеджевым потерям. Ошибка первоначальной бизнес модели и требований к системе похоронила отличный проект. Часть 3: Четыре фактора, определяющих будущее ИИ Полный список 20 факторов влияния на развитие ИИ Позитивные факторы: Source: https://habr.com/ru/articles/965484/