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 выявленных пробелов.¹ Анализ разрывов, проведенный для конкретного пункта дорожной карты, определяет конкретные препятствия и ответственных за их устранение лиц. Оба метода дают список того, что нужно исправить.
Разница заключается в масштабе: вся ваша организация против конкретной программы или модели, которую вы действительно пытаетесь запустить. Автор Шарлин Ли утверждает, что первый метод лишь подтвердит ваши подозрения (вы не готовы к ИИ!), и что только второй метод ведет к реальному прогрессу.
Ли, соавтор книги «Winning with AI» вместе с доктором Катей Уолш, аргументировала это в беседе с ведущим Сатьеном Сангани в недавнем эпизоде подкаста AI Radicals, заявив, что общекорпоративные тесты на готовность к ИИ не дают необходимых рекомендаций:²
«Мы считаем, что трата времени на технико-экономические обоснования или стратегии готовности и оценочные тесты лишь покажет вам, что это невыполнимо и вы не готовы. Так как же это вам поможет?»
«Мы считаем, что трата времени на технико-экономические обоснования или стратегии готовности и оценочные тесты лишь покажет вам, что это невыполнимо и вы не готовы. Так как же это вам поможет?»
Ли утверждает, что лидерам было бы лучше сузить масштаб своей программы:
«Моя мысль в том, что если это стратегически важно, то это становится стратегической задачей, которую необходимо выполнить. Вы не будете смотреть на это и спрашивать: "Ну, можем ли мы это сделать?" И именно так мы решаем, как действовать. Нет, потому что, честно говоря, вы не знаете, как это делать вообще».
«Моя мысль в том, что если это стратегически важно, то это становится стратегической задачей, которую необходимо выполнить. Вы не будете смотреть на это и спрашивать: "Ну, можем ли мы это сделать?" И именно так мы решаем, как действовать. Нет, потому что, честно говоря, вы не знаете, как это делать вообще».
Готовность — это не постоянное свойство компании в целом. Это свойство конкретной рабочей нагрузки, которую вы пытаетесь внедрить. В этом блоге мы расскажем, почему общекорпоративные оценки готовности к ИИ лишь подтверждают то, что вы уже знаете, на что на самом деле указывают данные о неудачах 2026 года и как заменить оценку двумя практическими шагами: стратегическим результатом, зафиксированным в дорожной карте с указанием сроков, и анализом разрывов для самой рабочей нагрузки.
Почему ИИ-проекты терпят неудачу: нехватка навыков, качество данных и плохое планирование масштаба
В ноябре и декабре 2025 года Gartner опросила 782 руководителя в сфере инфраструктуры и операций и обнаружила, что только 28% вариантов использования ИИ в инфраструктуре и операциях полностью успешны и соответствуют ожиданиям по окупаемости инвестиций (ROI), в то время как 20% терпят полный провал.³ Среди 57% руководителей, сообщивших хотя бы об одной неудаче, провалы были в основном вызваны чрезмерно амбициозными или плохо спланированными инициативами⁴ — люди ожидали слишком многого и слишком быстро.
Gartner называет две причины, которые выявила бы модель зрелости. Среди руководителей, столкнувшихся с неудачами, 38% назвали постоянную нехватку навыков, а 38% — низкое качество данных или ограниченную доступность данных⁵ в качестве прямых причин провала. Это постоянные организационные характеристики, и любая система оценки готовности их учитывает.
Сегодня организации уже оценивают свою готовность к работе с данными… и все равно терпят неудачу, потому что оценка «в процессе развития» по качеству данных не дает вам никакой информации, на основе которой можно действовать. Она не говорит вам, какое 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: отдача зависит не столько от сложности модели, сколько от того, насколько хорошо технология интегрирована, управляется и соответствует реальным операционным потребностям⁶ — трем вещам, которые существуют только тогда, когда создается что-то реальное.
