Кладбище AI-проектов: почему 42% инициатив закрывают и что помогает выжить

Почему AI-проекты закрываются: масштаб проблемы

По оценке S&P Global Market Intelligence, около 42% корпоративных AI-инициатив в итоге закрывают их владельцы. Деньги заканчиваются раньше, чем появляется результат. Технология не выдерживает реальной нагрузки. Конкуренты добавляют ту же функцию бесплатно внутри своих платформ. Пользователи не находят в продукте ценности. Эти четыре причины повторяются в большинстве историй, о которых пойдёт речь ниже.

Уточним термины, чтобы дальше не было путаницы. AI-инициатива - это проект, где искусственный интеллект несёт основную нагрузку: чат-помощник для сотрудников, сортировка заявок, генерация текстов, распознавание изображений. Корпоративная инициатива означает, что проект живёт внутри компании: у него есть бюджет, куратор и срок, к которому ждут измеримую отдачу. Цифра 42% относится именно к таким проектам, а не ко всем AI-продуктам на рынке и не к стартапам в целом.

Отсюда практический вывод: закрытие отдельного AI-продукта ничего не говорит о судьбе искусственного интеллекта. Оно говорит о конкретном проекте, его экономике и его аудитории. Ниже разберём, как это выглядит на примерах Relay, редизайна ChatGPT, задержки Siri, функции Microsoft Recall и AI-устройств Humane AI Pin и Rabbit R1.

Что такое «кладбище AI-проектов» и почему это нормально

Метафора «кладбище AI-проектов» решает одну задачу: помогает увидеть закономерности. Когда закрытые продукты лежат рядом в одном списке, становится заметно, что большинство из них умерло по повторяющимся причинам. Такой список отделяет случайную неудачу от системной проблемы.

Похожий этап интернет-экономика прошла в начале 2000-х: тогда закрылись сотни компаний, а выжившие изменили то, как люди покупают, общаются и работают. Нынешний цикл отличается скоростью. Модель, которую год назад запускали как отдельный продукт, сегодня становится одной из функций большой платформы, и отдельный сервис теряет смысл.

Закрытие проекта не означает, что технология не работает. Часто означает, что она работает, но не приносит денег именно в этой форме, у этой команды и в этот момент. Рынок отсеивает слабые конфигурации и оставляет те, где ценность понятна пользователю без объяснений.

Статистика: 42% AI-инициатив не доживают до результата

S&P Global Market Intelligence приводит цифру 42% для корпоративных AI-инициатив, которые владельцы в итоге закрывают. Причины названы в четырёх группах: нехватка финансирования, технические сложности, конкуренция и слабый спрос.

За этой цифрой стоит простая механика. Компания выделяет бюджет на пилотный проект, ждёт измеримого эффекта за квартал или два, а получает систему, которой нужны данные, время и постоянная поддержка специалистов. Если эффект не видно в отчёте, проект останавливают, даже когда технология работает корректно.

Оговорка по данным: отраслевые оценки меняются от выборки к выборке и от квартала к кварталу. Цифру 42% разумно воспринимать как ориентир масштаба, а не как точный прогноз для конкретного проекта. Если от этой цифры зависит решение о деньгах, сверяйтесь со свежими отчётами.

Кейсы: как выглядит провал AI-продукта на практике

Разбор пойдёт по одной схеме: что это было, что пошло не так, какой урок остался. Публичные детали по части историй неполны, поэтому там, где фактов мало, мы это прямо помечаем. Точные даты, суммы и цифры продаж выдумывать не будем.

Relay: автоматизация, не выдержавшая конкуренции с платформами

Relay - AI-инструмент для автоматизации рабочих процессов: он связывал действия сотрудников между собой и с внешними сервисами, чтобы рутинные операции выполнялись без ручного участия. Идея попала в тренд: компании искали способы убрать повторяющиеся шаги из ежедневной работы.

Продукт не выдержал конкуренции с крупными платформами, которые добавили похожие функции в свои экосистемы. Пользователю проще включить автоматизацию там, где уже лежат его задачи, чем подключать отдельный сервис. Точные обстоятельства и даты закрытия требуют проверки: публичных подтверждений мало.

Урок: если функцию легко повторить внутри большой платформы, преимущество исчезает за месяцы, а не за годы. Защитой становится то, что сложно скопировать: глубокие данные, узкая отрасль, интеграции, которые долго настраивать.

ChatGPT как «суперприложение»: быстрый откат OpenAI

OpenAI попробовала превратить ChatGPT в «суперприложение»: единую точку входа для множества задач вместо привычного чата. Изменения в интерфейсе быстро откатили.

Это пример реакции на обратную связь. Пользователи приходят в знакомый продукт за конкретным сценарием, и перестройка интерфейса ломает привычку. Чем крупнее аудитория, тем дороже ошибка в базовом опыте. Детали редизайна и сроки отката стоит проверять по официальным заявлениям компании.

