Отчет a16z: 29% компаний из списка Fortune 500 платят за внедрение ИИ, программирования и поддержки клиентов

Автор: a16z

Перевод: Shenchao TechFlow

DeepChain обзор: MIT утверждает, что 95% корпоративных пилотных проектов в области генеративного ИИ не удались, но a16z напрямую опровергает это утверждение, используя данные своих портфельных компаний. 29% компаний из списка Fortune 500 и 19% компаний из списка Global 2000 уже являются платящими клиентами ведущих стартапов в области ИИ; инструменты программирования повышают производительность лучших инженеров в 10–20 раз. Этот отчет объемом 23 928 слов, основанный на внутренних данных, раскрывает, какие сценарии использования ИИ действительно создают ценность, а какие остаются лишь концептуальными разговорами.

Существует множество предположений о том, насколько успешно ИИ внедряется в крупных корпорациях, однако большинство доступной информации основано исключительно на самоотчетах о применении ИИ или опросах, фиксирующих качественные эмоции покупателей, а не количественные данные. Кроме того, немногие существующие исследования утверждают, что ИИ плохо справляется в корпоративной среде, причем наиболее примечательным является исследование MIT, утверждающее, что 95% пилотных проектов генеративного ИИ не были реализованы.

На основе наших внутренних данных и бесед с топ-менеджерами компаний мы пришли к выводу, что эта статистика невероятна. Мы внимательно отслеживаем, где ИИ получает наибольшее распространение и где ROI очевиден, и собрали реальные данные о том, что действительно работает в корпоративном ИИ.

По нашим данным, 29% компаний из списка Fortune 500 и около 19% компаний из списка Global 2000 являются активными платящими клиентами ведущих AI-стартапов.

Для соответствия этой статистике эти компании должны были заключить сверху вниз контракты с AI-стартапами, успешно реализовать пилотные проекты и запустить продукт в своей организации.

Достичь такого уровня проникновения за такое короткое время — это значительный успех, поскольку компании из списка Fortune 500 не известны как ранние пользователи технологий. Исторически многие стартапы сначала должны были продавать другим стартапам, чтобы получить первоначальный импульс, и только через несколько лет они могли заключить первый корпоративный контракт, а для того чтобы в конечном итоге привлечь клиентов уровня Fortune 500, требовалось еще больше доходов и времени.

ИИ нарушил эту норму. OpenAI запустила ChatGPT в ноябре 2022 года, сразу продемонстрировав потребителям и компаниям потенциал ИИ. Это вызвало бурный интерес к ИИ, которого не вызывали предыдущие поколения технологий, и крупные компании стали охотнее делать ставки на новые продукты раньше, чем когда-либо прежде. Результат: всего через три с небольшим года почти треть компаний из списка Fortune 500 и одна пятая компаний из списка Global 2000 имеют реальные корпоративные внедрения ИИ в своих организациях.

Где это происходит быстрее всего и как это соотносится с теми задачами, которые модель лучше всего умеет выполнять?

Мы обнаружили, что наиболее информативным методом оценки является наложение темпов роста доходов по каждому сценарию на теоретические возможности модели, определенные GDPval — известным эталоном OpenAI, оценивающим способность модели выполнять задачи, имеющие ценность для реальной экономики. Для нас эти два фактора одновременно отражают, насколько хороша может быть модель, и сколько ценности она уже продемонстрировала сегодня. Это делает их крайне показательными для понимания того, где находится внедрение ИИ сегодня, куда оно может двигаться и где, несмотря на созревание возможностей моделей, все еще существует застой в их внедрении.

В плане роста доходов внедрение ИИ компаниями определяется четким набором применений и отраслей. Программирование, поддержка и поиск до сих пор составляют большинство применений (программирование даже является выбросом на порядок величины в этой группе), а технологии, юриспруденция и здравоохранение — отрасли, наиболее стремящиеся к внедрению ИИ.

