Парадокс отдачи от инвестиций в искусственный интеллект в российской электронной коммерции: факторы разрыва между вложениями и экономическим эффектом

УДК 004.89

Аннотация

Электронная коммерция входит в число отраслей-лидеров по темпам внедрения искусственного интеллекта в Российской Федерации, при этом совокупные инвестиции в ИИ-решения растут опережающими темпами относительно среднерыночных значений. Однако эмпирические данные демонстрируют существенный разрыв между объёмами вложений и фактически получаемой отдачей: до 95 % компаний не достигают окупаемости ИИ-проектов. Целью исследования является выявление и систематизация факторов, обусловливающих парадокс «инвестиции — эффект» в российской электронной коммерции. Применён смешанный методологический дизайн, включающий вторичный анализ отраслевой статистики (АКИТ, Data Insight, «Яков и Партнёры», MIT NANDA, ИСИЭЗ НИУ ВШЭ), контент-анализ публичной отчётности крупнейших маркетплейсов, тематический анализ результатов крупных исследований ИИ-внедрений и вторичный качественный анализ 24 публичных экспертных высказываний руководителей и менеджеров российских компаний электронной коммерции за период 2023–2026 гг. Установлено, что выявленный разрыв детерминирован преимущественно не технологическими, а управленческими и организационно-культурными факторами, объединёнными в шесть кластеров: культура работы с данными, качество корпоративных данных, когнитивная дистанция между уровнями управления, чрезмерная автоматизация, отсутствие итеративной оценки эффективности и использование устаревших методов экономической оценки. Триангуляция количественных и качественных данных подтверждает устойчивый характер выявленных факторов и их специфические проявления в отрасли. Предложена концептуальная модель факторов разрыва и сформулированы рекомендации для менеджмента компаний электронной коммерции.

Abstract

E-commerce is among the leading industries in terms of the pace of artificial intelligence adoption in the Russian Federation, while aggregate investment in AI solutions is growing at a rate exceeding market averages. However, empirical evidence demonstrates a substantial gap between the scale of investment and the returns actually achieved: up to 95 % of companies fail to achieve a return on their AI projects. This study aims to identify and systematize the factors underlying the “investment–impact” paradox in Russian e-commerce. A mixed-methods research design was employed, combining secondary analysis of industry statistics (ACIT, Data Insight, Yakov and Partners, MIT NANDA, and the Institute for Statistical Studies and Economics of Knowledge at HSE University), content analysis of publicly available reports from major marketplaces, thematic analysis of findings from large-scale studies on AI adoption, and a secondary qualitative analysis of 24 publicly available statements by executives and managers of Russian e-commerce companies published between 2023 and 2026. The findings indicate that the identified gap is driven primarily by managerial and organizational-cultural rather than technological factors, which can be grouped into six clusters: data-driven culture, enterprise data quality, cognitive distance between management levels, excessive automation, lack of iterative performance evaluation, and the use of outdated methods of economic assessment. Triangulation of quantitative and qualitative data confirms the persistent nature of the identified factors and their specific manifestations in the industry. A conceptual model of the factors underlying the gap is proposed, along with recommendations for e-commerce management.

Ключевые слова: электронная коммерция; искусственный интеллект; генеративный ИИ; цифровая трансформация; ROI; AI Success Cycle; GenAI Divide.

Keywords: e-commerce; artificial intelligence; generative AI; digital transformation; ROI; AI Success Cycle; GenAI Divide.

Введение

Российский рынок электронной коммерции в 2025 г. достиг 11,5 трлн руб., продемонстрировав годовой прирост 28 %, при этом 96,2 % продаж пришлось на отечественные интернет-магазины и платформы; доля онлайн-канала в розничной торговле, по данным АКИТ, уже в I квартале 2025 г. достигла 18,3 % против 15,2 % годом ранее [2]. Электронная коммерция, наряду с финансовым сектором, телекоммуникациями, медиа и ИТ, входит в пятёрку отраслей-лидеров по темпам и масштабам внедрения искусственного интеллекта (ИИ): передовые отрасли направляют на развитие ИИ-решений 13–17 % годового ИТ-бюджета, тогда как среднерыночное значение составляет около 11 % [7].

Совокупный экономический потенциал ИИ для отрасли оценивается значительными суммами. Согласно совместному исследованию консалтинговой компании «Яков и Партнёры» и Nielsen, к 2030 г. внедрение генеративного ИИ может обеспечить российскому ритейлу и интернет-торговле до 160 млрд руб. дополнительной операционной прибыли ежегодно [5]. По данным «Якова и Партнёров» и Яндекса, 71 % крупных российских компаний уже применяют генеративный ИИ хотя бы в одной из бизнес-функций, что на 17 п. п. превышает показатель 2024 г. [7].

Однако наряду с оптимистичными прогнозами и масштабными инвестициями в отрасли фиксируется парадоксальная ситуация. Согласно исследованию Лаборатории искусственного интеллекта Школы управления СКОЛКОВО «От пилота к масштабу: как встроить ИИ в процессы и получить отдачу», до 95 % компаний в России и в мире не получают необходимой отдачи от внедрения ИИ и не окупают вложенные средства [16]. Эта оценка согласуется с результатами зарубежных исследований: предварительный отчёт исследовательской группы Массачусетского технологического института MIT Project NANDA «The GenAI Divide: State of AI in Business 2025» (авторы оговаривают, что выводы отражают исключительно их собственную позицию) зафиксировал, что при глобальных инвестициях в генеративный ИИ объёмом 30–40 млрд долл. США 95 % корпоративных пилотных проектов не приводят к финансовому эффекту [22]. Барьерный характер проблемы дополнительно подтверждают данные ИСИЭЗ НИУ ВШЭ: около 48 % крупных и средних организаций заявляют об отсутствии потребности в технологиях ИИ, а ключевыми препятствиями для остальных выступают высокие затраты (58 %), недостаточный уровень развития ИКТ-инфраструктуры и нехватка качественных данных [1].