Квартал оценки также не проходит бесследно. Прогнозы Forrester на 2026 год показывают, что только 15% лиц, принимающих решения в области ИИ, увидели рост EBITDA от ИИ за предыдущие 12 месяцев⁷, и менее трети могут связать ценность ИИ с финансовым ростом своей организации. В результате Forrester ожидает, что финансовые руководители будут применять более строгий подход к бизнес-кейсам, а предприятия отложат четверть запланированных расходов на ИИ до 2027 года⁸. Бюджет становится все труднее удерживать для программ, которые не могут быстро показать свою ценность.
Никто не может ответить на вопрос о целесообразности в самом начале
Никакая оценка не может определить целесообразность по-настоящему инновационной работы. Скорее, критерии измеряют знакомство с технологией, а знакомство с возможностью, которую вы никогда не развертывали, всегда будет оцениваться низко. Таким образом, выявление нехватки навыков — это не проблема обучения, которую нужно решить до начала работы, а ожидаемое состояние команды, которая еще не создала этот продукт! Оценка сообщает об этом как о находке, что становится поводом для ожидания.
Чтобы бороться с такой инерцией, Ли прагматична и рекомендует лидерам составить график:
«Возможно, сейчас это нецелесообразно. Возможно, у вас нет необходимых возможностей, технология может быть доступна, но это должно быть в вашей дорожной карте. Может быть, через три квартала вы будете готовы это сделать, но внесите это в дорожную карту и делайте шаги, необходимые сегодня, чтобы дойти до точки, где вы действительно сможете это внедрить».
«Возможно, сейчас это нецелесообразно. Возможно, у вас нет необходимых возможностей, технология может быть доступна, но это должно быть в вашей дорожной карте. Может быть, через три квартала вы будете готовы это сделать, но внесите это в дорожную карту и делайте шаги, необходимые сегодня, чтобы дойти до точки, где вы действительно сможете это внедрить».
Обязательство вносится в дорожную карту с датой, а расстояние между сегодняшним днем и этой датой становится конкретной работой с ответственными лицами. В этом разница между планированием готовности и оценкой того, насколько вы готовы уже сейчас.
Вы не знаете, что вам нужно, пока не создадите что-то
Требования обнаруживаются в процессе создания, а не в процессе опросов. Любой, кто руководил программой управления, видел это воочию.
Сангани описал, что произошло, когда Alation разработала собственную политику ИИ с помощью ИИ:
«Одной из вещей, которая возникла на встрече при первой презентации, была идея о том, что никакие данные о наших клиентах никогда не должны взаимодействовать с ИИ. И мы подумали: как это вообще будет работать?»
«Одной из вещей, которая возникла на встрече при первой презентации, была идея о том, что никакие данные о наших клиентах никогда не должны взаимодействовать с ИИ. И мы подумали: как это вообще будет работать?»
На бумаге правило выглядело ответственным. Но на практике оно заблокировало бы большую часть работы, для которой эта политика и создавалась. Проблема была не в небрежном составлении, а в новизне, так как политика была написана до того, как кто-либо создал то, что она регулировала.
Сангани высказал аналогичную мысль о чем-то гораздо более обычном, чем система ИИ, описывая дашборд:
«Нужно ли всем в компании видеть эту информацию? Ограничена ли она несколькими людьми? Но вы на самом деле даже не знаете этого, пока не разработали эту информацию и данные».
«Нужно ли всем в компании видеть эту информацию? Ограничена ли она несколькими людьми? Но вы на самом деле даже не знаете этого, пока не разработали эту информацию и данные».
В этом заключается структурный изъян оценки готовности перед началом реализации. Вопросы, которые задает система оценки готовности (Кто владеет этими данными? Какие поля являются конфиденциальными? Какие определения требуют согласования?), становятся разрешимыми только тогда, когда реальная рабочая нагрузка начинает использовать реальные данные.
Организации, которые будут выглядеть компетентными через 18 месяцев
Победителями в сфере ИИ станут не те, у кого самые высокие показатели готовности. Ими станут те, кто выбрал стратегические цели, зафиксировал препятствия на пути к каждой из них и устранил эти пробелы по опубликованному графику. Gartner выявила ту же закономерность в вопросах успеха: среди лидеров, чьи сценарии использования ИИ сработали, 33% объяснили это внедрением ИИ в системы и процессы, которые люди уже использовали⁹, а не запуском их параллельно с ними.
