Почему 80% проектов AI-маркетинга проваливаются (и как оказаться среди 20%)

Каждый провалившийся проект AI-маркетинга, который я видел, начинается одинаково. Кто-то смотрит демо продукта, чувствует странную смесь страха и жадности и покупает лицензии, не задав ни одного неудобного вопроса.

Через полгода инструмент лежит заброшенным рядом с одиннадцатью такими же. Счёт продлевается автоматически. На квартальном ревью никто не хочет о нём говорить.

Я провёл аудит достаточного количества таких кладбищ, чтобы сказать: провал не является загадкой. Он следует четырём паттернам. Все четыре видны с первого дня, если знать, куда смотреть.

Ключевые выводы

• Большинство AI-проектов проваливается, и маркетинг не является исключением. По оценкам, которые цитирует RAND Corporation, доля провалов AI-проектов превышает 80 процентов, вдвое больше, чем у обычных IT-проектов
• Причина номер один: покупка инструментов до исправления данных. Ни одна модель не спасёт сломанный фундамент
• Пилоты без владельца, метрики и даты становятся постоянными пилотами. Проект NANDA MIT обнаружил, что 95 процентов пилотов генеративного AI дают мало или ноль измеримого влияния на P&L
• Победители начинают с одной проблемы, одной цифры и девяноста дней. Всё остальное это театр
• Для маркетингового AI в отдельности чистой статистики провалов не существует. Честное прочтение: маркетинг движется на уровне среднего по компаниям

Цифры, которые никто не покажет вам на демо

Сколько проектов AI-маркетинга реально проваливается? Честный ответ: никто не публикует чистую цифру отдельно по маркетингу. Я искал.

Но каждый серьёзный замер AI-проектов в целом попадает в один и тот же некрасивый диапазон. А маркетинг работает на тех же данных, тех же вендорах и тех же стимулах, что и остальная компания.

• RAND Corporation сообщала в 2024 году: по некоторым оценкам, проваливается более 80 процентов AI-проектов. Это вдвое выше доли провалов IT-проектов без AI. Из этой оценки и родился мой заголовок
• Проект NANDA лаборатории MIT Media Lab выяснил в августе 2025 года, что 95 процентов корпоративных пилотов генеративного AI дают мало или совсем никакого измеримого влияния на P&L
• S&P Global Market Intelligence обнаружила, что 42 процента компаний свернули большинство своих AI-инициатив в 2025 году. Годом ранее эта цифра равнялась 17 процентам
• Gartner прогнозировала в июле 2024 года, что минимум 30 процентов проектов генеративного AI будут свёрнуты после proof of concept к концу 2025 года. Позднее Gartner дала понять, что реальная цифра не ниже 50 процентов
• Со стороны отдачи: MIT Sloan Management Review и BCG выяснили в 2020 году, что значимую финансовую выгоду от AI видит лишь примерно одна компания из десяти. К 2025 году BCG оценила, что ощутимую ценность от AI в масштабе получают всего 5 процентов компаний

Выбирайте определение провала, которое вам больше нравится. Диапазон от 80 до 95 процентов. Точная цифра менее важна, чем форма кривой.

Не существует исследования, которое выделяет маркетинговый AI и считает жертвы. Честная позиция: ваш маркетинговый стек не особенный. Он проваливается с той же частотой, что и AI у всех остальных, и по тем же причинам.

Что на самом деле представляет собой внедрение AI-маркетинга

Внедрение это не покупка лицензии. Это полная цепочка: проблема, которую стоит решать, данные за ней, инструмент, изменение процесса и измерение, которое говорит, сработало ли.

Большинство компаний финансирует третье звено и морит голодом остальные четыре. Потом они удивляются, почему дашборд остаётся красивым, а P&L остаётся плоским.

Держите эту цепочку в голове. Каждый паттерн провала ниже это щелчок лопнувшего звена.

Паттерн провала 1: инструмент пришёл раньше данных

Это главный. Самая частая последовательность в провалившихся внедрениях: сначала выбирают инструмент, потом обнаруживают проблему с данными.

Мой самый частый вывод из аудитов: компания купила AI-платформу до того, как смогла ответить на базовые вопросы. Откуда приходят наши лиды? Какие кампании касались этой сделки? Кто владелец этой записи контакта? Тишина.

Потом приходит AI. Его кормят CRM с тремя версиями одного и того же клиента, UTM-метками, которые умирают через неделю, и вовлечённостью по email, которую никто никогда не связывал с выручкой. Модель производит уверенную бессмыслицу. Команда делает вывод: «AI для нас не работает». Инструмент получает вину за фундамент.

Почините атрибуцию. Дедуплицируйте CRM. Договоритесь об одном источнике правды. Потом покупайте. Я писал об этом обязательном условии в честной оценке предиктивной аналитики в маркетинге, и оно касается каждого AI-инструмента, который вы когда-либо будете оценивать.

Паттерн провала 2: пилот, который никогда не заканчивается

Многие команды запускают пилоты так, как другие люди соблюдают новогодние обещания. Энтузиазм на старте, никакого финиша, тихое забвение.

Пилот без трёх вещей не пилот. Это хобби. Три вещи: названный по имени владелец, заранее согласованная метрика успеха и дата, когда вы принимаете решение.

Цифра MIT NANDA здесь заслуживает контекста. 95 процентов пилотов genAI не показали измеримого влияния на P&L. Не потому, что технология подвела. Потому что никто не определил, как должен выглядеть эффект, никто не мерил относительно базовой линии и никто не имел полномочий закрыть проект.

Пилот без даты окончания это не исследование. Это прокрастинация с бюджетом.

