Оценка готовности к ИИ оценивает организацию по таким направлениям, как стратегия, данные, управление, операционная модель и культура, а затем выдает уровень зрелости и приоритетную дорожную карту для устранения обнаруженных пробелов.¹ Анализ пробелов, проведенный для одного утвержденного пункта дорожной карты, определяет конкретные препятствия и лиц, ответственных за их устранение. Оба инструмента выдают список задач, которые необходимо исправить.
Разница заключается в масштабе: ваша организация против программы или модели, которую вы действительно пытаетесь запустить. Автор Шарлин Ли утверждает, что первый подход неизменно сообщит вам то, что вы и так подозреваете (вы не готовы к ИИ!), и что только второй приносит реальный прогресс.
Ли, соавтор книги Winning with AI (в соавторстве с д-ром Катией Уолш), высказала эту мысль ведущему Сатьену Сангани в недавнем выпуске подкаста AI Radicals, заявив, что тесты на готовность к ИИ в масштабах всей организации не дают необходимых рекомендаций:²
«Трата времени на технико-экономические обоснования, стратегии готовности и оценочные исследования, по нашему мнению, приведет лишь к тому, что вам скажут: это неосуществимо и вы не готовы. И чем это вам поможет?»
«Трата времени на технико-экономические обоснования, стратегии готовности и оценочные исследования, по нашему мнению, приведет лишь к тому, что вам скажут: это неосуществимо и вы не готовы. И чем это вам поможет?»
Ли утверждает, что руководителям было бы лучше сузить масштаб своей программы:
«Моя мысль заключается в том, что если инициатива носит стратегический характер, она становится стратегической и обязательной к выполнению. Вы же не будете смотреть на это и думать: „Ну что, сможем ли мы это сделать?“ И именно так мы принимаем решения о том, как действовать. Нет, потому что, честно говоря, вы вообще не знаете, как это делается».
«Моя мысль заключается в том, что если инициатива носит стратегический характер, она становится стратегической и обязательной к выполнению. Вы же не будете смотреть на это и думать: „Ну что, сможем ли мы это сделать?“ И именно так мы принимаем решения о том, как действовать. Нет, потому что, честно говоря, вы вообще не знаете, как это делается».
Готовность не является постоянным свойством компании в целом. Это свойство конкретной рабочей нагрузки, которую вы пытаетесь запустить. В этом блоге мы рассмотрим, почему общекорпоративные оценки готовности к ИИ неизменно подтверждают то, что вы и так знаете, на что на самом деле указывают данные о неудачах 2026 года и как заменить оценку двумя практическими инструментами: стратегическим результатом, привязанным к календарной дорожной карте, и анализом пробелов, выполненным применительно к самой рабочей нагрузке.
Почему ИИ-проекты терпят неудачу: нехватка навыков, качество данных и плохая проработка масштаба
Компания Gartner опросила 782 руководителей инфраструктуры и ИТ-операций в ноябре и декабре 2025 года и выяснила, что only 28% of AI use cases in infrastructure and operations fully succeed and meet ROI expectations, while 20% fail outright.³ Среди 57% руководителей, сообщивших хотя бы об одной неудаче, провалы в основном были обусловлены инициативами с чрезмерными амбициями или плохо проработанным масштабом⁴ — когда люди ожидали слишком многого и слишком быстро.
Gartner выделяет две причины, которые модель зрелости должна была бы выявить. Среди руководителей, столкнувшихся с неудачами, ⁵ в качестве непосредственных причин провалов. Это постоянные организационные атрибуты, и их оценивает каждая система готовности.
Сегодня организации уже оценивают себя по критерию готовности данных… и все равно терпят неудачу, потому что оценка «на этапе развития» по качеству данных не дает вам никакой информации, с которой можно было бы работать. Она не говорит вам, какое именно поле заполнено неверно, какую из трех таблиц доходов на самом деле использует финансовый отдел или чье определение «активного клиента» унаследовала модель.
Собственные выводы Gartner указывают на то же самое: окупаемость зависит не столько от сложности модели, сколько от ⁶ — трех вещей, которые существуют только тогда, когда создается что-то реальное.
Квартал оценки тоже обходится недешево. В прогнозах Forrester на 2026 год сообщается, что only 15% of AI decision-makers saw an EBITDA lift from AI in the previous 12 months⁷, и что менее трети компаний могут связать ценность ИИ с финансовым ростом организации. В результате Forrester ожидает, что финансовые руководители подойдут к бизнес-обоснованию с большей строгостью, а предприятия перенесут четверть запланированных расходов на ИИ на 2027 год⁸. Бюджеты становится все труднее удерживать для программ, которые не могут быстро продемонстрировать свою ценность.
