По опросу Dun & Bradstreet 10 000 компаний в 32 странах, 48% респондентов видят ROI в отдельных ИИ-проектах, еще 28% — широкую или высокую отдачу. Полностью готовыми данные считают лишь 6%. Это самооценка участников, а не аудит финансовых результатов; полная методология июльской волны не опубликована.
Главный вывод исследования звучит обнадеживающе лишь наполовину: ИИ уже дает измеримый эффект многим респондентам, но переход от отдельных удачных проектов к повторяемому результату по всей компании тормозит качество и согласованность данных.
Это не доказательство средней финансовой окупаемости ИИ на рынке. Показатели основаны на ответах участников опроса, а в доступном релизе нет денежных значений ROI, полной анкеты, сроков полевого этапа и независимого аудита. Поэтому материал полезен прежде всего как индикатор управленческой проблемы: запуск пилота и готовность организации масштабировать его — разные уровни зрелости.
Это не доказательство средней финансовой окупаемости ИИ на рынке. Показатели основаны на ответах участников опроса, а в доступном релизе нет денежных значений ROI, полной анкеты, сроков полевого этапа и независимого аудита. Поэтому материал полезен прежде всего как индикатор управленческой проблемы: запуск пилота и готовность организации масштабировать его — разные уровни зрелости.
Что подтверждено источником
Исследование описано автором как ежеквартальный глобальный опрос 10 000 компаний в 32 странах, который отслеживает внедрение ИИ, инвестиции, переход в эксплуатацию и бизнес-результаты.
По данным Dun & Bradstreet:
В релизе также сказано, что более половины организаций либо масштабируют ИИ, либо внедряют его в нескольких ключевых процессах, либо используют агентные сценарии. Точная доля и распределение между этими группами не раскрыты.
По данным Dun & Bradstreet:
- 48% организаций видят «очаги ROI»: отдачу показывают отдельные пилоты или проекты;
- 28% сообщают о широкой либо высокой отдаче от нескольких проектов;
- 34% масштабируют ИИ в промышленную эксплуатацию;
- 47% считают данные частично готовыми для масштабного ИИ;
- 36% считают данные в основном готовыми;
- только 6% называют данные полностью готовыми.
В релизе также сказано, что более половины организаций либо масштабируют ИИ, либо внедряют его в нескольких ключевых процессах, либо используют агентные сценарии. Точная доля и распределение между этими группами не раскрыты.
Что действительно нового
Новая волна уточняет структуру отдачи: большая часть положительных ответов относится не к масштабному финансовому эффекту, а к отдельным результативным проектам. Это важнее общего тезиса «ИИ уже окупается», потому что отделяет локальный успех от системной отдачи.
В предыдущем релизе D&B от 4 мая 2026 года сообщалось, что 30% организаций масштабировали ИИ в производство, а полностью готовыми свои данные считали 5%. В июльском релизе эти показатели составляют 34% и 6% соответственно. D&B описывает динамику как прогресс, но без полной методологии двух волн нельзя уверенно приписывать разницу реальному изменению рынка: она может зависеть от состава выборки, формулировок вопросов и округления.
В предыдущем релизе D&B от 4 мая 2026 года сообщалось, что 30% организаций масштабировали ИИ в производство, а полностью готовыми свои данные считали 5%. В июльском релизе эти показатели составляют 34% и 6% соответственно. D&B описывает динамику как прогресс, но без полной методологии двух волн нельзя уверенно приписывать разницу реальному изменению рынка: она может зависеть от состава выборки, формулировок вопросов и округления.
Почему данные становятся узким местом
ИИ-система использует не только записи из таблиц, но и смысл, который компания приписывает этим записям. Например, «активный клиент», «выручка», «успешная заявка» и «просроченный платеж» могут определяться по-разному в отделах продаж, финансов и поддержки. Если определения не согласованы, два ассистента дадут разные ответы на один управленческий вопрос, хотя оба технически подключены к правильным базам.
Дополнительный риск возникает у ИИ-агентов, которые не просто формируют текст, а запускают действия: меняют статус сделки, отправляют письмо, создают счет или корректируют план. Ошибка в справочнике или правах доступа тогда превращается из неточного ответа в неверную операцию.
