Quail Group: businesses fail with AI not because of weak models, but due to data confusion

Большинство компаний буксуют с AI не из-за слабых моделей или нехватки бюджета. По мнению авторов Quail Group, проблема глубже: бизнес не понимает, какие данные действительно важны, и поэтому с помощью AI лишь быстрее масштабирует собственную путаницу.

Не в моделях дело

На рынке по-прежнему много ожиданий, что новые инвестиции автоматически принесут больше интеллекта и эффективности. Но картина выходит другой. В статье для TNW авторы ссылаются на State of Enterprise AI 2026: глобальные расходы на AI могут достичь $2,52 трлн, однако лишь 14% финансовых директоров видят измеримую отдачу.

Ещё один тревожный сигнал — 42% компаний в 2025 году отказались от большей части своих AI-пилотов. Это выглядит не как локальные ошибки внедрения, а как системный разрыв между амбициями и реальным исполнением. Авторы спорят с популярным объяснением, что всё упирается только в «грязные» данные.

Чистота важна, но сама по себе она мало что даёт, если данные не связаны с конкретными решениями, не объединены между собой и не пригодны для ежедневной работы. Во многих компаниях накопились дашборды, отчёты и трекинговые системы, которые создают видимость прозрачности. При этом команды часто не могут объяснить, почему метрика изменилась, как она влияет на результат и какое действие вообще должно последовать.

Как хаос растёт Проблема усугубляется масштабом.

Объём данных растёт быстрее, чем способность компаний их интерпретировать. Команды измеряют всё, что могут измерить, но не всегда понимают, зачем именно это нужно. В итоге десятки метрик борются за внимание, определения расходятся между отделами, события фиксируются по-разному, а отчётность часто зависит от ручных правок.

В такой среде сложно собрать единую картину бизнеса: каждый работает с фрагментами, а фрагменты редко совпадают между собой. Когда поверх такой базы ставят AI, неясность не исчезает — она начинает распространяться быстрее. Системы, обученные на противоречивых входных данных, не устраняют двусмысленность, а усиливают её.

По данным, приведённым в материале, 61% руководителей data-направлений говорят, что улучшение качества данных помогает переводить AI-инициативы в продакшн, но 50% всё ещё считают качество данных и доступ к ним серьёзными барьерами. Отдельно настораживает разрыв между уверенностью и пониманием: 65% руководителей считают, что сотрудники доверяют данным для AI, хотя 75% одновременно признают пробелы в навыках работы с данными.

«AI и автоматизация усиливают состояние тех данных, на которые опираются».

С чего начать Авторы не верят, что проблему решат просто более удобные инструменты.

Если процессы внутри компании изначально устроены неясно, владельцы метрик не определены, а сами сигналы плохо описаны, то и любая новая AI-система будет работать поверх того же организационного тумана. Поэтому начинать предлагают не с новых моделей и не с ещё одного дашборда, а с пересборки логики принятия решений. Практический старт выглядит так: Найти вопросы, на которые бизнесу сегодня труднее всего ответить Назначить владельцев ключевых данных и метрик Стандартизировать процессы, чтобы события фиксировались одинаково Убрать лишние показатели и оставить сигналы, связанные с действиями * Собрать связный слой данных, который удобен для повседневной работы Отдельный акцент сделан на человеческой стороне.

Даже хорошо структурированные данные не принесут пользы, если команда не понимает, как применять их в ежедневных решениях. Поэтому управление изменениями здесь не факультативная надстройка, а часть самой AI-стратегии. Компаниям нужно учить людей отличать значимые сигналы от фонового шума и действовать на их основе уверенно, а не просто потреблять всё больше отчётности.

Что это значит Главная мысль статьи простая: AI не лечит организационный хаос автоматически.

Если у компании нет ясности в процессах, ответственности и данных, новые модели только ускорят выпуск сомнительных выводов. Выиграют те, кто сначала наведёт порядок в сигналах, а уже потом будет масштабировать автоматизацию.