Паттерн провала 3: автоматизация хаоса

Вот паттерн, который болит сильнее всего, потому что выглядит как прогресс. Команда описывает свой сломанный процесс, автоматизирует его от начала до конца и называет это трансформацией.

Всё, что они сделали: сделали хаос дешевле в производстве. Письма по-прежнему уходят мёртвым контактам. Лиды по-прежнему оцениваются по показателям тщеславия. Отчёты по-прежнему меряют активность вместо результатов.

Я продолжаю повторять одну и ту же фразу из плейбука AI-маркетинга, потому что она остаётся правдой: AI усиливает то, что уже есть. Сильная стратегия накапливает эффект. Слабая стратегия проваливается быстрее и в масштабе.

Прежде чем автоматизировать процесс, перерисуйте его. Уберите шаги, которые существуют только потому, что человеку приходилось компенсировать плохие инструменты. Потом автоматизируйте то, что выжило.

Паттерн провала 4: ящик, полный инструментов, ноль решённых проблем

У большинства маркетинговых команд, которые я аудирую в 2026 году, подписок на AI больше, чем сценариев применения. Я видел стеки с помощником для текстов, генератором изображений, чатботом, инструментом прогнозирования и платформой, которая обещает оркестрировать всё остальное. Каждая покупка в отдельности выглядела разумно.

Вместе они стоят пятизначную сумму в год и не отвечают ни на один вопрос, который реально задаёт совет директоров.

Вопрос никогда не звучит как «какой AI-инструмент нам купить». Вопрос звучит так: «какую проблему, с прикреплённой цифрой, мы решаем в этом квартале». Инструменты это наёмная помощь для определённой работы. Их коллекционирование не является стратегией.

Что победившие 20 процентов делают иначе

Команды, которые добиваются успеха, разделяют общие привычки. Ни одна из привычек не секрет, и это самое досадное.

Они выбирают проблему с прикреплённой цифрой. Не «производство контента». А вот это: описания товаров для 4 000 SKU, за тридцать дней, на 60 процентов дешевле. Цифры принуждают к честности.

Они чинят данные до покупки. Атрибуция, которой доверяют, чистая CRM, один источник правды. Негламурно и решающе.

Они отдают результат одному человеку. Не комитету. Одно имя рядом с метрикой, с полномочиями закрыть или масштабировать.

Они определяют успех до старта пилота. Сначала замерена базовая линия. Порог записан. Дата в календаре.

Они убивают быстро. Девяностодневное ревью без сантиментов. Невозвратные затраты тоже не стратегия.

Вот как выглядит стратегия AI-маркетинга, построенная на доказательствах. Узкий фокус, выстроенные в последовательность решения, измеримые результаты.

Девяностодневная версия, которая работает

Если вам нужна конкретная последовательность, а не лекция, вот та, которую я бы вручил любому руководителю маркетинга, начинающему с нуля.

Шаг 1, дни 1-15. Выберите одну проблему и запишите цифру, которую она должна сдвинуть. Вместе с базовой линией. Если не можете назвать цифру, вы не готовы.

Шаг 2, дни 16-30. Почините срез данных, который нужен этой проблеме. Не все ваши данные. Именно срез.

Шаг 3, дни 31-60. Запустите один инструмент против этого среза. Один владелец. Еженедельная тридцатиминутная проверка, не дольше.

Шаг 4, дни 61-85. Измерьте относительно базовой линии тем же методом, которым её записывали. Реальные цифры, без ощущений.

Шаг 5, дни 86-90. Решайте. Масштабировать, дорабатывать или закрыть. Все три варианта это победа. Провал только один: дрейф.

Если это звучит мелко, хорошо. Малое и законченное бьёт грандиозное и дрейфующее.

Часто задаваемые вопросы

Какой процент внедрений AI-маркетинга проваливается?

Ни одно исследование не выделяет маркетинговый AI и не публикует чистую ставку провалов. По оценкам, которые цитирует RAND Corporation, проваливается более 80 процентов AI-проектов в целом, а проект NANDA MIT обнаружил, что 95 процентов пилотов генеративного AI не дают измеримого влияния на P&L. У маркетинга нет подтверждённого данными исключения из этих цифр.

Почему проекты AI-маркетинга проваливаются так часто?

Четыре паттерна покрывают большую часть: покупка инструментов до исправления данных, пилоты без владельцев и дедлайнов, автоматизация сломанных процессов и коллекционирование инструментов вместо решения названных проблем. Каждый из них это провал процесса, а не технологии.

Что стоит починить перед покупкой любого инструмента AI-маркетинга?

Фундамент данных. Атрибуция, которой доверяете, дедуплицированная CRM и одно согласованное определение того, что считать лидом и конверсией. Каждый серьёзный сценарий AI в маркетинге стоит на этом фундаменте.

Мой итог

Эти 80 процентов не ленивые и не глупые. Они следовали стандартному сценарию: посмотреть демо, купить платформу, запустить пилот, надеяться. В каждом провалившемся внедрении AI-маркетинга, которое я аудировал, провал был встроен в саму последовательность действий.

Так что будьте задом наперёд намеренно. Сначала почините данные. Выберите одну проблему с прикреплённой цифрой. Назовите владельца. Поставьте дату. И только потом пусть инструмент докажет, что заслуживает большей работы.

Если хотите полную картину того, что работает после исправления последовательности, начните со статьи-столпа про AI-маркетинг. А если вам нужен свежий взгляд на ваше собственное внедрение, напишите мне напрямую. Я провожу именно такие аудиты и прихожу сначала со скучными вопросами.