Экономика ИИ-проектов: почему 90% пилотов остаются пилотами

Интерес бизнеса к ИИ растет, но успешных внедрений все еще меньше, чем запущенных проектов. Проблема – не в качестве моделей или данных, а в ошибках на этапе постановки задачи и экономического обоснования. К такому выводу пришли два эксперта с разными позициями и поделились ими с IT Speaker. 

CEO digital-интегратора KOTELOV Валерий Котелов регулярно работает с компаниями, которые либо только приходят за внедрением ИИ, либо пытаются реанимировать уже запущенные пилоты. Директор по ИИ-продуктам ООО «Оператор Газпром ИД» Павел Боюка отвечает за финансовый результат крупных цифровых сервисов. Несмотря на разницу в опыте, оба сходятся в главном – большинство проектов терпят неудачу не из-за технологий, а из-за отсутствия внятной экономической модели.

По наблюдениям Валерия Котелова, значительная часть ИИ-инициатив так и не доходит до промышленной эксплуатации, оставаясь в стадии пилотов и презентаций. Боюка добавляет, что проблема обычно не в разработчиках, а в отсутствии заранее определенных критериев успеха.

ИИ дешевеет, а ошибки остаются

Традиционно неудачи списывают на качество данных, ошибки моделей или требования ИБ. Однако Валерий Котелов обращает внимание на парадокс: технологии дешевеют и становятся эффективнее, но количество успешных внедрений растет медленнее. Если бы главным препятствием были мощности, ситуация менялась бы быстрее.

По мнению Павла Боюки, корень зла в том, что компании стартуют с обсуждения моделей, инфраструктуры и подрядчиков. Вопрос «Какую бизнес-задачу решает ИИ и каков будет финансовый результат?» возникает постфактум. К этому моменту бюджет уже потрачен, а остановка проекта воспринимается как признание ошибки. Проект движется по инерции, пока руководство не начинает требовать отчета по окупаемости.

Три модели окупаемости ИИ

Павел Боюка утверждает, что разговор об эффективности искусственного интеллекта бессмыслен, пока компания не ответит на базовый вопрос: каким именно образом технология будет приносить деньги? Он предлагает рассмотреть ИИ-инициативы через три модели ценности, которые нельзя смешивать в одном проекте.

Первая модель – снижение издержек. Автоматизация рутины: обработка документов, модерация, типовые ответы. Эффект прямой и измеримый (экономия человеко-часов). Однако важно помнить о сопутствующих расходах на ИБ и вычислительные мощности – они могут нивелировать экономию на ФОТ.

Вторая модель – создание нового качества решений. Это не про замену людей, а про скорость и глубину анализа, недостижимые для человека. Например, комплексная проверка юрлиц для кредитования: даже 20 специалистов не сделают это за 5-7 минут, а ИИ – может. Ценность здесь – в дополнительной выручке от ускоренных операций и снижении рисков.

Третий сценарий – влияние на продажи. Рекомендательные системы, персонализация и скоринг повышают конверсию, средний чек и удержание. Связь между алгоритмом и выручкой здесь наиболее очевидна.

По наблюдениям Валерия Котелова, проблемы начинаются, когда компания пытается объединить все три сценария в одном проекте. На словах это логично: ИИ должен и сокращать расходы, и увеличивать продажи, и ускорять процессы. На практике размываются цели. У каждого участника свое представление о главном результате.

Павел Боюка добавляет, что без единой бизнес-метрики проект не может объективно доказать свою эффективность. Поэтому еще до старта нужно выбрать основной источник экономического эффекта и зафиксировать показатели. Иначе «улучшить бизнес» остается пожеланием, а не целью.

Язык денег

Технологически совершенный проект не получит поддержки бизнеса, если его ценность выражена в процентах точности. Павел Боюка подчеркивает, что финансового директора редко интересует рост точности модели или снижение количества ошибок классификации. Для него имеют значение другие показатели: «экономия 20 млн рублей в год» или «прирост выручки на 50 млн».

Валерий Котелов также отмечает важность совместного расчета с заказчиком. Когда бизнес самостоятельно участвует в формировании исходных данных по фонду оплаты труда, выручке или производительности процессов, проект перестает быть навязанным извне и становится «своим».

Бюджеты любят цифры

По мнению Котелова, правильно рассчитанная экономика помогает не только получить бюджет, но и выстроить переговоры о стоимости внедрения. Когда стороны видят потенциальный эффект, дискуссия перестает крутиться вокруг цены разработки и переходит в плоскость создаваемой ценности.

Однако Боюка предостерегает, что завышенные ожидания помогают получить деньги на старте, но в будущем гарантируют разочарование и потерю доверия к команде.

Даже если потенциальный эффект проекта можно рассчитать достаточно точно, стоимость реализации часто остается переменной величиной. Котелов подчеркивает, что индустрия ИИ меняется стремительно – новые модели за считанные месяцы способны радикально трансформировать требования к инфраструктуре. С одной стороны, технологический прогресс ведет к снижению ресурсоемкости и росту производительности на единицу мощности.

С другой – на горизонте ближайших лет более вероятен существенный рост совокупных затрат, но уже по иным причинам. Прежде всего, это расходы на информационную безопасность: внедрение ИИ‑систем расширяет поверхность атак, требует дополнительных средств защиты и аудита, что закономерно увеличивает бюджет на ИБ. Параллельно растут и инфраструктурные издержки: общий объем задач увеличивается, появляются более тяжелые архитектуры, требующие пересмотра ИТ‑инфраструктуры и закупки дополнительного оборудования или вычислительных мощностей.

Поэтому рассчитывать на фиксированный бюджет в долгосрочной перспективе нереалистично – такой подход чаще оказывается маркетинговым обещанием, чем экономически обоснованным планом. Более устойчивое решение – сценарное планирование: базовая оценка затрат с учетом вероятного роста расходов на ИБ и инфраструктуру, а также резервный фонд на случай изменения технологических условий. Это позволяет гибко реагировать на динамику рынка и избегать критических разрывов в финансировании.

Свой vs чужой код

Выбор между собственной разработкой и облачными сервисами напрямую влияет на экономику. Котелов замечает, что компании часто считают себя владельцами ИИ-решения, хотя фактически используют набор внешних сервисов. Пока все работает – проблемы нет. Но если поставщик меняет условия или уходит с рынка, зависимость становится критической.

Боюка предлагает оценивать критичность процесса: если технология влияет на ключевую выручку, лучше развивать in-house и сохранять контроль. Для типовых задач, которые легко мигрировать, SaaS-модель выгоднее.

Главный вопрос, который советуют задать себе оба эксперта: «Что произойдет, если поставщик завтра исчезнет или поднимет цену в три раза?» Ответ обычно быстро проясняет ситуацию.

Экономика решает все

Несмотря на разные роли и опыт, Котелов и Боюка сходятся в главном: успех ИИ-проекта определяется не выбором модели, а качеством экономического обоснования.

Если внедрение начинается с технологий, команда теряет понимание целевого результата – сложно оценивать прогресс и защищать бюджет. Если же старт берется с расчета экономики, даже неудачный эксперимент приносит пользу: компания получает данные о том, какие гипотезы не сработали и как скорректировать подход.

Поэтому главный вопрос перед запуском звучит не «какую модель выбрать», а «какую ценность создаст ИИ для бизнеса и как мы это измерим?». Именно этот ответ, по мнению экспертов, отделяет реальный результат от красивой презентации.