У Ли есть название для того, что мешает такой работе начаться: FOGI, или страх входа (fear of getting in)² — противовес страху упущенной выгоды (FOMO). Лучшее — враг хорошего. Информации никогда не бывает достаточно, поэтому более безопасный шаг — подождать, пока ситуация прояснится, а оценка является наиболее респектабельным из доступных проявлений этого инстинкта.
Реальные обязательства по соблюдению нормативных требований — это отдельный вопрос. Требования к рискам моделей и Закон ЕС об ИИ отвечают на вопрос, разрешено ли вам действовать, что не является вопросом о возможностях. К тому же обязательства по системам с высоким уровнем риска, предусмотренные Законом, были перенесены на декабрь 2027 года и август 2028 года, что дает время на документирование, а не является поводом для остановки.
Готовность, как правило, следует за реализацией, а не предшествует ей, поэтому устойчивая операционная модель корпоративного ИИ строится вокруг конкретных результатов и управляемых продуктов данных, а не ежегодного обзора зрелости.
Сузьте область охвата, и блокирующие факторы начнут повторяться в разных программах: никто не может сказать, откуда взялось поле, какую из трех таблиц доходов на самом деле использует финансовый отдел, кто владеет определением, которое унаследовала модель, или подходит ли этот набор данных для данного сценария использования.
Это вопросы метаданных, а не вопросы зрелости. Gartner определяет данные, готовые к ИИ, как способность доказать пригодность данных для конкретного сценария использования ИИ. Это делает готовность определением, зависящим от конкретного случая, которое опирается на метаданные (происхождение, владение, определения, история качества, использование) для поиска, управления, оценки и обоснования данных, лежащих в основе каждой рабочей нагрузки.¹⁰ Это также объясняет, почему готовность следует за реализацией: метаданные, подтверждающие пригодность, накапливаются только тогда, когда реальные рабочие нагрузки начинают использовать реальные данные.
Этому накоплению нужно где-то храниться. Alation фиксирует происхождение, владение, определения и сигналы качества в качестве каталога метаданных, необходимых разработчикам ИИ, чтобы анализ пробелов по каждому пункту дорожной карты имел основу для решения, а не просто ответы на опрос.
Если пробелы в вашей дорожной карте оказываются пробелами в метаданных, это решаемая проблема. Закажите демонстрацию у нас сегодня.
Источники и примечания
Каждое внешнее утверждение на этой странице является независимо проверяемым. Публичные источники перечислены здесь.
- Оценка зрелости ИИ по версии Gartner оценивает зрелость по направлениям стратегии, данных, управления, инженерии, операционной модели, культуры и продукта/ценности ИИ, а также предоставляет приоритизированную дорожную карту, визуализацию пробелов и рекомендации аналитиков по каждому пробелу. Дата обращения: 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 направлениям стратегии, данных, управления, инженерии, операционной модели, культуры и продукта/ценности ИИ, а также предоставляет приоритизированную дорожную карту, визуализацию пробелов и рекомендации аналитиков по каждому пробелу. Дата обращения: 17 сентября 2026 г. — Gartner ↗ https://www.gartner.com/en/chief-information-officer/research/ai-maturity-model-toolkit
- Шарлин Ли о ловушке осуществимости, альтернативе дорожной карты и FOGI; Сатьен Сангани о первой политике ИИ в Alation 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 осуществимости, альтернативе дорожной карты и FOGI; Сатьен Сангани о первой политике ИИ в Alation 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% сценариев использования ИИ в инфраструктуре и операциях полностью успешны и соответствуют ожиданиям по рентабельности инвестиций (ROI); 20% терпят полную неудачу. Опрос 782 руководителей I&O, 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% сценариев использования ИИ в инфраструктуре и операциях полностью успешны и соответствуют ожиданиям по рентабельности инвестиций (ROI); 20% терпят полную неудачу. Опрос 782 руководителей I&O, 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 I&O сообщили как минимум об одном провале ИИ; 20-процентный уровень неудач в значительной степени обусловлен инициативами, которые были чрезмерно амбициозными или плохо проработанными, при этом многие отмечали, что ожидания были завышены и установлены слишком быстро. — Gartner ↗ [тот же URL, что и в примечании 3]