Таким образом, формируется парадокс отдачи: при беспрецедентных инвестициях в ИИ-технологии и значительном декларируемом потенциале их экономической эффективности подавляющее большинство компаний не способно конвертировать вложения в измеримый бизнес-результат. Данное противоречие особенно остро проявляется в электронной коммерции — отрасли, где интенсивность цифровизации, объём накапливаемых данных и плотность ИИ-внедрений максимальны.

Цель исследования — выявление и систематизация факторов, обусловливающих разрыв между инвестициями в ИИ и экономическим эффектом в российской электронной коммерции, а также формирование рекомендаций по преодолению этого разрыва.

Задачи исследования: (1) охарактеризовать масштабы и структуру инвестиций в ИИ-решения в передовых отраслях российской экономики, к которым относится электронная коммерция; (2) идентифицировать степень фактической отдачи на основе вторичных данных и кейсов крупнейших участников рынка; (3) выявить ключевые детерминанты разрыва между ожидаемой и фактической эффективностью посредством триангуляции количественных данных и качественного анализа публичных экспертных высказываний; (4) предложить концептуальную модель факторов разрыва и рекомендации для менеджмента.

Объектом исследования выступают компании российской электронной коммерции, внедряющие технологии искусственного интеллекта; предметом — управленческие и организационно-экономические факторы, определяющие отдачу от инвестиций в ИИ. Гипотеза исследования: разрыв между инвестициями в ИИ и экономическим эффектом в российской электронной коммерции определяется преимущественно не технологическими ограничениями, а управленческими и организационно-культурными факторами.

1. Обзор литературы и теоретические основы

Теоретическая рамка исследования опирается на три взаимодополняющие концепции, формирующие комплексное представление о факторах эффективности технологических внедрений в условиях цифровой экономики.

Технологическо-организационно-средовая модель (TOE-framework), предложенная Л. Торнатски и М. Флейшером [30], рассматривает внедрение технологий через призму трёх групп факторов: технологических (характеристики самого решения и его соответствие задачам компании), организационных (культура, ресурсы, размер, структура управления) и средовых (отрасль, регулирование, конкурентная среда). Применительно к ИИ-проектам данная рамка позволяет дифференцировать причины успешности и неуспешности внедрений по их источнику и оценить долю каждой группы факторов в общем результате.

Ресурсно-ориентированный подход (RBV — resource-based view) Дж. Барни [20] связывает устойчивое конкурентное преимущество с обладанием ресурсами, которые являются ценными, редкими, сложно копируемыми и незаменимыми. Применительно к ИИ-внедрениям ключевыми такими ресурсами выступают качественные корпоративные данные, ИИ-компетенции персонала и интеграционные возможности компании, обеспечивающие встраивание ИИ-моделей в существующие бизнес-процессы. Именно асимметрия в обладании этими ресурсами объясняет наблюдаемую поляризацию рынка, при которой 5 % лидеров получают непропорционально большую долю эффекта.

Модель принятия технологий (TAM — technology acceptance model) Ф. Дэвиса [24] фокусируется на воспринимаемой пользе и простоте использования как ключевых факторах принятия технологий пользователями. Для корпоративных ИИ-проектов это означает критическую роль восприятия технологии конечными бизнес-пользователями: даже технически совершенное решение, не воспринимаемое как полезное и удобное, не будет интегрировано в повседневную операционную деятельность.

Эмпирические зарубежные исследования последних лет фиксируют феномен, получивший название «парадокса производительности ИИ» по аналогии с известным «парадоксом Солоу» 1980-х годов, когда массированные инвестиции в информационные технологии длительное время не отражались в статистике производительности труда. Современные исследователи объясняют новый парадокс «лагом адаптации»: отдача от технологии возникает только после соответствующих организационных и процессных изменений, а ожидание линейной зависимости «инвестиции — эффект» оказывается необоснованным [21; 23].

Исследование MIT NANDA (2025) ввело в научный оборот понятие GenAI Divide — разрыва между 5 % компаний, успешно конвертирующих инвестиции в генеративный ИИ в финансовый результат, и 95 % компаний, не получающих от ИИ существенной отдачи. Ключевой причиной разрыва, по мнению авторов, является learning gap — неспособность руководства и сотрудников интегрировать ИИ-инструменты в повседневные рабочие процессы. Существенно, что половина инвестиций направляется на интеграцию ИИ в маркетинг и продажи, тогда как максимальный эффект фиксируется при применении ИИ в бэк-офисных процессах и автоматизации рутинных операций [22].

В российской исследовательской традиции тематика эффективности ИИ-внедрений освещается преимущественно в рамках более широких работ по цифровой трансформации, цифровой экономике и инновационному менеджменту. Ключевыми эмпирическими источниками выступают аналитические исследования «Якова и Партнёров», ВЦИОМ, аналитического центра TAdviser, Школы управления СКОЛКОВО, агентства Data Insight, отраслевая статистика АКИТ, а также официальные обследования ИСИЭЗ НИУ ВШЭ, проведённые Росстатом по выборке свыше 15 тыс. крупных и средних организаций [1]. При этом в академической литературе, индексируемой в РИНЦ и Scopus, отмечается дефицит работ, специализированно изучающих факторы разрыва между инвестициями и отдачей именно в отрасли электронной коммерции.

Систематизация имеющихся источников позволила выявить следующий исследовательский пробел: при наличии статистики об общих масштабах инвестиций и потенциальном эффекте ИИ, а также при наличии общего перечня причин неудач отсутствует комплексная отраслевая модель, которая бы (1) операционализировала факторы разрыва специфически для электронной коммерции и (2) учитывала институциональные особенности российского рынка — импортозамещение программных продуктов, регуляторные ограничения, приоритеты Национальной стратегии развития искусственного интеллекта на период до 2030 г. [15], исходный разрыв в качестве корпоративных данных.

2. Методология

Исследование выполнено с использованием смешанного методологического дизайна (mixed-methods design), включающего четыре взаимодополняющих компонента.

