Исследование проекта NANDA при MIT выявило критический разрыв между потенциалом генеративного ИИ и его реальной эффективностью в бизнесе. Согласно отчету «The GenAI Divide: State of AI in Business 2025», подавляющее большинство внедрений не достигает заявленных целей в краткосрочной перспективе.
Что произошло
Согласно отчету «The GenAI Divide: State of AI in Business 2025», 95% кастомных или встроенных корпоративных ИИ-проектов не приносят измеримой прибыли или устойчивого роста продуктивности в течение первых шести месяцев работы. Основной технической причиной провала назван «memory gap» — неспособность современных LLM эффективно удерживать контекст и адаптироваться к специфическим организационным знаниям.
Контекст
Проблема заключается в архитектурной статичности текущих моделей. В то время как бизнес ожидает от ИИ глубокой интеграции в процессы, существующие LLM ограничены в способности работать с долгосрочной памятью, что делает их использование в качестве простых «оберток» без сложной инженерной обвязки малоэффективным для решения реальных корпоративных задач.
Почему это важно для индустрии
Для индустрии это означает смещение фокуса с разработки всё более мощных универсальных моделей на создание систем с продвинутыми механизмами долгосрочного хранения знаний. Ожидается рост спроса на специализированные RAG-системы, инструменты управления контекстом и решения для оценки (evals) качества памяти в production-средах.
Почему это важно для пользователей
Для пользователей и руководителей это сигнал о завершении эпохи простого внедрения ChatGPT в рабочие процессы. Успех ИИ теперь будет зависеть не от мощности используемой модели, а от качества интеграции её в конкретные рабочие циклы и способности системы обучаться на внутренних данных организации.
Источники
Автор
Look at AI, редакция