Никто не может ответить на вопрос о целесообразности на старте
Никакая оценка не способна измерить осуществимость по-настоящему новаторской работы. Скорее, шкала оценивает степень знакомства, а знакомство с возможностью, которую вы никогда не развертывали, всегда получит низкий балл. Таким образом, обнаружение нехватки навыков — это не проблема обучения, которую нужно решить до начала работы, а ожидаемое состояние команды, которая еще ничего не построила! Оценка преподносит это как выявленный недостаток, который становится поводом для выжидательной позиции.
Для борьбы с такой инерцией Ли проявляет прагматичность и рекомендует руководителям составить график:
«Возможно, сейчас это неосуществимо. Возможно, у вас нет возможностей, технология может существовать, но это должно быть в вашей дорожной карте. Возможно, через три квартала вы предвидите, что будете готовы это сделать, но внесите это в дорожную карту и сделайте сегодня те шаги, которые необходимы, чтобы дойти до точки реального внедрения».
«Возможно, сейчас это неосуществимо. Возможно, у вас нет возможностей, технология может существовать, но это должно быть в вашей дорожной карте. Возможно, через три квартала вы предвидите, что будете готовы это сделать, но внесите это в дорожную карту и сделайте сегодня те шаги, которые необходимы, чтобы дойти до точки реального внедрения».
Обязательство попадает в дорожную карту с указанием даты, а расстояние между сегодняшним днем и этой датой превращается в конкретную работу с назначенными владельцами. В этом и заключается разница между планированием готовности и оценкой того, насколько вы готовы уже сейчас.
Вы не знаете, что вам нужно, пока что-нибудь не создадите
Требования обнаруживаются в процессе создания, а не с помощью опросов. Каждый, кто руководил внедрением принципов управления данными, наблюдал это воочию.
Сангани описал, что произошло, когда в Alation при помощи ИИ разрабатывали собственную политику в отношении искусственного интеллекта:
«Одной из идей, прозвучавших на встрече при первом представлении документа, было то, что никакие данные о наших клиентах вообще не должны взаимодействовать с ИИ. И мы подумали: как это вообще будет работать на практике?»
«Одной из идей, прозвучавших на встрече при первом представлении документа, было то, что никакие данные о наших клиентах вообще не должны взаимодействовать с ИИ. И мы подумали: как это вообще будет работать на практике?»
На бумаге это правило выглядело ответственным. Но на практике оно заблокировало бы большую часть работы, ради обеспечения которой эта политика и создавалась. Проблема заключалась не в небрежном составлении текста, а в абсолютной новизне: политика была написана до того, как кто-либо создал объект, которым она должна была управлять.
Сангани высказал аналогичную мысль о гораздо более банальной вещи, чем система ИИ, описывая создание дашборда:
«Нужно ли всем в компании видеть эту информацию? Ограничена ли она узким кругом лиц? Но вы на самом деле даже не знаете этого, пока не разработаете саму информацию и данные».
«Нужно ли всем в компании видеть эту информацию? Ограничена ли она узким кругом лиц? Но вы на самом деле даже не знаете этого, пока не разработаете саму информацию и данные».
В этом и заключается структурный изъян оценки готовности до начала поставки. Вопросы, которые задает система оценки (Кто владеет этими данными? Какие поля являются конфиденциальными? Какие определения требуют согласования?), находят свои ответы только тогда, когда реальная рабочая нагрузка начинает взаимодействовать с реальными данными.
Организации, которые будут выглядеть компетентно через 18 месяцев
Победу в сфере ИИ одержат не те, у кого самые высокие показатели готовности. Победителями станут те, кто выбрал стратегические цели, зафиксировал препятствия на пути к каждой из них и устранил эти пробелы по опубликованному графику. Компания Gartner обнаружила аналогичную закономерность в отношении успеха: среди лидеров, чьи варианты использования ИИ оказались эффективными, ⁹ вместо того, чтобы запускать его параллельно с ними.
У Ли есть название для того, что мешает подобной работе даже начаться: FOGI (страх вовлечения),² являющийся противовесом страху упущенной выгоды. Идеальное — враг хорошего. Информации никогда не бывает достаточно, поэтому более безопасным решением кажется ожидание, пока ситуация прояснится, а оценка — наиболее респектабельное внешнее выражение этого инстинкта.