Первый компонент — вторичный количественный анализ отраслевой статистики за период 2023–2025 гг. Источниками выступили: данные Ассоциации компаний интернет-торговли (АКИТ) об объёме и структуре российского рынка электронной коммерции; ежегодные исследования агентства Data Insight; совместные отчёты «Якова и Партнёров» с Яндексом и Nielsen; данные Onside и Just AI; материалы ВЦИОМ; статистическое обследование ИСИЭЗ НИУ ВШЭ свыше 15 тыс. крупных и средних организаций [1].

Второй компонент — контент-анализ корпоративной отчётности и публичных коммуникаций крупнейших участников российского рынка электронной коммерции: Ozon, Wildberries, Яндекс Маркет, Авито, а также X5 Group как омниканального ритейлера с развитыми онлайн-каналами. Анализу подвергались данные о финансовых результатах, объёмах ИИ-инвестиций и заявленных эффектах от внедрения, опубликованные в финансовой отчётности за 2024–2025 гг., а также пресс-релизы, выступления топ-менеджмента, материалы встреч с инвесторами и доклады на ключевых отраслевых конференциях (ЦИПР, ПМЭФ, Финополис, «Селлеры и маркетплейсы 2026»).

Третий компонент — тематический анализ результатов крупных исследований ИИ-внедрений: исследования Школы управления СКОЛКОВО «От пилота к масштабу» (30 полуструктурированных интервью с руководителями и менеджерами проектов из российских компаний 25 отраслей) и предварительного отчёта исследовательской группы MIT Project NANDA «The GenAI Divide: State of AI in Business 2025» (систематический обзор более 300 публично раскрытых ИИ-инициатив, структурированные интервью с представителями 52 организаций и опрос 153 руководителей, проведённый на четырёх отраслевых конференциях). Применялся метод осевого кодирования с последующей категоризацией факторов в укрупнённые кластеры.

Четвёртый компонент — вторичный качественный анализ публичных экспертных высказываний (secondary analysis of qualitative data) руководителей и менеджеров российских компаний электронной коммерции по теме внедрения и эффективности ИИ. Вторичный анализ качественных данных рассматривается в методологической литературе как самостоятельная исследовательская стратегия [25] и особенно уместен в условиях ограниченного доступа к топ-менеджменту крупнейших публичных компаний для целей первичного интервьюирования. Преимуществами метода являются верифицируемость источников, отсутствие интервьюерского эффекта и возможность анализа высказываний в их естественном коммуникационном контексте.

Источниковая база четвёртого компонента сформирована методом целевого отбора (purposive sampling) и включает 24 единицы публичных экспертных высказываний за период 2023–2026 гг., представляющих руководителей и менеджеров среднего и высшего звена 14 различных компаний и категорий участников рынка (табл. 1).

Таблица 1.

Структура источниковой базы вторичного качественного анализа

Источник: составлено автором.

Критерии включения единиц анализа: (1) релевантность теме внедрения ИИ в электронной коммерции и оценки его эффективности; (2) верифицируемый первоисточник с указанием издания и даты публикации и, как правило, с персональной атрибуцией спикера (ФИО, должность, организация); для отдельных единиц из сегмента селлеров и редакционных материалов отраслевых сервисов допускалась анонимизированная либо редакционная атрибуция при условии верифицируемости самого источника; (3) период публикации 2023–2026 гг.; (4) первоисточник в виде делового медиа, отраслевого ресурса, корпоративного блога или записи отраслевой конференции. Процедура анализа включала осевое кодирование высказываний с последующим отнесением к одному из шести кластеров факторов разрыва, выявленных на третьем этапе (компоненте) исследования. Высказывания представителей смежных секторов (VK, «Яндекс Практикум»), не относящихся к электронной коммерции, привлекаются в разделе 3.4 исключительно как контекстные и в число 24 единиц анализа не входят.

Ограничения исследования: (1) преобладание вторичных данных и отсутствие полноценного авторского эмпирического опроса с правом задавать уточняющие вопросы респондентам, что лишь частично компенсируется репрезентативностью используемых отраслевых исследований и широтой источниковой базы качественного анализа; (2) ограничение временным горизонтом 2023–2026 гг.; (3) концентрация анализа на крупном и среднем бизнесе при недостаточном представлении сегмента малых селлеров маркетплейсов; (4) сложность изоляции «чистого» вклада ИИ в финансовые результаты компаний от других факторов цифровой трансформации, а также отсутствие в открытых источниках отраслевой статистики ИИ-инвестиций непосредственно по электронной коммерции, вследствие чего используются данные по группе передовых отраслей; (5) специфика метода вторичного качественного анализа — публичные высказывания топ-менеджеров могут содержать элемент репутационной презентации, что требует критической интерпретации; (6) часть единиц анализа из сегмента селлеров и отраслевых сервисов имеет анонимизированную либо редакционную атрибуцию, что ограничивает возможность проверки контекста таких высказываний.

3. Результаты исследования

3.1. Анализ инвестиционного контура

Российская электронная коммерция в 2025 г. демонстрирует устойчивый рост: совокупный объём рынка достиг 11,5 трлн руб. (+28 % к предыдущему году), при этом 96,2 % продаж приходится на отечественные интернет-магазины и платформы [2]. По оценке Data Insight, среднегодовые темпы роста рынка в ближайшие четыре года составят около 18 % в рублёвом выражении [6].

Электронная коммерция входит в пятёрку отраслей-лидеров по интенсивности внедрения ИИ. По итогам 2025 г. 71 % крупных российских компаний используют генеративный ИИ хотя бы в одной бизнес-функции, тогда как годом ранее этот показатель составлял 54 %. Среднее количество функций, в которых запущены пилоты или полноценные внедрения, увеличилось с 2,4 в 2023 г. до 3,1 в 2025 г.; технология применяется в 80 % ключевых бизнес-функций передовых компаний [7]. Передовые отрасли, включая электронную коммерцию, направляют на ИИ-проекты 13–17 % годового ИТ-бюджета. Отдельная статистика ИИ-инвестиций по электронной коммерции в открытых источниках не публикуется, поэтому далее показатели группы передовых отраслей используются как ориентир для отрасли.