Программирование: программирование является ведущим применением ИИ, почти на порядок превосходя другие области. Это очевидно по взрывному росту, зафиксированному компаниями, такими как Cursor, и сверхвысокому росту таких инструментов, как Claude Code и Codex. Эти темпы роста превзошли самые оптимистичные прогнозы большинства экспертов, и на данный момент подавляющее большинство внедрений инструментов ИИ в списках Fortune 500/Global 2000 происходит в сфере кода.

Во многих аспектах программирование представляет собой идеальный вариант использования ИИ как с точки зрения технических возможностей, так и с точки зрения принятия на корпоративном рынке. Код является интенсивным по данным, что означает наличие огромного количества высококачественного кода в интернете для обучения моделей. Он также основан на тексте, что делает его легко анализируемым для моделей. Код является точным и однозначным, обладает строгой грамматикой и предсказуемыми результатами. Важно то, что он проверяем: любой может запустить его и узнать, работает ли он, создавая тесные циклы обратной связи для обучения и улучшения модели.

С точки зрения бизнеса, это также отличное применение. Мы постоянно слышим от портфельных компаний, что производительность их лучших инженеров возрастает в 10–20 раз благодаря инструментам AI-кодирования. Найм инженеров всегда был сложным и дорогим процессом, поэтому любое повышение их производительности обеспечивает четкую окупаемость инвестиций — масштаб повышения, предоставляемый инструментами AI-кодирования, создает огромный стимул для их внедрения. Инженеры также часто являются ранними пользователями, стремящимися к лучшим инструментам, поскольку программирование, в отличие от большинства корпоративных задач, является более изолированной деятельностью, и им легче просто найти и использовать лучший инструмент, не сталкиваясь с координацией и бюрократией, которые затрудняют многие другие функции в бизнесе.

Кроме того, инструменты программирования не должны полностью автоматизировать задачу от начала до конца, чтобы иметь дополнительную ценность, поскольку любое ускорение (например, поиск ошибок, генерация шаблонного кода) все равно экономит время и полезно. Поскольку программирование предполагает тесный цикл взаимодействия с человеком, разработчики по-прежнему контролируют процесс разработки, и эти инструменты оставляют пространство для человеческого суждения, проверки, редактирования и итераций, одновременно ускоряя вывод. Это повышает уверенность компаний и делает путь внедрения более плавным.

Навыки программирования растут экспоненциально, и каждая лаборатория явно сосредоточена на победе в коде как на использовании. Это оказывает огромное влияние. Код является источником для всех других приложений, поскольку он является основным строительным блоком любого программного обеспечения, поэтому ускорение AI в коде должно ускорить каждый другой сектор. Барьеры для входа в эти секторы снижаются, открывая новые возможности для решения задач с помощью AI, но та же доступность делает создание устойчивого конкурентного преимущества для стартапов более критичным, чем когда-либо ранее.

Поддержка: поддержка осуществляется на противоположном конце гантели, в противоположность коду. Хотя программная инженерия обычно получает наибольшие инвестиции и внимание в организациях, поддержка часто игнорируется. Работа по поддержке в организациях является фоновой, начальной позицией, которую обычно аутсорсингуют в оффшорные компании или компании по аутсорсингу бизнес-процессов (BPO), поскольку компании считают управление ею слишком громоздким и сложным.

Искусственный интеллект зарекомендовал себя как эффективный инструмент для управления этой задачей по нескольким причинам. Во-первых, большинство взаимодействий в поддержке носят временный характер и имеют ограниченные цели (например, оформление возврата средств), что предоставляет агенту четко определенную задачу для решения. Поддержка также является одной из немногих функций, где задачи, связанные с ролью, четко определены. Команды поддержки велики и имеют высокую текучесть кадров, поэтому необходимо быстро и стандартизированно обучать новых представителей. Для этого у них есть подробно описанные стандартные операционные процедуры (SOP), направляющие работу каждого представителя. Эти SOP создают четкие правила и руководства, которые может имитировать ИИ-агент. Это отличает ее от большинства других корпоративных рабочих сред, которые обычно длятся дольше, менее четко определены и вовлекают больше заинтересованных сторон, помимо клиентов и представителей службы поддержки.