McKinsey в материале о готовности данных от 23 июня 2026 года описывает тот же класс проблемы без привязки к цифрам D&B: для масштабирования нужно соединять структурированные и неструктурированные данные в управляемую, повторно используемую основу. Это независимый контекст, а не подтверждение результатов AI Momentum Survey.
Дополнительный риск возникает у ИИ-агентов, которые не просто формируют текст, а запускают действия: меняют статус сделки, отправляют письмо, создают счет или корректируют план. Ошибка в справочнике или правах доступа тогда превращается из неточного ответа в неверную операцию.
McKinsey в материале о готовности данных от 23 июня 2026 года описывает тот же класс проблемы без привязки к цифрам D&B: для масштабирования нужно соединять структурированные и неструктурированные данные в управляемую, повторно используемую основу. Это независимый контекст, а не подтверждение результатов AI Momentum Survey.
Сравнение с другими исследованиями
PwC опросила 1 217 организаций из 25 отраслей и сообщила 27 мая 2026 года, что верхние 20% компаний получают 74% измеренной в исследовании отдачи от ИИ. PwC связывает преимущество лидеров не с одной моделью, а с сочетанием внедрения, данных и технологий, управления и риск-контроля.
Вывод PwC направленно согласуется с D&B: эффект распределен неравномерно, а организационная основа влияет на масштабирование. Но цифры нельзя сравнивать напрямую. У исследований разные выборки, определения отдачи и способы группировки компаний. Ни одно из них само по себе не измеряет фактическую прибыль всех компаний мира.
Вывод PwC направленно согласуется с D&B: эффект распределен неравномерно, а организационная основа влияет на масштабирование. Но цифры нельзя сравнивать напрямую. У исследований разные выборки, определения отдачи и способы группировки компаний. Ни одно из них само по себе не измеряет фактическую прибыль всех компаний мира.
Что это значит для бизнеса
Для малого и среднего бизнеса главный практический вывод — не начинать с абстрактной задачи «подготовить все данные компании». Такой проект легко становится бесконечным. Надежнее выбрать один процесс с понятным владельцем и измерить четыре слоя готовности.
1. Определить бизнес-метрику
До внедрения нужно зафиксировать базовый уровень: время обработки заявки, долю пропущенных обращений, стоимость операции, конверсию или число возвратов на доработку. Без исходной точки любое впечатление от ИИ будет трудно перевести в ROI.
2. Согласовать словарь данных
Команда должна письменно определить ключевые сущности и показатели процесса: что считается лидом, продажей, завершенной задачей, ошибкой и экономией. Эти определения должны одинаково применяться в источниках данных и отчетах.
3. Проверить доступ и ответственность
Нужно назначить владельца данных, ограничить права ассистента и сохранить журнал действий. Для первых запусков полезен режим, в котором ИИ предлагает операцию, а сотрудник подтверждает ее до исполнения.
4. Масштабировать только подтвержденный результат
После пилота следует сравнить результат с базовой метрикой и учесть полную стоимость: интеграции, лицензии, контроль качества, обучение сотрудников и исправление ошибок. Только затем сценарий стоит переносить на другие подразделения.
Контраргумент: не нужно ждать идеальных данных
Показатель 6% не означает, что остальным 94% следует остановить внедрение ИИ. Для ограниченного сценария достаточно подготовить релевантный набор данных, установить контроль и не давать системе лишних полномочий. Требование полной готовности всей компании до первого запуска столь же непрактично, как масштабирование сырого пилота.
Рациональный путь находится между этими крайностями: локальный запуск, проверяемая метрика, управляемый контур данных и поэтапное расширение. Именно так организация превращает удачный эксперимент в воспроизводимый процесс.
Рациональный путь находится между этими крайностями: локальный запуск, проверяемая метрика, управляемый контур данных и поэтапное расширение. Именно так организация превращает удачный эксперимент в воспроизводимый процесс.
Почему это важно
На рынке часто обсуждают выбор модели, стоимость токенов и качество генерации. Опрос D&B возвращает внимание к менее заметному ограничению: даже сильная модель не знает внутренних определений бизнеса и не исправляет автоматически разногласия между системами.
Для руководителя это меняет порядок инвестиций. После успешного пилота следующий бюджет нужен не только на дополнительные лицензии, но и на интеграции, качество справочников, права доступа, наблюдаемость и владельцев процессов. Эти расходы не так эффектны на демонстрации, зато именно они определяют, станет ли ИИ частью операционной системы компании.