Структура моделей внедрения свидетельствует о доминировании готовых решений: 78 % компаний используют ИИ-решения от внешних партнёров и только 17 % ведут собственную разработку. По типу размещения инфраструктуры 40 % выбирают облачную модель, 29 % — гибридную; характерной особенностью российского рынка является тренд к локальному (on-premises) размещению по соображениям информационной безопасности [7]. Российский рынок генеративного ИИ в 2025 г. оценивается в 58 млрд руб., продемонстрировав пятикратный рост к 2024 г. (13 млрд руб.); прогноз на 2030 г. — до 778 млрд руб. [17].

3.2. Анализ результативного контура

Сопоставление декларируемых эффектов и фактической отдачи позволяет констатировать значительную поляризацию рынка по результативности ИИ-внедрений.

С одной стороны, отдельные крупнейшие игроки демонстрируют существенные результаты, фактически попадая в верхние 5 % распределения GenAI Divide. Wildberries, по данным руководителя рекомендационного направления М. Пасашкова, обеспечил рост продаж на 33 % в первом полугодии 2025 г., значимый вклад в который внесли ИИ-решения в области рекомендательных систем; все решения проходят верификацию эффективности перед масштабированием [5]. X5 Group (включена в анализ как омниканальный ритейлер: наряду с офлайн-сетями группа развивает онлайн-сервисы доставки «Пятёрочки» и «Перекрёстка», а её ИИ-решения в прогнозировании спроса, ценообразовании и логистике относятся к тем же классам задач, что и у маркетплейсов), развивающая собственную ИТ-разработку (более 90 % прикладного программного обеспечения создаётся внутри компании), зафиксировала экономический эффект от ИИ-технологий на уровне 5 млрд руб. за 2023 г.; в 2024 г. ИИ обеспечил в среднем 1,4 % прироста розничного товарооборота по ключевым категориям [5]. Ozon в 2025 г. показал рост выручки на 63 % (до 998 млрд руб.) и рекордный уровень скорректированной EBITDA в размере 156 млрд руб. [27]; сама компания в публичных коммуникациях (корпоративный пресс-релиз, размещённый на площадке «Ведомостей») связывает эти результаты в значительной мере с масштабной автоматизацией логистики, алгоритмическим прогнозированием спроса и развитием рекламных технологий на основе машинного обучения [12].

С другой стороны, агрегированные исследования фиксируют принципиально иную картину для большинства участников рынка. Согласно исследованию Лаборатории искусственного интеллекта Школы управления СКОЛКОВО, до 95 % российских компаний не получают необходимой отдачи от внедрения ИИ и не окупают свои инвестиции [16]. Аналогичный показатель в глобальном масштабе зафиксирован MIT NANDA для генеративного ИИ: совокупный объём «непроизводительных» инвестиций оценивается в 30–40 млрд долл. США; при этом проекты со специализированными внешними поставщиками показывают успех в двух случаях из трёх, тогда как внутренние разработки — лишь в одном из трёх [22].

Таким образом, выявляется чёткая эмпирическая закономерность: значительные эффекты концентрируются у узкого круга крупнейших игроков с собственной ИИ-разработкой, многолетней управленческой экспертизой и качественной инфраструктурой данных, тогда как большинство компаний — преимущественно среднего сегмента и селлеров на маркетплейсах — оказывается за пределами зоны позитивной отдачи. Это эмпирически подтверждает применимость RBV-подхода: ресурсная асимметрия (данные, компетенции, интеграционная зрелость) выступает ключевым предиктором экономического эффекта.

3.3. Систематизация факторов разрыва

Тематический анализ результатов исследования СКОЛКОВО (30 интервью, 25 отраслей) и MIT NANDA (более 300 инициатив, 52 интервью, 153 анкеты) с последующей операционализацией на материалах российской электронной коммерции позволил выделить шесть ключевых кластеров факторов, формирующих разрыв между инвестициями и экономическим эффектом (табл. 2).

Таблица 2.

Шесть кластеров факторов разрыва между инвестициями в ИИ и экономическим эффектом в российской электронной коммерции

Источник: составлено автором на основе [16; 22].

Первый кластер — культура работы с данными. Согласно эмпирическим выводам исследования СКОЛКОВО, успешность ИИ-проекта определяется не технологией, а культурой работы с информацией и принятия решений: data-driven организации статистически успешнее, чем people-driven и process-driven [16]. В российской электронной коммерции этот фактор проявляется в двух режимах: крупнейшие платформы (Ozon, Wildberries, X5 Group) системно интегрируют ИИ-аналитику в управленческие KPI, тогда как сегмент средних селлеров и небольших интернет-магазинов опирается преимущественно на экспертно-интуитивные подходы.

Второй кластер — качество корпоративных данных. Дублирующиеся, устаревшие и несовместимые по форматам данные снижают эффективность даже технически совершенных моделей. Авторы исследования СКОЛКОВО подчёркивают необходимость заблаговременного формирования общей Data Story компании [16]. В электронной коммерции этот фактор приобретает специфическую остроту: разрозненность товарных карточек, несогласованность справочников между внутренними системами и интерфейсами маркетплейсов, разрывы в воронке клиентских данных создают системные ограничения для рекомендательных алгоритмов и моделей прогнозирования спроса.

Третий кластер — когнитивная дистанция. Исследователи СКОЛКОВО фиксируют, что причина большинства провалов ИИ-инициатив кроется в когнитивной дистанции — разрыве между языком и мышлением топ-менеджеров, владельцев процессов и разработчиков [16]. Чем больше этот разрыв, тем сильнее проекты буксуют из-за недоверия и срывов сроков. В компаниях электронной коммерции это часто проявляется в несогласованности KPI ИТ-департамента и коммерческих подразделений и формировании «изолированных» ИИ-проектов, не интегрированных в общий контур управления.

