Впровадження AI — чому 95% пілотів помирають і що з цим робити

Сценарій, який за останні півтора року повторювався в десятках компаній. Власник погоджує пілот зі штучного інтелекту. Демо працює, презентація переконлива, підрядник професійний. Через шість місяців не запущено нічого. Не тому, що модель виявилася слабкою. Тому що між "модель уміє" і "це працює в нашому процесі щодня" лежить прірва, яку ніхто не взявся переходити. У звіті MIT NANDA State of AI in Business 2025 зафіксовано: 95% корпоративних пілотів генеративного AI не дають вимірюваного бізнес-ефекту. Це не оцінка якості моделей — це оцінка впровадження. Моделі давно достатньо гарні. Вони просто не розгортають себе самі.

Де насправді ламається впровадження AI?

Ваш мертвий пілот був не технічною невдачею, а методологічною. Його впроваджували за моделлю, яка для AI структурно не працює. Класична advisory-модель "проаналізували — віддали звіт — вийшли" залишається валідною там, де результат і є документ: due diligence, оцінка, аудит. Але для впровадження AI ця модель — і є та причина, через яку 95% пілотів помирають. Між рекомендацією у звіті та процесом, що стабільно працює щодня, — прірва, яку документ не перетинає. Хтось має фізично залишатися всередині клієнта, поки система не запрацює. Звіт цього зробити не може.

Що ринок сказав 11,5 мільярдами

Найкращий доказ того, що проблема саме у впровадженні, — це куди пішли гроші. Протягом одного тижня травня 2026 року дві найдорожчі AI-лабораторії світу оголосили багатомільярдні структури навколо однієї ідеї. Anthropic зібрала joint venture на 1,5 мільярда доларів із Blackstone, Hellman & Friedman і Goldman Sachs — щоб саджати власних інженерів усередину фінансових інституцій. OpenAI пішла ширше: "The Deployment Company" на 4 мільярди з оцінкою 10 мільярдів, 19 інвесторів, і — показова деталь — негайне поглинання консалтингової фірми Tomoro з 150 інженерами "з першого дня".

Жоден із релізів не вживав слова "консалтинг". Але структурно це саме він. Цільові галузі — охорона здоров'я, виробництво, фінанси — історично були територією McKinsey та Deloitte. Лабораторії почали будувати власні консалтингові армії, бо зрозуміли: вузьке місце більше не модель. Вузьке місце — інтеграція, безпека, перепроєктування процесів. Те, що відбувається всередині компанії клієнта — там, де бенчмарки вже не мають значення.

Forward Deployed Engineer — у чому різниця зі звичайним консалтингом?

Модель, яку всі вони копіюють, вигадали в Palantir двадцять років тому. FDE — Forward Deployed Engineer — назва військова: за аналогією з солдатом, розгорнутим на передовій. До 2016 року таких інженерів у Palantir було більше, ніж звичайних розробників. Логіка проста: дані замовника завжди брудні, процеси недокументовані, обмеження по комплаєнсу унікальні. Жодна презентація цього не вирішує.

Різниця категоріальна. Класичний консультант пише рекомендації, віддає звіт, виходить із проєкту. Результат — документ. FDE пише продакшн-код усередині інфраструктури клієнта, ітерує, поки система не працює, і виходить, коли вона працює. Результат — діючий процес. У серцевині — двосторонній розрив знань: інженери клієнта знають бізнес, інженери з боку впроваджувача знають, як модель поводиться в продакшні. Щоб щось реально запрацювало, потрібні обидві сторони в одній кімнаті. Кількість вакансій FDE зросла більш ніж на 800% за дев'ять місяців 2025 року — ринок праці вже відповів на запит.

Що це означає для advisory-практики

Лабораторії роблять із консалтингом те саме, що їхні агенти роблять із софтом: поглинають його функцію. Вони не знищують консультанта-впроваджувача — вони стають фірмою, яка його наймає. Для advisory-практики висновок прямий: якщо вона хоче залишатися релевантною в запиті на впровадження AI, вона має навчитися віддавати не рекомендацію, а діючу систему. Це не означає перетворитися на ІТ-інтегратора. Це означає додати до моделі доставку — шар, який залишається всередині клієнта, поки рішення не почне працювати.

Для mid-market власника це теж важливо: Applied AI Engineer із лабораторії коштує 350–550 тисяч доларів на рік і сидітиме всередині банку. Але сама модель доставки масштабується вниз — і саме тут advisory-практика має природне місце.

П'ять питань, які відрізняють реального впроваджувача від продавця слайдів

Ця рамка дає власнику конкретний фільтр:

• Ви віддаєте звіт із рекомендаціями чи діючий процес? Якщо звіт — перед вами неправильний підхід.
• На чиїх даних тестуватиметься рішення — на демо чи на наших реальних? Пілот, що падає на реальних даних, — не пілот.
• Хто залишається, коли система зламається через місяць після запуску?
• Ви рахуєте успіх у кількості "впроваджених інструментів" чи у конкретній метриці процесу?
• Що саме вмітиме наша команда сама, коли ви вийдете?

Якщо відповіді розмиті — перед вами модель, яка статистично потрапляє в ті самі 95%.