Для руководителя это меняет порядок инвестиций. После успешного пилота следующий бюджет нужен не только на дополнительные лицензии, но и на интеграции, качество справочников, права доступа, наблюдаемость и владельцев процессов. Эти расходы не так эффектны на демонстрации, зато именно они определяют, станет ли ИИ частью операционной системы компании.
Вывод
Исследование не доказывает, что три четверти компаний получили сопоставимый финансовый эффект от ИИ. Оно показывает более осторожную картину: отдельные результаты стали распространенными, но широкая отдача встречается заметно реже, а полностью готовой свою информационную основу считает небольшая доля респондентов.
Практическая задача бизнеса — не ждать идеального массива данных и не расширять пилоты автоматически. Нужно связать каждый ИИ-сценарий с измеримой метрикой, согласованными определениями, ответственным владельцем и контролируемыми действиями. Масштабировать стоит не сам инструмент, а подтвержденный процесс.
Практическая задача бизнеса — не ждать идеального массива данных и не расширять пилоты автоматически. Нужно связать каждый ИИ-сценарий с измеримой метрикой, согласованными определениями, ответственным владельцем и контролируемыми действиями. Масштабировать стоит не сам инструмент, а подтвержденный процесс.
«Для руководителя вывод здесь не в том, чтобы остановить ИИ-проекты, а в том, чтобы перестать масштабировать их вслепую. Пока показатели, справочники и права доступа расходятся между системами, каждый новый агент умножает не только скорость работы, но и цену ошибки».
— Евгений Сайкин, Генеральный директор Команды, Komanda.ai
Источники:
1. Dun & Bradstreet: AI Momentum Survey of 10,000 Businesses — 28 июля 2026 года, 08:45 ET / 15:45 МСК. Первоисточник: релиз предоставлен Dun & Bradstreet через PR Newswire.
2. Dun & Bradstreet: предыдущая волна AI Momentum Survey — 4 мая 2026 года. Официальный источник; использован только для датированного контекста.
3. PwC: How leading companies generate ROI from AI — 27 мая 2026 года. Независимый методологический контекст; цифры напрямую не сопоставлялись с D&B.
4. McKinsey: AI data readiness — the key to scaling impact — 23 июня 2026 года. Независимый контекст по управлению данными.
1. Dun & Bradstreet: AI Momentum Survey of 10,000 Businesses — 28 июля 2026 года, 08:45 ET / 15:45 МСК. Первоисточник: релиз предоставлен Dun & Bradstreet через PR Newswire.
2. Dun & Bradstreet: предыдущая волна AI Momentum Survey — 4 мая 2026 года. Официальный источник; использован только для датированного контекста.
3. PwC: How leading companies generate ROI from AI — 27 мая 2026 года. Независимый методологический контекст; цифры напрямую не сопоставлялись с D&B.
4. McKinsey: AI data readiness — the key to scaling impact — 23 июня 2026 года. Независимый контекст по управлению данными.
Вопросы и ответы
Что показал новый опрос Dun & Bradstreet?
48% респондентов сообщили об отдельных ИИ-проектах с ROI, 28% — о широкой или высокой отдаче, а 34% масштабируют ИИ в производство. Только 6% считают данные полностью готовыми для такого масштаба.
Означает ли это, что 76% компаний получили высокий финансовый ROI?
Нет. В эти 76% входят 48% с отдельными очагами отдачи и 28% с широкой либо высокой отдачей. Денежный размер ROI, период расчета и единая формула в релизе не указаны.
Что означает «данные полностью готовы»?
В релизе нет операционного определения. Практически готовность обычно требует согласованных метрик, качества записей, интеграций, прав доступа, владельцев данных и контроля действий ИИ. Но 6% — именно самооценка участников по критериям опроса.
Нужно ли останавливать ИИ-проекты, если данные неидеальны?
Нет. По состоянию на 30 июля 2026 года не найден независимый источник, воспроизводящий июльские показатели D&B. Исследования PwC и McKinsey дают направленно согласующийся контекст, но используют другие методики и не подтверждают цифры напрямую.
Подтверждены ли показатели независимо?
Нет. Выборка охватывает пользователей из США и восемь профессиональных групп. Для российского бизнеса вывод о применимости является гипотезой, которую нужно проверять на собственных процессах.