Поддержка — одна из самых четких функций бизнеса, где можно наглядно продемонстрировать ROI. Поддержка основана на измеримых показателях: количество ответов на тикеты, показатель удовлетворенности клиентов (CSAT) и процент решенных запросов. Любое A/B-тестирование текущей ситуации с использованием AI-агентов дает преимущества AI-агентам: они отвечают на большее количество тикетов, повышают процент решенных запросов и улучшают показатели удовлетворенности клиентов — все это при более низких затратах. Поскольку большая часть поддержки уже аутсорсится BPO, внедрение AI-решения требует минимальных изменений в управлении, что делает путь внедрения более простым.

Поддержка не требует 100% точности, чтобы быть полезной, поскольку существует естественный переход на человека (например, «Я передаю вас менеджеру»). Это позволяет ускорить цикл продаж и сделать пилотные AI-агенты поддержки относительно низкорисковыми; в худшем случае все случаи просто будут переданы на решение человеку.

В конечном счете, поддержка по своей сути является транзакционной. Клиентам безразлично, кто находится на другом конце, что означает, что поддержка не требует межличностных связей, которые трудно воспроизвести с помощью ИИ. Эти особенности объясняют, почему такие компании, как Decagon и Sierra, растут так быстро, а также почему появляется все больше участников, специализирующихся на вертикальной поддержке, таких как Salient и HappyRobot.

Поиск: последней четко определенной категорией с рыночным спросом со стороны предприятий является поиск. Основное применение ChatGPT само по себе является поиском, поэтому влияние поиска может быть сильно интегрировано в доходы и использование ChatGPT, что здесь, возможно, значительно недооценивается.

Поиск с использованием ИИ как категория настолько широк, что способствовал появлению множества независимых крупных стартапов. Одной из основных проблем внутри многих компаний является обеспечение возможности сотрудников легко находить и извлекать соответствующую информацию из различных систем. Glean успешно развивается как ведущий стартап-поставщик для этого сценария. Многие крупные отрасли функционируют на основе очень специфической отраслевой информации (внутренней и внешней), и компании, такие как Harvey (начавшаяся с поиска в юриспруденции) и OpenEvidence (начавшаяся с медицинского поиска), успешно развиваются, создавая свои основные продукты вокруг этой идеи.

Технологии: На данный момент наиболее распространённой отраслью, внедряющей ИИ, является технологическая отрасль. Сам ChatGPT сообщает, что 27% коммерческих пользователей приходятся на сферу технологий, а многие ранние клиенты таких компаний, как Cursor, Decagon и Glean, — это технологические компании. Учитывая, что технологии почти всегда являются первыми пользователями и являются отраслью, породившей волну ИИ, это совершенно неудивительно.

Более удивительно то, что рынки, которые ранее не считались ранними адептами, на этот раз оказались жаждущими.

Юриспруденция: удивительно, но юриспруденция является одной из первых отраслей в области ИИ. Исторически юриспруденция считалась сложным рынком для программного обеспечения с длительными сроками и покупателями, мало разбирающимися в технологиях.

Это связано с тем, что традиционное корпоративное программное обеспечение предоставляет юристам ограниченную ценность: статические инструменты рабочих процессов не ускоряют неструктурированную и тонкую работу, которую юристы обычно выполняют. Однако ИИ делает ценность технологий для юристов более очевидной. ИИ отлично справляется с анализом плотных текстов, логическим выводом на основе большого объема текста, а также резюмированием и составлением ответов — всем тем, что юристы часто делают. ИИ теперь часто выступает в роли второго пилота, повышая продуктивность отдельных юристов, но уже начинает выходить за эти рамки: в некоторых случаях он действительно генерирует доход, позволяя юридическим фирмам обрабатывать больше дел (как в случае с Eve, которая специализируется на праве истцов).