Урок: скорость отката снижает ущерб. Неудачный эксперимент у лидера рынка не означает провала продукта, он означает, что эксперимент закончился быстрее, чем превратился в проблему для репутации.

Apple и Siri: задержка улучшений как скрытый провал

Apple задержала выпуск улучшенной Siri. Ассистент остаётся одним из самых массовых AI-продуктов в мире, поэтому перенос сроков заметили и пользователи, и рынок.

Для Apple это репутационный риск: обещанные возможности появляются позже, чем ожидалось, а конкуренты за это время двигаются вперёд. Это форма неудачи, но не закрытие проекта: компания продолжает работу и сохраняет базу устройств, на которой ассистент живёт.

Урок: задержка может быть стратегическим решением, когда выпуск сырой функции стоил бы дороже, чем перенос сроков. Точные сроки и причины переноса требуют проверки.

Microsoft Recall: когда приватность ломает AI-функцию

Recall запоминает происходящее на экране и позволяет вернуться к прошлым действиям. Функция вызвала вопросы о приватности: запись личной активности требует очень высокого уровня доверия.

Реакция пользователей и специалистов по защите данных заставила Microsoft пересмотреть подход к функции. Это редкий случай, когда технически работающее решение тормозит не качество модели, а отношение людей к сбору личных данных.

Урок: AI-функции, которые работают с личной информацией, зависят от доверия сильнее, чем от точности алгоритма. Один скандал на старте способен отложить выпуск на месяцы.

Humane AI Pin и Rabbit R1: провал AI-устройств

Оба устройства пытались создать новый форм-фактор: носимый помощник, который заменяет экран смартфона голосом, камерой и проекцией. Оба не оправдали ожиданий.

Аппаратный продукт сложнее программного: производство, логистика, ремонт, цена и срок службы батареи складываются в барьеры, которых нет у чат-бота. Спрос на новый форм-фактор не всегда очевиден до старта продаж, а смартфон уже закрывает большинство сценариев, ради которых покупали гаджет.

Урок: спрос важнее технологичности. Цифры продаж здесь не приводим: подтверждённых данных нет, а оценки разных источников расходятся.

Четыре главные причины, по которым AI-проекты закрываются

Разрозненные кейсы сводятся к четырём причинам из описания статистики. На практике они почти всегда комбинируются: нехватка денег ускоряет отказ от технически сложного проекта, а конкуренция обнуляет спрос.

Нехватка финансирования: когда деньги заканчиваются раньше результата

AI-проект требует вложений дольше, чем обычный цифровой сервис. Данные нужно чистить, модели дообучать, ответы проверять людьми, инфраструктуру оплачивать ежемесячно. Руководство при этом ждёт отдачу быстро.

Когда отчёт не показывает эффекта, бюджет перекрывают. Именно этот сценарий чаще всего стоит за закрытием корпоративных инициатив внутри той доли 42%, которую описывает S&P Global Market Intelligence.

Технические сложности: почему AI работает не так, как обещали

Типичные барьеры известны. Качество данных: мусор на входе даёт мусор на выходе. Масштабирование: в тесте двадцать пользователей, в продакшене двадцать тысяч. Непредсказуемость моделей: один и тот же вопрос даёт разные ответы, и это ломает процессы, где нужна стабильность.

Microsoft Recall показывает, как техническая сложность соединяется с риском для приватности: функция работает, но условия её применения требуют отдельного разбирательства. Добавьте сюда стоимость вычислений, которая растёт вместе с числом пользователей.

Конкуренция: как крупные платформы съедают нишевые продукты

Крупная платформа добавляет функцию к тому, за что пользователь уже платит. Отдельный продукт с той же функцией просит денег второй раз. Relay проиграл именно в этой логике: автоматизация перестала быть отдельной покупкой.

Урок: ищите то, что сложно скопировать. Узкая отрасль с собственными данными, нестандартные интеграции, юридические требования конкретного рынка держатся дольше, чем универсальная функция.

Слабый спрос: когда пользователи не видят ценности

Бывает, что продукт технически работает, но не решает реальную боль. Humane AI Pin и Rabbit R1 показывают этот сценарий: человек смотрит на устройство и не понимает, какую ежедневную задачу оно закрывает лучше смартфона.

Урок: спрос проверяют до масштабных вложений. Пилот на узкой группе пользователей стоит дешевле, чем производство партии устройств, которую потом некому продать.

Что уроки провалов значат для пользователей и специалистов

Пробовать AI-продукты не страшно. Полезно заранее понимать, чем закончится история, если сервис закроется или изменит условия. Ниже критерии, которые помогают оценить устойчивость проекта до того, как вы вложите в него время и деньги.

Как отличить жизнеспособный AI-проект от будущего провала

• Модель адаптирована под конкретную задачу, а не взята в общем виде. Универсальная модель даёт универсальный результат.
• Ценность формулируется одной фразой без объяснений про нейросети.
• Есть живое сообщество: пользователи обсуждают сценарии, а не только жалуются на сбои.
• Условия прозрачны: понятно, где хранятся данные, что с ними происходит и сколько стоит тариф.
• Команда владеет инфраструктурой или хотя бы контролирует ключевую часть технологии.