Подлинные требования комплаенса — это отдельный вопрос. Требования в отношении рисков моделей и Закон ЕС об искусственном интеллекте определяют, разрешено ли вам действовать дальше, что не является вопросом возможностей, а обязательства Закона в отношении систем с высоким риском с тех пор были перенесены на декабрь 2027 года и август 2028 года, что дает время для оформления документации, а не повод останавливаться.
Готовность, как правило, следует за результатами реализации, а не предшествует им, поэтому надежная операционная модель корпоративного ИИ строится на основе утвержденных результатов и управляемых продуктов данных, а не ежегодного обзора зрелости.
Если сузить масштаб, блокирующие факторы начинают повторяться в разных программах: никто не может сказать, откуда взялось поле, какую из трех таблиц доходов на самом деле использует финансовый отдел, кому принадлежит определение, унаследованное моделью, или подходит ли этот набор данных для данного варианта использования.
Это вопросы метаданных, а не зрелости. Gartner определяет данные, готовые к ИИ, как способность доказать пригодность данных для конкретного варианта использования ИИ, что делает готовность определяемой для каждого отдельного случая категорией, которая зависит от метаданных (происхождения, принадлежности, определений, истории качества, использования) для поиска, управления, оценки и обоснования данных, лежащих в основе каждой рабочей нагрузки.¹⁰ Это также объясняет, почему готовность следует за реализацией: метаданные, доказывающие пригодность, накапливаются только тогда, когда реальные рабочие нагрузки обращаются к реальным данным.
Это накопление должно где-то храниться. Alation фиксирует происхождение, принадлежность, определения и сигналы качества в качестве каталога метаданных, необходимых разработчикам ИИ, благодаря чему анализ пробелов для каждого элемента дорожной карты имеет основу для устранения, а не результаты опроса.
Пробелы в вашей дорожной карте неизменно оказываются пробелами в метаданных, а это решаемая проблема. Запишитесь на демонстрацию с нами сегодня.
Источники и примечания
Каждое внешнее утверждение на этой странице поддается независимой проверке. Общедоступные источники перечислены здесь.
- Оценка зрелости ИИ по версии Gartner оценивает зрелость по таким направлениям, как стратегия, данные, управление, инженерия, операционная модель, культура и ИИ-продукты/ценность, и выдает приоритизированную дорожную карту, визуализацию пробелов и рекомендации аналитиков по каждому пробелу. Посещено 17 сентября 2026 г. — Gartner ↗ https://www.gartner.com/en/chief-information-officer/research/ai-maturity-model-toolkit
Оценка зрелости ИИ по версии Gartner оценивает зрелость по таким направлениям, как стратегия, данные, управление, инженерия, операционная модель, культура и ИИ-продукты/ценность, и выдает приоритизированную дорожную карту, визуализацию пробелов и рекомендации аналитиков по каждому пробелу. Посещено 17 сентября 2026 г. — Gartner ↗ https://www.gartner.com/en/chief-information-officer/research/ai-maturity-model-toolkit
- Шарлин Ли о ловушке целесообразности, альтернативе дорожной карте и FOGI; Сатьен Сангани о первой политике Alation в отношении ИИ и доступе к дашбордам. — AI Radicals, сезон 4, эпизод 7, «90-дневная дорожная карта ИИ» ↗ https://www.alation.com/podcast/episodes/ai-roadmap-charlene-li/
Шарлин Ли о ловушке целесообразности, альтернативе дорожной карте и FOGI; Сатьен Сангани о первой политике Alation в отношении ИИ и доступе к дашбордам. — AI Radicals, сезон 4, эпизод 7, «90-дневная дорожная карта ИИ» ↗ https://www.alation.com/podcast/episodes/ai-roadmap-charlene-li/
- 28% вариантов использования ИИ в инфраструктуре и операциях полностью преуспевают и оправдывают ожидания по окупаемости инвестиций (ROI); 20% терпят полный крах. Опрос 782 лидеров в области ИО и ИТ, ноябрь–декабрь 2025 г. — Gartner ↗ https://www.gartner.com/en/newsroom/press-releases/2026-04-07-gartner-says-artificial-intelligence-projects-in-infrastructure-and-operations-stall-ahead-of-meaningful-roi-returns
28% вариантов использования ИИ в инфраструктуре и операциях полностью преуспевают и оправдывают ожидания по окупаемости инвестиций (ROI); 20% терпят полный крах. Опрос 782 лидеров в области ИО и ИТ, ноябрь–декабрь 2025 г. — Gartner ↗ https://www.gartner.com/en/newsroom/press-releases/2026-04-07-gartner-says-artificial-intelligence-projects-in-infrastructure-and-operations-stall-ahead-of-meaningful-roi-returns