Результаты очевидны: Harvey сообщила о годовом рекуррентном доходе (ARR) в размере около 2 миллиардов долларов за три года основания, такие компании, как Eve, имеют более 450 клиентов и достигли оценки в 1 миллиард долларов этой осенью.

Здравоохранение: здравоохранение — это другой рынок, который реагирует на ИИ способами, невозможными для традиционного программного обеспечения. Компании, такие как Abridge, Ambience Healthcare, OpenEvidence и Tennr, демонстрируют быстрый рост доходов на основе дискретных сценариев использования, таких как медицинские записи, медицинский поиск или автоматизация фоновых процессов, связанных с управлением тем, как предоставляется и оплачивается медицинская помощь.

Здравоохранение исторически было одним из самых медленных рынков в принятии программного обеспечения, поскольку 1) высококвалифицированная и сложная работа плохо соответствует задачам, которые могут решать традиционные рабочие потоки программного обеспечения, и 2) доминирующее положение систем, таких как Epic, для ведения ЭМК сужает пространство для новых поставщиков программного обеспечения. Однако с появлением ИИ компании могут брать на себя дискретные ручные задачи, обходя системы ведения ЭМК, заменяя административные функции (например, медицинских редакторов) или усиливая более ценные задачи, которые выполняют врачи. Эта работа достаточно уникальна, чтобы не требовать полной замены ЭМК, что позволяет этим компаниям быстро масштабироваться, не заменяя существующих поставщиков программного обеспечения.

Эти оценки являются наилучшими предположениями. Они могут занижать объем дохода, генерируемого в каждой категории, и преувеличивать возможности модели.

Мы могли недооценить доход, потому что:

Анализ доходов основан исключительно на тех отделах и вариантах использования, которые достигли достаточного успеха для создания крупных, независимых корпоративных ИИ-бизнесов, и исключает длинный хвост вариантов использования, над которыми работают другие стартапы.

Многие из этих рынков также имеют значительное количество участников — нестартапов, генерирующих значительный доход (например, Codex/Claude Code в кодировании, CoCounsel от Thomson Reuters в юриспруденции), но наш анализ сосредоточен на независимых стартап-участниках.

Многие задачи, описанные в нашем анализе, могут быть интегрированы в основные продукты модели, такие как ChatGPT и поиск OpenAI, но не были выделены и включены в этот анализ.

Этот анализ фокусируется на корпоративном бизнесе, а не на потребительском или профессиональном потребительском сегменте. Существуют успешные бизнесы (например, Replit и Gamma в области генерации приложений и дизайна), у которых есть значительное количество корпоративных пользователей, но сегодня они в основном ориентированы на потребителей или профессиональных потребителей. Учитывая, что данный анализ сосредоточен на корпоративном ИИ и источниках ценности для предприятий, мы исключили бизнесы, доминируемые потребителями.

В плане возможностей измерить влияние ИИ на различные сектора экономики чрезвычайно сложно, хотя многие экономисты пытаются это сделать. Работа по своей природе нечетко определена и имеет длинный хвост, что делает ее крайне трудной для полной автоматизации. Сегодня еще неясно, сколько ценности компании могут извлечь из частичной автоматизации — если ИИ способен выполнять только 50% задач человека, важность неавтоматизируемых задач может возрасти, поскольку они становятся узкими местами, повышая свою относительную ценность. Таким образом, мы, возможно, переоцениваем текущий уровень возможностей, поскольку каждый прирост на 1% в способностях не приводит к приросту на 1% экономической ценности, но отслеживание относительных возможностей и то, как они улучшаются с каждым новым выпуском модели, по-прежнему крайне информативно.

Этот анализ измеряет победы ведущих оценочных моделей над человеческими экспертами по тесту GDPval. На основе этого очевидно, что с осени 2025 года модели значительно улучшились в выполнении экономически ценных задач.

