ИИ в процессах НИОКР: почему миллиарды исчезают в проектах, которые никогда не выходят на рынок

Парадоксальная проблема цифровизированных НИОКР: больше ИИ, но результаты не улучшаются

Искусственный интеллект давно стал частью исследовательских и опытно-конструкторских подразделений глобальных компаний. Аналитика данных на основе ИИ, автоматизированное моделирование, машинное обучение для разработки материалов — инструменты есть, применяются они повсеместно. И тем не менее актуальный бенчмарк-отчёт, представленный IEEE Spectrum и Wiley совместно с поставщиком инновационной аналитики Patsnap, рисует отрезвляющую картину: несмотря на масштабное внедрение ИИ, компании по-прежнему теряют огромную долю бюджета на НИОКР в проектах, которые так и не выходят на рынок.

Исследование, основанное на ответах более 200 руководящих специалистов в сфере НИОКР из Северной Америки, Великобритании и Европы, приводит конкретные цифры по проблеме, которую стратегические документы нередко замалчивают: системному провалу инновационных проектов — не вопреки тому, как сегодня применяется ИИ, но отчасти именно вследствие этого.

Жёсткая статистика: куда на самом деле уходит бюджет НИОКР

Выводы отчёта однозначны и должны привлечь внимание каждого руководства компании:

• Более трети всех опрошенных организаций сообщают, что расходуют от 25 до 40 процентов совокупного бюджета НИОКР на проекты, которые никогда не достигают рыночной зрелости.
• Почти половина респондентов оценивает потери по каждому закрытому проекту поздней фазы в более чем один миллион долларов США — и это в расчёте на один проект.
• Наиболее распространённая причина: критически важные сведения о рыночной состоятельности, конкурентной среде и патентной ситуации поступают к лицам, принимающим решения, слишком поздно — как правило, уже после того, как значительные ресурсы оказываются связаны.

Эти цифры — не частное явление отдельных отраслей. Исследование охватывает девять промышленных секторов — от наук о жизни и материаловедения до разработки программного обеспечения. Проблема носит системный характер.

Слепое пятно: ИИ для исполнения вместо ИИ для принятия решений

Здесь и кроется ключевое противоречие, которое вскрывает отчёт — и которое хорошо знакомо по практике автоматизации процессов: компании применяют ИИ прежде всего для операционных задач исполнения — анализа данных, симуляции или автоматизированной отчётности. При этом стратегические решения остаются практически нетронутыми: какие проекты вообще заслуживают инвестиций? Когда следует остановить тот или иной проект? Какие технологические направления предлагают подлинный потенциал дифференциации?

Решения «Go/No-Go» в рамках Stage-Gate-процесса по-прежнему принимаются преимущественно без надлежащей поддержки ИИ — на основе фрагментированных данных, несогласованных источников информации и конкурентного анализа, который зачастую запрашивается слишком поздно.

«ИИ, который лишь ускоряет исполнение, не меняя неверного курса, не экономит ресурсы — он сжигает их быстрее.»

Dr. Maik Bunzel, основатель и генеральный директор mabucon.eu, наблюдает эту закономерность и в своей консалтинговой практике: многие организации внедряют инструменты ИИ прежде всего там, где успех наиболее легко поддаётся измерению — в чётко определённых частичных задачах. По-настоящему ценное применение, а именно поддержка сложных инвестиционных решений и решений по расстановке приоритетов, при этом нередко остаётся за бортом.

Когда ИИ оказывает наибольшее воздействие: момент имеет решающее значение

Один из важнейших выводов отчёта касается не только «что», но и «когда» использовать ИИ. Данные однозначно свидетельствуют: наибольший рычаг воздействия сосредоточен на ранней стадии инновационного процесса — в фазах генерации идей и анализа осуществимости, до того как будут задействованы значительные ресурсы.