- 57% руководителей инфраструктуры и операций сообщили хотя бы об одном сбое ИИ; 20-процентный уровень неудач в основном обусловлен инициативами, которые были слишком амбициозными или плохо спланированными, причем многие ссылались на слишком высокие и быстрые ожидания. — Gartner ↗ [тот же URL, что и в примечании 3]
57% руководителей инфраструктуры и операций сообщили хотя бы об одном сбое ИИ; 20-процентный уровень неудач в основном обусловлен инициативами, которые были слишком амбициозными или плохо спланированными, причем многие ссылались на слишком высокие и быстрые ожидания. — Gartner ↗ [тот же URL, что и в примечании 3]
- Среди лидеров инфраструктуры и операций, столкнувшихся с неудачами, 38% назвали постоянную нехватку навыков, а 38% — низкое качество данных или их ограниченную доступность в качестве прямых причин провала ИИ-проектов. — Gartner ↗ [тот же URL, что и в примечании 3]
Среди лидеров инфраструктуры и операций, столкнувшихся с неудачами, 38% назвали постоянную нехватку навыков, а 38% — низкое качество данных или их ограниченную доступность в качестве прямых причин провала ИИ-проектов. — Gartner ↗ [тот же URL, что и в примечании 3]
- Окупаемость инвестиций в ИИ определяется не сложностью модели, а тем, насколько хорошо технология интегрирована, управляется и согласуется с реальными оперативными потребностями. — Gartner ↗ [тот же URL, что и в примечании 3]
Окупаемость инвестиций в ИИ определяется не сложностью модели, а тем, насколько хорошо технология интегрирована, управляется и согласуется с реальными оперативными потребностями. — Gartner ↗ [тот же URL, что и в примечании 3]
- 15% лиц, принимающих решения по ИИ, сообщили о росте EBITDA своей организации за последние 12 месяцев; менее трети могут связать ценность ИИ с изменениями в отчете о прибылях и убытках (P&L). — Forrester, Predictions 2026: AI Moves From Hype To Hard Hat Work, 28 октября 2025 г. ↗ https://www.forrester.com/blogs/predictions-2026-ai-moves-from-hype-to-hard-hat-work/
15% лиц, принимающих решения по ИИ, сообщили о росте EBITDA своей организации за последние 12 месяцев; менее трети могут связать ценность ИИ с изменениями в отчете о прибылях и убытках (P&L). — Forrester, Predictions 2026: AI Moves From Hype To Hard Hat Work, 28 октября 2025 г. ↗ https://www.forrester.com/blogs/predictions-2026-ai-moves-from-hype-to-hard-hat-work/
- Forrester прогнозирует, что компании отложат 25% запланированных расходов на ИИ на 2027 год, поскольку генеральные директора привлекают финансовых директоров к принятию решений по ИИ. — Forrester, Predictions 2026, 28 октября 2025 г. ↗ [тот же URL, что и в примечании 7]
Forrester прогнозирует, что компании отложат 25% запланированных расходов на ИИ на 2027 год, поскольку генеральные директора привлекают финансовых директоров к принятию решений по ИИ. — Forrester, Predictions 2026, 28 октября 2025 г. ↗ [тот же URL, что и в примечании 7]
- Среди лидеров инфраструктуры и операций, заявивших об успехе ИИ, 33% объяснили его внедрением ИИ в системы и процессы, которыми люди уже пользуются. — Gartner ↗ [тот же URL, что и в примечании 3]
По словам 33% руководителей отделов ИТ и инфраструктуры (I&O), добившихся успеха в сфере ИИ, залог успеха заключается во внедрении ИИ в системы и процессы, которые люди уже используют. — Gartner ↗ [same URL as note 3]
- Gartner определяет данные, готовые к использованию с ИИ, как данные, пригодность которых для конкретных сценариев применения ИИ можно подтвердить; таким образом, степень готовности оценивается в каждом отдельном случае. — Gartner, Quick Answer: What Makes Data AI-Ready? (платный доступ) ↗ https://www.gartner.com/en/documents/5432763
Gartner определяет данные, готовые к использованию с ИИ, как данные, пригодность которых для конкретных сценариев применения ИИ можно подтвердить; таким образом, степень готовности оценивается в каждом отдельном случае. — Gartner, Quick Answer: What Makes Data AI-Ready? (платный доступ) ↗
Ссылки на аналитиков
Gartner, "Gartner Says AI Projects in I&O Stall Ahead of Meaningful ROI Returns," Q&A with Melanie Freeze, Director Research, 7 April 2026.
Forrester, Predictions 2026: Artificial Intelligence, Forrester Research, Inc., 28 October 2025.