Гарантий эти признаки не дают. Они снижают вероятность попасть в проект, который остановят через полгода.

Риски для пользователей: приватность, цена и несоответствие ожиданий

Первый риск - приватность. История с Microsoft Recall показала, что функция записи личной активности вызывает вопросы даже у лояльной аудитории. Перед подключением проверьте, какие данные собирает сервис, где они хранятся и можно ли их удалить.

Второй риск - несоответствие цены и ценности. На форумах пользователи сообщали, что на тарифе за 200 долларов в месяц лимиты на дорогом тарифе Codex обнулялись дважды за три дня, а расход выглядел как на тарифе вдвое дешевле. Это единичный опыт, а не официальная статистика, но сигнал показательный: читайте условия лимитов до оплаты.

Третий риск - потеря времени. Если сервис закроется, ваши материалы и настроенные сценарии могут исчезнуть. Заранее выясните, можно ли выгрузить свои данные.

Что делать специалисту, чтобы не потерять время на мёртвый проект

Смотрите на четыре вещи: финансирование, команду, наличие собственной инфраструктуры и подтверждённый спрос. Отдельно оцените, растёт ли рынок вокруг проекта: сокращения в технологическом секторе часто связаны с перераспределением бюджетов в пользу AI-направлений, и это меняет список востребованных навыков быстрее, чем учебные программы. Материал о том, как AI-стратегии меняют рынок труда помогает увидеть эту динамику на конкретных примерах.

Полезно помнить, что ИИ чаще расширяет набор задач внутри профессии, чем отменяет её. Разбор исследования OpenAI о границах профессий показывает, почему навык работы с нейросетями становится базовым требованием, а не редким преимуществом.

Какие AI-инициативы выживают: уроки индустрии

Провалы описывают, чего делать не стоит. У выживших проектов есть общие черты, и они воспроизводимы в масштабе отдельной команды.

Кастомные модели против универсальных: почему это важно

Формулировка «Generic models make generic agents» описывает простую мысль: универсальная модель даёт универсальный результат. Компании, которые адаптируют модели под свои задачи, получают выигрыш, измеряемый не процентами, а кратным ростом эффективности.

Три отличия лидеров выглядят так. Оценка рабочего процесса: сначала разбирают, как задача выполняется сейчас, и только потом подбирают модель. Обучение как цикл: модель дообучают постоянно, а не один раз на старте. Владение инфраструктурой: организация контролирует, где обрабатываются её данные и сколько это стоит. Ни один из пунктов не требует PhD, но каждый требует управленческого решения.

Инфраструктура как фундамент выживания AI-проекта

Владение инфраструктурой снижает зависимость от внешних поставщиков: меняются цены, условия, доступность моделей, а проект продолжает работать. Примерами таких решений служат AI-облако Lightning AI и интегрированная инфраструктура Dell AI Factory with NVIDIA. Оговорка: материал, в котором описаны эти примеры, спонсорский, поэтому воспринимайте их как иллюстрацию подхода, а не как независимую статистику.

Инфраструктура идёт рядом с аппаратной частью рынка. История стартапа Etched с чипами для вывода AI-моделей без GPU показывает, насколько велика ставка на то, кто владеет вычислениями: компания привлекла 300 млн долларов при оценке 10,3 млрд.

Контраст с закрытыми проектами заметен и в робототехнике. Завод UBTECH в Лючжоу площадью 14 000 квадратных метров открылся 12 сентября, проектная мощность превышает 10 000 гуманоидных роботов в год при такте 10 минут. Counterpoint оценил глобальные поставки гуманоидов в первом полугодии 2026 года выше 22 000 единиц: AgiBot - около 9 700, Unitree - более 7 000. Оговорки: проектная мощность не равна фактическому выпуску, а методики подсчёта у разных производителей не совпадают.

Что дальше: как следить за AI-проектами без информационного шума

Три привычки экономят время и нервы. Следите за хронологией: события в порядке дат показывают динамику, тогда как алгоритмическая выдача подсовывает самое громкое. Проверяйте первоисточник: если новость ссылается на отчёт, ищите сам отчёт. Держите список признаков устойчивости рядом, чтобы оценивать продукт, а не заголовок.

Полезно отделять реальный риск от информационного шума: разбор реакции рынка на китайские AI-модели показывает, как паника возникает быстрее, чем факты.

Проект «Среда AI» собирает новости, разборы и объяснения терминов в понятную хронологическую ленту, чтобы читатель без технического бэкграунда видел картину целиком и не тонул в потоке. Начните с одного правила: перед подключением нового AI-сервиса проверьте, кто его владелец, на чём он зарабатывает и что будет с вашими данными после закрытия.

Есть вопрос или заметили неточность? Напишите нам. Мы уточним формулировки и добавим проверенные детали: часть кейсов в этой теме требует дополнительных подтверждений.