Олександра Богуславська, CEO та засновниця Data Science UA, в авторській колонці The Page розібрала, чому більшість компаній впроваджують штучний інтелект роками без віддачі і чому проблема майже ніколи не технічна.
Епоха ентузіазму змінилася питанням про рентабельність інвестицій
Період «медового місяця» зі штучним інтелектом завершився, і компанії перейшли від захоплення можливостями чат-ботів до прагматичного запитання про ROI. У 2026 році майже 90% компаній використовують AI хоча б в одній функції, проте дві третини застрягли на пілотній фазі. Згідно зі статистикою EBIT за 2025 рік, лише близько 39% компаній бачать реальний вплив технології на прибутки.
Три питання, які відділяють бізнес-рішення від дорогого хобі
Авторка наголошує: AI сам по собі не створює цінності — він лише допомагає виявити й повернути гроші, які компанія вже втрачає через людські помилки, повільні дані чи приховані неефективності. Тому перш ніж погодитися «поекспериментувати з AI», варто поставити собі три питання:
- де саме ми втрачаємо гроші,
- чому ми досі цього не врахували
- хто конкретно змінить свою роботу,
коли система вкаже на проблему.
Якщо відповідей немає, то це не бізнес-рішення, а лише дороге хобі.
Технічна готовність моделі не дорівнює готовності змінювати бізнес
За даними Gartner, близько 85% AI-проєктів не доходять до повномасштабного впровадження, і причина рідко полягає в якості коду. Модель дає точні прогнози в ізольованому середовищі, але не інтегрована в ERP, CRM чи системи замовлень. Бізнесу бракує протоколів реагування на сповіщення системи, а 90% бюджету витрачається на саму модель коштом інтерфейсів і навчання команди. Богуславська посилається на досвід Deloitte: 70% викликів впровадження виявилися організаційними, а не технічними.
Успіх починається з втрат, а не з технологій
Авторка протиставляє технологічний старт бізнес-старту: замість «впровадимо комп'ютерний зір» питання звучить як «ми втрачаємо 3-5% доходу через відсутність товарів». Walmart почала з підрахунку мільярдних втрат через неточне прогнозування попиту й за два роки знизила дефіцит товарів у пілотних магазинах на 16%. Starbucks через систему Deep Brew обрала єдиний показник — частоту повторних замовлень — і масштабувалася лише після прогресу в ньому.
Шість місяців — реальний термін, якщо це бізнес-проєкт, а не R&D-експеримент
Богуславська розкладає термін на етапи: визначення проблеми з конкретними втратами займає перші 1-2 місяці, робочий пілот із залученням реальних співробітників — до четвертого місяця, оцінка впливу на бізнес — до п'ятого, інтеграція й масштабування — до шостого. За даними MIT Sloan, компанії, які закладають бюджет на управління змінами, мають у 2,5 раза більше шансів досягти заявлених результатів.
Читайте авторську колонку Олександри Богуславської, щоб дізнатися, які три елементи мають збігтися, щоб проблему вважати правильно визначеною, чим «демонстраційний» пілот відрізняється від «робочого», і як саме Walmart, Starbucks та європейські логісти інтегрували AI в наявні процеси.