Четвёртый кластер — чрезмерная автоматизация. Стремление к полной автоматизации цикла «распознавание — решение — исполнение» без участия человека приводит к сбоям и репутационным издержкам. Эмпирически более эффективными оказываются гибридные режимы взаимодействия человека и ИИ. В электронной коммерции это проявляется в неконтролируемой автогенерации контента карточек товаров (некорректные характеристики, ошибки в описаниях), сбоях алгоритмического ценообразования при работе с маркетплейсами и проблемах модерации генеративных изображений.

Пятый кластер — отсутствие итеративной оценки. Длительные циклы разработки без ранней обратной связи и измеримых KPI снижают устойчивость проектов. По данным MIT NANDA, существенная доля компаний запускала ИИ-инструменты пилотно на короткий срок, после чего проекты прекращались без достижения промышленного использования [22]. В электронной коммерции это часто связано с внедрением ИИ-инструментов «ради статуса» — по принципу следования за технологическим ажиотажем («хайпом»), без чёткого определения базовой линии эффективности и контрольных метрик.

Шестой кластер — устаревшие методы экономической оценки. Применение классических методов оценки инвестиционной эффективности (NPV, IRR, ROI) без учёта специфики ИИ-проектов приводит к систематическим ошибкам в калькуляции. В частности, не учитываются издержки change management, затраты на повышение качества данных, расходы на обучение персонала и риски «лага адаптации». Авторы исследования СКОЛКОВО предлагают альтернативный фреймворк AI Success Cycle, учитывающий культурные и управленческие аспекты [16].

3.4. Вторичный качественный анализ публичных экспертных высказываний

Систематизация 24 единиц публичных экспертных высказываний за 2023–2026 гг. позволила соотнести каждую из шести теоретически выделенных групп факторов разрыва с эмпирическими подтверждениями, исходящими непосредственно от участников отрасли. Проведённая триангуляция данных подтверждает устойчивый характер выявленных факторов в российском контексте и позволяет выявить их специфические проявления в практике электронной коммерции.

Культура работы с данными. Анализ публичных высказываний фиксирует устойчивую дифференциацию между data-driven и интуитивно-ориентированными подходами. Позицию крупнейших платформ формулирует У. Гринь, руководитель департамента обработки и генерации контента Ozon, в материале «Ведомостей»:

«Современная электронная коммерция — это бизнес на данных» [13].

По её словам, массивы поведенческих данных (просмотры, клики, покупки, отказы, возвраты, время на карточке товара) позволяют платформе не реагировать на спрос, а прогнозировать и формировать его: персональные рекомендации ежедневно видят 9 из 10 пользователей, а доля оборота от рекомендаций за год выросла с 7 до 11 % [13]. Сходную логику артикулирует А. Рыбинцев, управляющий директор по ИИ компании «Авито»: ценность данных состоит не в самом факте их накопления, а в способности превращать поведенческие сигналы в продуктовые решения, для чего необходимы три условия — достаточный массив обезличенных данных, аналитические инструменты, переводящие их в понятные выводы, и доступ бизнес-подразделений к этим инструментам в удобном формате [13]. Контрастный режим характерен для сегмента селлеров. Д. Ветренников, CEO экосистемы сервисов для продавцов маркетплейсов SellerDen, в публикации в «Комсомольской правде» комментирует типичную практику принятия решений селлерами: «к числу субъективных способов поиска товара относятся собственная экспертиза, рекомендации друзей, партнёров, предпринимательская „чуйка“ и даже интуиция; к объективным — тренды, объём ниши, количество конкурентов» [3]. Системность data-driven подхода у крупных платформ против интуитивности на уровне селлеров наглядно подтверждает первый кластер факторов разрыва и согласуется с результатами Э. Бринйолфссона, Л. Хитта и Х. Ким, показавших, что компании, принимающие решения на основе данных, демонстрируют производительность на 5–6 % выше, чем можно было бы ожидать при их прочих инвестициях и использовании ИТ [29].

Качество корпоративных данных. Высказывания руководителей платформ последовательно фиксируют качество данных как критическое узкое место ИИ-внедрений в отрасли. А. Воронцов, руководитель службы машинного обучения Яндекс Маркета, описывая внедрение YandexGPT для формализации характеристик товаров, отмечает:

«Продавцы часто загружают тексты с опечатками, противоречиями и даже копиями характеристик из других товаров» [4].

При этом некорректное или неполное заполнение параметров напрямую снижает видимость товара в фильтрах и, как следствие, его продажи, а исправление этого «хаоса» требует дорогостоящей экспертной разметки данных [4]. По результатам обследования ИСИЭЗ НИУ ВШЭ свыше 15 тыс. крупных и средних организаций дефицит массивов данных, необходимых для работы с ИИ, отметила треть компаний [1]. На уровне маркетплейсов данные о формализованных требованиях фиксируются, в частности, в материалах сервиса XWAY: «Wildberries и Ozon — это машинное обучение. Платформы ранжируют товары по релевантности», что объективно превращает качество данных селлера в фактор его экономической эффективности [8]. Эмпирические свидетельства полностью согласуются с тезисом исследования СКОЛКОВО о Data Story как предусловии успешного внедрения [16].

Когнитивная дистанция. Третий кластер — наиболее сложный для непосредственной фиксации в публичных высказываниях, поскольку касается внутрикорпоративных коммуникационных разрывов. Следует прямо признать, что его эмпирическое подтверждение в рамках вторичного анализа носит косвенный характер: публичные высказывания позволяют зафиксировать различие в способах описания ИИ-внедрений между менеджерским и технологическим дискурсом на уровне отрасли, но не сам внутрикорпоративный разрыв. Иллюстрацией такого различия служат две формулировки. И. Бреев, операционный директор Ozon Logistics, в корпоративном пресс-релизе, размещённом на площадке «Ведомостей», формулирует:

«Инвестиции в автоматизацию позволяют выдерживать сезонные нагрузки и обеспечивать стабильность доставки при любой рыночной ситуации» [12].