57% руководителей I&O сообщили как минимум об одном провале ИИ; 20-процентный уровень неудач в значительной степени обусловлен инициативами, которые были чрезмерно амбициозными или плохо проработанными, при этом многие отмечали, что ожидания были завышены и установлены слишком быстро. — Gartner ↗ [тот же URL, что и в примечании 3]
- Среди руководителей I&O, столкнувшихся с неудачами, 38% назвали постоянную нехватку навыков, а 38% — низкое качество данных или ограниченную доступность данных в качестве прямых причин провала ИИ-проектов. — Gartner ↗ [тот же URL, что и в примечании 3]
Среди руководителей I&O, столкнувшихся с неудачами, 38% назвали постоянную нехватку навыков, а 38% — низкое качество данных или ограниченную доступность данных в качестве прямых причин провала ИИ-проектов. — Gartner ↗ [тот же URL, что и в примечании 3]
- Рентабельность инвестиций в ИИ зависит не от сложности модели, а от того, насколько хорошо технология интегрирована, регулируется и соответствует реальным операционным потребностям. — Gartner ↗ [тот же URL, что и в примечании 3]
Рентабельность инвестиций в ИИ зависит не от сложности модели, а от того, насколько хорошо технология интегрирована, регулируется и соответствует реальным операционным потребностям. — Gartner ↗ [тот же URL, что и в примечании 3]
- 15% лиц, принимающих решения в области 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, Прогнозы на 2026 год: ИИ переходит от хайпа к реальной работе, 28 октября 2025 г. ↗ https://www.forrester.com/blogs/predictions-2026-ai-moves-from-hype-to-hard-hat-work/
15% лиц, принимающих решения в области 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, Прогнозы на 2026 год: ИИ переходит от хайпа к реальной работе, 28 октября 2025 г. ↗ https://www.forrester.com/blogs/predictions-2026-ai-moves-from-hype-to-hard-hat-work/
- Forrester прогнозирует, что предприятия отложат 25% запланированных расходов на ИИ до 2027 года, поскольку генеральные директора все больше вовлекают финансовых директоров в принятие решений по ИИ. — Forrester, Прогнозы на 2026 год, 28 октября 2025 г. ↗ [тот же URL, что и в примечании 7]
Forrester прогнозирует, что предприятия отложат 25% запланированных расходов на ИИ до 2027 года, поскольку генеральные директора все активнее вовлекают финансовых директоров в принятие решений по ИИ. — Forrester, Predictions 2026, 28 октября 2025 г. ↗ [тот же URL, что в примечании 7]
- Среди руководителей I&O, сообщивших об успехе внедрения ИИ, 33% объяснили его интеграцией ИИ в системы и процессы, которые люди уже используют. — Gartner ↗ [тот же URL, что в примечании 3]
Среди руководителей I&O, сообщивших об успехе внедрения ИИ, 33% объяснили его интеграцией ИИ в системы и процессы, которые люди уже используют. — Gartner ↗ [тот же URL, что в примечании 3]
- Gartner определяет данные, готовые к использованию ИИ (AI-ready data), как данные, пригодность которых для сценариев использования ИИ может быть подтверждена; таким образом, готовность оценивается в каждом конкретном случае. — Gartner, Quick Answer: What Makes Data AI-Ready? (платный доступ) ↗ https://www.gartner.com/en/documents/5432763
Gartner определяет данные, готовые к использованию ИИ (AI-ready data), как данные, пригодность которых для сценариев использования ИИ может быть подтверждена; таким образом, готовность оценивается в каждом конкретном случае. — Gartner, Quick Answer: What Makes Data AI-Ready? (платный доступ) ↗ https://www.gartner.com/en/documents/5432763
Атрибуция аналитиков
Gartner, "Gartner Says AI Projects in I&O Stall Ahead of Meaningful ROI Returns," вопросы и ответы с Мелани Фриз, директором по исследованиям, 7 апреля 2026 г.
Forrester, Predictions 2026: Artificial Intelligence, Forrester Research, Inc., 28 октября 2025 г.