Конкретно это означает: ранний доступ к Patent Intelligence, конкурентным ландшафтам, White-Space-анализу и рыночным данным способен предотвратить ошибочные решения, которые впоследствии оборачиваются тупиками стоимостью в миллионы. Тот же, кто ждёт, пока проект достигнет фазы тестирования, прежде чем обратиться к внешней аналитике, действует реактивно, а не проактивно.

• Patent Intelligence: Раннее выявление рисков в сфере интеллектуальной собственности и проблем Freedom-to-Operate предотвращает дорогостоящие изменения курса на поздних стадиях.
• Competitive Intelligence: Непрерывный мониторинг конкурентного поля позволяет выявлять пересечения и возможности для дифференциации до того, как внутренние ресурсы разработки окажутся задействованы.
• White Space Analysis: Систематическое выявление незанятых инновационных пространств обеспечивает более целенаправленное распределение ресурсов с более высокой вероятностью успеха.

Структурная проблема: фрагментированные данные и инертные процессы

Отчёт также называет организационные причины, препятствующие более эффективному использованию ИИ. Команды сталкиваются с фрагментированными источниками данных, которые не обеспечивают последовательной основы для принятия решений. К этому добавляются затяжные внутренние процессы согласования, замедляющие информационные потоки, — и всё это в условиях, когда циклы разработки становятся всё короче, а рынки меняются быстрее, чем когда-либо.

Помимо этого, существует культурное измерение: решения в процессах НИОКР нередко определяются субъективными оценками, внутренними структурами власти и так называемым мышлением «Sunk Cost». Проекты продолжают реализовывать, потому что в них уже вложено немало средств, — а не потому что сигналы об успехе позитивны. Поддержка принятия решений на основе ИИ способна стать здесь объективным противовесом — при условии, что она подключается своевременно и располагает достаточной глубиной данных.

Последствия для компаний: где необходимы действия

Для компаний, всерьёз стремящихся повысить эффективность своих НИОКР, отчёт определяет чёткие области, требующие внимания:

• Переосмыслить стратегию ИИ: Акцент необходимо сместить с поддержки исполнения на поддержку стратегических решений. Это требует иных системных архитектур, иных источников данных и иных сценариев использования.
• Приоритет ранним фазам: Инвестиции в инновационную аналитику окупаются прежде всего тогда, когда они направлены на фазы идеации и оценки осуществимости — а не на этап Stage-Gate-Review после интенсивной разработки.
• Устранить разрозненность данных: Интегрированная база данных, объединяющая патентную, рыночную и конкурентную информацию, является обязательным условием для принятия основанных на данных решений в сфере НИОКР.
• Переосмыслить процессы: Существующие Stage-Gate-процессы следует проверить на предмет того, в каких точках может быть встроена структурированная аналитика данных — и какие ручные шаги можно автоматизировать или ускорить.

Истинное конкурентное преимущество заключается в качестве принимаемых решений

Главный вывод отчёта 2026 R&D Benchmark Report состоит в фундаментальном сдвиге в понимании ценности ИИ. Победителем в инновационной гонке становится не та организация, которая применяет ИИ наиболее широко, а та, которая применяет его там, где он оказывает наибольший эффект рычага: в критических точках принятия решений в инновационном процессе.

Dr. Maik Bunzel, основатель и генеральный директор mabucon.eu, формулирует это точно: интеллектуальная автоматизация — это не прохождение большего числа процессов с большей скоростью. Это возможность взяться именно за правильные процессы — опираясь на базу данных, которая обеспечивает обоснованность стратегических решений и предотвращает неэффективное распределение ресурсов ещё до того, как оно произошло.

Для компаний в исследовательских отраслях подобные данные бенчмарков должны служить чётким сигналом: следующий крупный выигрыш в эффективности находится не в ускорении исполнения, а в повышении качества принятия решений. Те, кто упустит эту возможность, не смогут сократить конкурентное отставание от организаций, управляемых на основе данных, — вне зависимости от объёма инвестиций в ИИ.