Иначе расставляет акценты И. Мищенко, представитель Sitronics Group: «ИИ — это инструмент, который требует времени для развития и адаптации к конкретным задачам» [9]. Операционный директор фокусируется на бизнес-эффекте и стабильности (язык менеджмента), технологический эксперт — на адаптации и времени (язык разработки). Поскольку спикеры представляют разные организации и говорят о разных ситуациях, это сопоставление не может считаться доказательством когнитивной дистанции внутри компании; оно лишь иллюстрирует различие понятийных рамок, которое, согласно исследованию СКОЛКОВО, при столкновении в одной организации и порождает когнитивную дистанцию [16]. Более весомым, хотя также опосредованным, свидетельством является высказывание А. Рыбинцева («Авито»): в качестве отдельного условия отдачи от данных он называет доступ бизнес-пользователей к аналитическим инструментам «в удобном формате» [13] — то есть целенаправленное сокращение дистанции между разработчиками и владельцами процессов, что предполагает признание такой дистанции реальной управленческой проблемой.

Контекстное значение имеет высказывание Д. Кондрашкина, директора по AI компании VK, цитируемое TAdviser (VK не относится к электронной коммерции и не входит в источниковую базу табл. 1, поэтому высказывание привлекается как контекстное):

«Софинансирование проектов ИИ со стороны государства подразумевает инвестиции в проекты апробирования и пилотного внедрения технологий ИИ для решения прикладных задач… Такой подход позволяет сфокусировать исследования на разработке решений, имеющих потенциал прикладного применения и создающих экономическую ценность в индустриях» [19].

В этом высказывании прослеживается попытка преодоления когнитивной дистанции через институциональный механизм софинансирования, обеспечивающий согласование интересов разработчиков и индустриальных заказчиков. Таким образом, применительно к третьему кластеру эмпирический материал даёт лишь косвенное подтверждение наличия когнитивной дистанции как фактора разрыва, однако фиксирует институциональные механизмы, направленные на её преодоление, что дополняет выводы исходных исследований. Прямая верификация данного кластера требует первичных интервью внутри компаний и отнесена к направлениям дальнейшей работы.

Чрезмерная автоматизация. Четвёртый кластер находит наиболее яркое подтверждение в практике карточек товаров и работы с отзывами. В материалах деловых медиа фиксируется принципиальная позиция о пределах автоматизации:

«Нейросети врут. Они могут пририсовать модели шестой палец на фото или написать в описании „размер 200 см“ для чехла на телефон. Поэтому важно каждый сгенерированный элемент карточки отдавать на модерацию живым человеком перед выгрузкой на WB/Ozon» (редакционный материал XWAY) [8].

Аналогичную позицию формулирует К. Котов, эксперт «Яндекс Практикума» по продажам:

«Искусственный интеллект нужно применять в работе, но с осторожностью. Он, например, сможет составить скрипт продаж или проанализировать отзывы клиентов. Но живое общение лучше доверить менеджерам по продажам» [14].

Такой же контур ограниченной автоматизации артикулирует анонимный селлер на платформе ОТВЕТО, цитируемый в публичных кейсах сервиса: «Настроили полный автомат на 5-звёздочные отзывы, а негатив обрабатываю вручную. 90 % работы делает ИИ, а я фокусируюсь на сложных случаях» [18]. Гибридная модель воспроизводится и на уровне крупнейшей платформы: по данным У. Гринь, в клиентской поддержке Ozon ИИ-агенты автоматически отвечают на типовые вопросы и помогают операторам находить информацию по аналогичным обращениям, благодаря чему 90 % обращений решаются в течение пяти минут [13]. Полученные свидетельства подтверждают вывод исследования СКОЛКОВО о превосходстве смешанных режимов «человек — ИИ» над абсолютной автоматизацией.

Отсутствие итеративной оценки. Пятый кластер находит подтверждение в высказываниях, фиксирующих несоответствие между «хайповым» внедрением ИИ-инструментов и измеряемым результатом. Авенир Воронов, директор по инновациям департамента аналитических решений ГК «КОРУС Консалтинг», в обзоре TAdviser 2025 констатирует:

«Последние несколько лет рынок ИИ-технологий рос во многом благодаря хайпу, однако интерес к ИИ приобретает всё более осмысленный характер» [19].

Управляющий директор по развитию продуктов «Сбер Бизнес Софт» Д. Козицкий, цитируемый TAdviser, формулирует операциональное условие итеративной модели:

«Реальный эффект достигают компании, которые начинают с конкретной цели — например, сокращения времени обработки документов или оптимизации логистики — и выстраивают проект вокруг измеримых показателей» [10].

Практику лидера рынка, реализующего именно такую модель, демонстрирует Ozon: по словам А. Чупейкина, директора по разработке платформенных решений компании, доля автоматизированной модерации контента по итогам 2025 г. превысила 96 %, целевой показатель на конец 2026 г. установлен на уровне 99,5 %, качество машинного перевода контента контролируется по доле переводов, соответствующих внутренним критериям (92 %), а эффект рекомендательных алгоритмов измеряется ростом числа заказов из рекомендаций на главной странице в 5,5 раза за год [28]. Высказывания в совокупности эмпирически воспроизводят теоретический тезис о «лаге адаптации» и необходимости коротких циклов «прототип — тест — обратная связь» с фиксацией базовой линии и контрольных метрик, заложенный в фреймворк AI Success Cycle [16].

Устаревшие методы экономической оценки. Шестой кластер получает наиболее прямое количественное подтверждение. По данным опроса ГК «КОРУС Консалтинг» среди более 80 руководителей цифровой трансформации, ИТ- и ИИ-направлений российских компаний (2026 г.), 44 % компаний вообще не измеряют эффект от применения ИИ, ещё четверть учитывает лишь отдельные показатели без привязки к финансовым результатам, и только 12 % способны подтвердить реальный вклад технологии в доход или экономию; при этом в ритейле и логистике преобладают ранние стадии зрелости [11]. Глобальная картина аналогична: по оценке Gartner, генеративный ИИ в 2025 г. вошёл в фазу «разочарования» цикла зрелости технологий — при средних затратах на GenAI-инициативы 1,9 млн долл. США в 2024 г. менее 30 % руководителей ИИ-направлений сообщают, что их генеральные директора удовлетворены отдачей от инвестиций, а организации с низкой зрелостью демонстрируют нереалистичные ожидания от проектов [26]. Разрыв ожиданий фиксируют и российские данные: в передовых отраслях реализованный эффект ИИ оценивается до 8 % EBITDA, тогда как прогноз на следующий год составляет 13–21 %, то есть ожидания систематически опережают фактический результат [7].