Тогда почему мы не видим, чтобы все отрасли, занявшие высокие позиции в этой оценке, имели такой же тип роста доходов, как и другие отрасли?

Среди отраслей, которые с энтузиазмом приняли ИИ, есть несколько общих черт: они основаны на тексте, включают механические и повторяющиеся задачи, предполагают естественное участие человека для внесения человеческого суждения, имеют ограниченное регулирование и обладают четкими, проверяемыми конечными результатами (например, выполняемый код, решенные запросы поддержки). Многие отрасли не обладают этими свойствами. Они либо работают с физическим миром, сильно зависят от человеческих отношений, имеют значительные издержки на координацию между множеством заинтересованных сторон, сталкиваются с регуляторными или комплаенс-барьерами или не имеют проверяемых результатов. Хотя рост доходов и возможности моделей явно связаны, в областях, где теоретическая способность модели ниже 50% по сравнению с человеческим уровнем (как в юриспруденции), такие компании, как Harvey, все же могут быстро завоевывать долю рынка с помощью продуктов-помощников, усиливающих индивидуальную юридическую работу, а затем непрерывно улучшать свои основные продукты по мере эволюции моделей.

Самым заметным открытием здесь является быстрый рост способностей модели. За последние четыре месяца в нескольких областях наблюдался значительный прогресс: бухгалтерия и аудит показали рост почти на 20% по показателю GDPval, а такие области, как полиция/детективная работа, продемонстрировали улучшение почти на 30%. Мы ожидаем, что эти скачки приведут к появлению впечатляющих новых продуктов и компаний в соответствующих отраслях. Кроме того, компании, разрабатывающие модели, уже открыто заявили о намерении улучшить ключевые способности, связанные с экономически ценными задачами: работать с электронными таблицами и финансовыми рабочими процессами, использовать компьютеры для решения сложных задач в устаревших системах и отраслях, а также добиваться значимого прогресса в выполнении долгосрочных задач — что открывает целый класс новых работ, которые невозможно легко разбить на короткие, легко усваиваемые фрагменты.

Понимание того, откуда компании получают ценность и как они оценивают ROI — а также какие отделы явно видят рост и какие ожидаются — позволяет нам более четко определить, где находятся возможности для создателей ИИ.

Сервисы для покупателей в сфере технологий, права и здравоохранения сейчас явно являются плодородной почвой, но мы не считаем, что в каждой категории появится один «победитель». Например, в области права существует множество типов юристов — корпоративные юрисконсульты, юридические фирмы, патентные поверенные, истцы и т.д., — у каждого из которых свои рабочие процессы и потребности, которые компании могут удовлетворить. То же самое относится и к здравоохранению, с его разнообразием типов врачей, медицинских учреждений и т.д.

Помимо этих отраслей, другой продуктивный способ мышления — это области, где возможности усиливаются, но пока не появилось прорывных компаний в плане доходов. Многие текущие бизнесы были созданы до того, как возможности моделей действительно раскрыли потенциал продуктов, однако они уже создали достаточную техническую инфраструктуру и осведомленность клиентов/рынка, чтобы при наступлении раскрытия возможностей моделей оказаться в наиболее выгодном положении.

Наконец, важно обратить внимание на то, какие аспекты экономически значимой работы лаборатория сосредоточила в своих последних исследованиях. С быстрым улучшением долгосрочных агентов, значительными инвестициями в использование компьютеров и исследованием надежных интерфейсов для модальностей, выходящих за пределы текста (например, электронные таблицы, презентации), появляется целый класс новых стартапов, которые вскоре получат необходимую инфраструктуру для создания значимой корпоративной ценности.

Методология данных: эти данные агрегированы из ведущих корпоративных стартапов в области ИИ, включая частные данные компаний, поделенных с нами для целей настоящего отчета, а также публично доступные данные и анонимизированные данные, проанализированные нами на основе тысяч диалогов со стартапами и крупными компаниями в a16z.