Малый бизнес внедряет ИИ вдвое активнее прежнего, но упирается в законы и старые системы

Малый и средний бизнес переходит на искусственный интеллект гораздо быстрее, чем несколько лет назад. По данным Торговой палаты США, почти 60% небольших компаний уже применяют ИИ и генеративные модели в повседневной работе – вдвое больше, чем в предыдущие годы. Молодые фирмы осваивают технологию ещё резвее: по оценке Института JPMorgan Chase, новые компании выходят на 10-процентный уровень внедрения за полгода, тогда как их предшественникам на это требовалось шесть лет.

Картина сильно различается по странам. Исследование Sage Group показывает, что в микробизнесе лидируют США (64%) и Великобритания (60%), а Франция подтягивается медленнее – 35%. Отчёт ОЭСР фиксирует, что генеративный ИИ активно встроили в свои процессы 30,7% опрошенных предприятий.

Финансовый эффект оценивают по-разному. Глобальный опрос Salesforce показал, что 91% использующих ИИ компаний фиксируют рост выручки. Цифра спорная: другие исследования отмечают ограниченное влияние на доход и куда более заметную отдачу в операционной эффективности. Массового сокращения штатов при этом не происходит – по данным Британской торговой палаты, 95% внедривших ИИ компаний не уменьшили число сотрудников. Инструменты пока усиливают работников, а не заменяют их.

Главный тормоз – регулирование. 65% предпринимателей путаются в разрозненных законах об ИИ, которые в США принимают на уровне отдельных штатов, и опасаются растущих расходов на юристов и комплаенс: в Колорадо этого боятся 76% компаний, на Гавайях – 86%. Ещё 77% уверены, что запреты или ограничения на технологию ударят по их обороту и повседневным операциям.

Остаются и структурные препятствия: стоимость первого внедрения, вопросы приватности данных и нехватка технических специалистов. Отдельная головная боль – стыковка современного ИИ со старой внутренней инфраструктурой. Унаследованные системы без открытых API, разрозненные данные, ручные процессы и хрупкая киберзащита превращают интеграцию в дорогой и долгий проект.

ИИ работает ровно настолько хорошо, насколько чисты данные, которыми его кормят. Компаниям придётся переучивать сотрудников – от навыков составления запросов и критической проверки ответов модели до элементарной «гигиены данных»: как правильно структурировать документы и размечать метаданные. Маркетологам нужны свои сценарии, финансистам – обучение автоматическому поиску аномалий, а всей команде – управление изменениями, чтобы снять страх перед автоматизацией.

Для логистики и цепочек поставок этот разрыв особенно чувствителен. Небольшим экспедиторам и складским операторам ИИ обещает защиту от сбоев в поставках, но без чистых процессов, единых данных и связки всех участников такие проекты буксуют – а именно малый и средний бизнес с его ограниченными ресурсами сильнее всего страдает от перебоев в глобальных цепочках.