Причины такого расхождения проясняют высказывания практиков. А. Воронцов (Яндекс Маркет) показывает, что замена собственного инструмента на большую языковую модель не сократила вычислительные затраты, а перераспределила их — с CPU и памяти на GPU-инференс, — а стоимость экспертной разметки для дообучения модели составляет более 200 руб. за один пример при десятках тысяч примеров в обучающем наборе [4]. Подобные издержки инфраструктуры, разметки, дообучения и сопровождения, как и издержки change management, как правило, не входят в классические NPV/IRR-расчёты на входе проекта. По данным MIT NANDA, проекты с внешними специализированными поставщиками достигают успеха вдвое чаще внутренних разработок [22], что также требует включения в экономическую оценку сравнения альтернатив «купить — разработать». Практика лидеров демонстрирует переход к операционно-ориентированным метрикам: А. Чупейкин (Ozon) оценивает эффект ИИ-модерации через сопоставление с контрфактическим сценарием — по его словам, без ИИ-инструментов «расходы на полностью ручные услуги модераторов за два года выросли бы на сумму около 9 млрд руб.» [28]. Д. Юдин (Cloud.ru) в материалах ЦИПР-2025 отмечает, что критериями готовности отрасли к ИИ выступают объёмы данных и зрелость рутинных операций — параметры, отсутствующие в классических инвестиционных расчётах [9]. Эмпирический материал подтверждает, что классическая оценка окупаемости ИИ-проектов систематически уступает операционно-ориентированным метрикам с явным учётом скрытых издержек, что соответствует шестому кластеру в табл. 2.

Обобщая результаты вторичного качественного анализа, можно констатировать: пять из шести кластеров факторов разрыва, теоретически выделенных в табл. 2 на основе синтеза исследований СКОЛКОВО и MIT NANDA, получают прямое эмпирическое подтверждение в публичных высказываниях руководителей и менеджеров российской отрасли электронной коммерции и связанных с ней инфраструктурных секторов, а третий кластер (когнитивная дистанция) — косвенное. Триангуляция количественных и качественных данных подтверждает гипотезу исследования: разрыв между инвестициями в ИИ и экономическим эффектом определяется преимущественно управленческими и организационно-культурными факторами, а технологические и средовые ограничения играют подчинённую роль.

4. Обсуждение

Полученные результаты подтверждают гипотезу исследования: разрыв между инвестициями в ИИ и экономическим эффектом в российской электронной коммерции определяется преимущественно управленческими и организационно-культурными, а не технологическими факторами. Это согласуется с выводами зарубежных исследований последних лет [22; 21; 23] и эмпирически подтверждается результатами как вторичного количественного анализа, так и качественного анализа экспертных высказываний участников российской отрасли.

Обобщение полученных результатов позволяет сформулировать концептуальную модель факторов разрыва (рис. 1). Модель включает три уровня: инвестиционный контур (объём и структура вложений в ИИ-решения), результативный контур (измеримый экономический эффект) и расположенный между ними блок факторов-модераторов, представленный шестью выделенными кластерами. В терминах TOE-модели все шесть кластеров относятся к организационному блоку и распадаются на две группы: ресурсно-культурные факторы (кластеры 1–3: культура работы с данными, качество корпоративных данных, когнитивная дистанция), соответствующие логике RBV-подхода, и процессно-управленческие факторы (кластеры 4–6: чрезмерная автоматизация, отсутствие итеративной оценки, устаревшие методы экономической оценки), связанные с практиками управления проектами и восприятием технологии конечными пользователями в духе TAM. Технологический и средовой блоки TOE-модели в российском контексте задают граничные условия (доступность отечественных языковых моделей, регуляторные требования, импортозамещение), но не выступают основными детерминантами разрыва. Сила проявления факторов-модераторов определяет, в какую часть распределения GenAI Divide попадает компания (рис. 1).

Особенностью российского контекста является сочетание высокого уровня инфраструктурной готовности (значительные ИТ-бюджеты, развитые маркетплейсы, наличие отечественных языковых моделей — GigaChat, YandexGPT) с относительно низким уровнем управленческой зрелости в работе с данными. Это создаёт парадоксальную ситуацию: технологическая база для эффективного применения ИИ присутствует, но институциональные практики её использования отстают. В терминах TOE-framework узким местом российской электронной коммерции является не технологический и не средовой, а именно организационный блок факторов. Данные опроса «КОРУС Консалтинг» о том, что 44 % компаний не измеряют эффект от ИИ [11], показывают, что проблема экономической оценки носит не только методический, но и институциональный характер: измерение отдачи зачастую отсутствует как управленческая практика. Качественный анализ публичных высказываний показывает, что сами участники рынка постепенно признают эту проблематику: дискурс смещается от технологического оптимизма «хайпового» периода к более прагматичному и осмысленному подходу, ориентированному на измеримые KPI и операциональные кейсы.

Отдельного комментария требует кажущееся противоречие между оценкой СКОЛКОВО и MIT NANDA, согласно которой до 95 % компаний не получают измеримой отдачи от ИИ [16; 22], и данными «Якова и Партнёров», по которым 78 % крупных российских компаний сообщают о наличии финансовой отдачи от ИИ, что на 10 п. п. больше, чем годом ранее [7]. Расхождение объясняется различиями в объекте и способе измерения. В первом случае речь идёт об измеримом эффекте на уровне финансового результата и об окупаемости инвестиций в конкретные ИИ-проекты, во втором — о самооценке респондентами (техническими директорами крупных компаний из 16 отраслей) наличия какого-либо финансового эффекта без сопоставления его с совокупными затратами на внедрение. Различаются и выборки: опрос «Якова и Партнёров» охватывает крупные компании, в том числе передовых отраслей, тогда как оценка СКОЛКОВО распространяется на компании в целом. Само это расхождение показательно и может рассматриваться как дополнительное подтверждение шестого кластера: при отсутствии единой методики измерения отдачи декларируемый эффект и подтверждённая окупаемость систематически расходятся, а доля компаний, «получающих эффект», критически зависит от того, что именно считается эффектом.

Сопоставление с глобальными данными MIT NANDA указывает на устойчивый характер описанных факторов: показатель неокупаемости порядка 95 % фиксируется как для российских компаний, так и для компаний развитых экономик. Следует, однако, учитывать, что российская оценка СКОЛКОВО опирается в том числе на международные данные, поэтому её нельзя рассматривать как полностью независимое подтверждение глобальной оценки. Тем не менее совпадение выводов позволяет интерпретировать наблюдаемый парадокс не как страновую специфику, а как закономерный этап технологического цикла внедрения ИИ — фазу, на которой инвестиции опережают организационные изменения. Согласно логике «лага адаптации», переход к фазе устойчивой отдачи требует целенаправленной работы по преодолению learning gap.

Дополнительным результатом проведённого качественного анализа является фиксация институциональных механизмов преодоления когнитивной дистанции — в частности, механизма государственного софинансирования ИИ-проектов с обязательным участием индустриального заказчика, артикулированного в высказывании представителя VK (привлечённом как контекстное) и согласующегося с приоритетами Национальной стратегии развития искусственного интеллекта [15]. Подобные механизмы не были эксплицитно выделены в исходных исследованиях СКОЛКОВО и MIT NANDA и могут быть рассмотрены как одно из институциональных решений проблемы learning gap, специфичное для российского контекста.

Практическим следствием полученных выводов является переориентация инвестиционной стратегии компаний электронной коммерции с экстенсивной модели «больше пилотов — больше инструментов» на интенсивную модель «глубокой интеграции» ограниченного числа ИИ-кейсов с измеримыми KPI. По данным «Якова и Партнёров», ожидаемый прирост EBITDA от генеративного ИИ оценивается в среднем в 4 % — это превышает показатели любых других направлений ИИ, но реализуется только при условии встраивания ИИ-инструментов в основные операционные процессы [7].

Существенное значение имеет также наблюдение MIT NANDA о смещении максимальной отдачи от ИИ в сторону бэк-офисных процессов при доминировании инвестиций в маркетинг и продажи [22]. Для российской электронной коммерции это означает потенциал переориентации фокуса ИИ-внедрений с фронт-офисных задач (рекомендательные системы, чат-боты) на бэк-офисные (управление запасами, прогнозирование спроса, автоматизация документооборота, оптимизация логистики), где ожидаемая отдача может быть выше при сопоставимых инвестициях.

Заключение

Проведённое исследование позволило выявить и систематизировать факторы, обусловливающие парадокс отдачи от инвестиций в искусственный интеллект в российской электронной коммерции. Установлено, что при росте инвестиций в ИИ опережающими темпами (с 13 млрд руб. в 2024 г. до 58 млрд руб. в 2025 г. в сегменте генеративного ИИ; до 13–17 % годового ИТ-бюджета в передовых отраслях) подавляющее большинство компаний (до 95 %) не достигает окупаемости вложений. Триангуляция четырёх компонентов методологического дизайна — вторичного количественного анализа, контент-анализа корпоративной отчётности, тематического анализа крупных исследований и вторичного качественного анализа публичных экспертных высказываний — подтвердила гипотезу о преимущественно управленческой природе разрыва.

Научная новизна исследования состоит в (1) операционализации факторов GenAI Divide применительно к специфике российской электронной коммерции; (2) систематизации шести кластеров факторов разрыва на основе синтеза данных российских (СКОЛКОВО, ИСИЭЗ НИУ ВШЭ) и зарубежных (MIT NANDA) исследований; (3) эмпирической верификации выделенных кластеров (прямой — для пяти из них, косвенной — для кластера когнитивной дистанции) через вторичный качественный анализ 24 публичных экспертных высказываний руководителей и менеджеров российской отрасли; (4) фиксации институциональных механизмов преодоления когнитивной дистанции, специфичных для российского контекста; (5) формулировании концептуальной модели факторов разрыва и обосновании организационно-управленческой природы парадокса с опорой на трёхкомпонентную теоретическую рамку (TOE-framework, RBV-подход, TAM).

Практические рекомендации для менеджмента компаний электронной коммерции включают: переход от экстенсивной модели «множества пилотов» к интенсивной модели «глубокой интеграции»; приоритизацию инвестиций в качество корпоративных данных и data-driven культуру до запуска прикладных ИИ-проектов; целенаправленную работу по сокращению когнитивной дистанции между уровнями управления, в том числе через формирование совместных кросс-функциональных команд и общего понятийного аппарата; внедрение гибридных режимов «человек — ИИ» вместо стремления к полной автоматизации; выстраивание коротких итерационных циклов с фиксацией базовой линии и контрольных метрик; использование специализированных фреймворков оценки эффективности ИИ-проектов (AI Success Cycle) с учётом скрытых издержек; смещение фокуса ИИ-внедрений с фронт-офиса на бэк-офисные процессы.

Ограничения исследования и направления дальнейшей работы. Полученные выводы основаны на вторичных количественных и качественных данных и нуждаются в верификации через авторские эмпирические исследования. Перспективными направлениями являются: проведение количественного опроса селлеров российских маркетплейсов с целью построения регрессионной модели предикторов окупаемости ИИ-инвестиций; проведение собственных глубинных интервью с менеджерами среднего звена компаний электронной коммерции, не охваченных публичным дискурсом; изучение отраслевой специфики разрыва в сегментах eGrocery, ePharma, fashion e-commerce; долгосрочное наблюдение за динамикой эффекта от ИИ при изменении управленческих практик в крупнейших платформах.

Список литературы

References