Интерес бизнеса к искусственному интеллекту (ИИ) увеличивается, однако число успешных внедрений по-прежнему уступает количеству запущенных проектов. Основная проблема заключается не в качестве моделей или данных, а в ошибках, допущенных на этапе определения задач и экономического обоснования. Такой вывод сделали два эксперта с различными взглядами и поделились ими с IT Speaker.
Генеральный директор цифрового интегратора KOTELOV Валерий Котелов постоянно взаимодействует с компаниями, которые либо только начинают внедрение ИИ, либо пытаются восстановить уже запущенные пилотные проекты. Директор по ИИ-продуктам ООО «Оператор Газпром ИД» Павел Боюка отвечает за финансовые результаты крупных цифровых сервисов. Несмотря на различия в опыте, оба эксперта согласны в одном – большинство проектов терпят неудачу не из-за технологий, а из-за отсутствия четкой экономической модели.
По наблюдениям Валерия Котелова, значительное количество ИИ-инициатив так и не доходит до масштабного применения, оставаясь лишь на стадии пилотов и презентаций. Боюка добавляет, что основная проблема обычно заключается не в разработчиках, а в недостатке заранее определенных критериев успеха.
ИИ становится доступнее, но ошибки продолжают возникать
Традиционно неудачи объясняются качеством данных, ошибками в моделях или требованиями безопасности. Однако Валерий Котелов подчеркивает парадокс: технологии становятся дешевле и эффективнее, но число успешных внедрений растет медленнее. Если бы главной преградой были мощности, ситуация изменилась бы быстрее.
По мнению Павла Боюки, корень проблемы заключается в том, что компании начинают с обсуждения моделей, инфраструктуры и подрядчиков. Вопрос «Какую бизнес-задачу решает ИИ и каков его финансовый результат?» возникает лишь постфактум. На этом этапе бюджет уже израсходован, а остановка проекта воспринимается как признание ошибки. Проект движется по инерции, пока руководство не начнет требовать отчета по его рентабельности.
Три модели рентабельности ИИ
Павел Боюка утверждает, что обсуждение эффективности искусственного интеллекта не имеет смысла, пока компания не ответит на основной вопрос: каким образом технология будет генерировать доход? Он предлагает рассмотреть ИИ-инициативы через три модели ценности, которые не следует смешивать в одном проекте.
Первая модель – сокращение затрат. Автоматизация рутинных задач: обработка документов, модерация, стандартные ответы. Эффект здесь прямой и измеримый (экономия человеко-часов). Тем не менее, важно учитывать сопутствующие расходы на безопасность и вычислительные мощности – они могут свести на нет экономию на фонде оплаты труда.
Вторая модель – создание нового качества решений. Здесь речь идет не о замене людей, а о скорости и глубине анализа, которые недоступны человеку. Например, комплексная проверка юридических лиц для кредитования: даже 20 специалистов не справятся с этой задачей за 5-7 минут, а ИИ – сможет. Ценность заключается 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 клиентов. Связь между алгоритмом и выручкой в этом случае наиболее очевидна.
Корпоративная ИИ-платформа для экзаменов: от идеи до пилота и подводных камней
По словам Валерия Котелова, проблемы начинаются, когда компания пытается объединить все три сценария в одном проекте. На первый взгляд это выглядит логично: ИИ должен и сокращать затраты, и увеличивать продажи, и ускорять процессы. На практике же цели расплываются. У каждого участника свое представление о главном результате.
Павел Боюка добавляет, что без единой бизнес-метрики проект не может объективно продемонстрировать свою эффективность. Поэтому еще до начала необходимо определить основной источник экономического эффекта и зафиксировать показатели. В противном случае «улучшить бизнес» остается лишь пожеланием, а не целью.
Язык финансов
Технологически совершенный проект не получит поддержки бизнеса, если его ценность выражена в процентах точности. Павел Боюка подчеркивает, что финансового директора редко интересует увеличение точности модели или снижение количества ошибок в классификации. Для него важны другие показатели: «экономия 20 миллионов рублей в год» или «увеличение выручки на 50 миллионов».
Валерий Котелов также акцентирует внимание на важности совместного расчета с заказчиком. Когда бизнес активно участвует в формировании исходных данных по фонду оплаты труда, выручке или производительности процессов, проект перестает восприниматься как навязанный извне и становится «своим».
Бюджеты требуют цифр
По мнению Котелова, правильно рассчитанная экономика помогает не только привлечь бюджет, но и выстроить переговоры о стоимости внедрения. Когда стороны видят потенциальный эффект, обсуждение перестает сосредоточиваться на цене разработки и переходит на плоскость создаваемой ценности.
Однако Боюка предупреждает, что завышенные ожидания могут помочь получить финансирование на старте, но впоследствии это приведет к разочарованию и потере доверия к команде.
Даже если потенциальный эффект проекта можно оценить достаточно точно, стоимость реализации часто остается переменной величиной. Котелов подчеркивает, что индустрия ИИ стремительно меняется – новые модели способны радикально изменить требования к инфраструктуре всего за несколько месяцев. С одной стороны, технологический прогресс приводит к снижению ресурсоемкости и увеличению производительности на единицу мощности.
С другой стороны, в ближайшие годы более вероятен значительный рост общих затрат, но уже по другим причинам. Прежде всего, это расходы на информационную безопасность: внедрение ИИ-систем увеличивает поверхность атак, требует дополнительных средств защиты и аудита, что закономерно увеличивает бюджет на безопасность. Параллельно растут и инфраструктурные расходы: 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 безопасность 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
Решение о том, разрабатывать собственное решение или использовать облачные сервисы, напрямую влияет на экономику. Котелов замечает, что компании часто считают себя владельцами ИИ-решения, хотя на самом деле используют набор внешних сервисов. Пока все работает – проблем 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, модель SaaS оказывается более выгодной.
Главный вопрос, который советуют задать себе оба эксперта: «Что произойдет, если поставщик завтра исчезнет или повысит цену в три раза?» Ответ часто быстро проясняет ситуацию.
Экономика решает все
Несмотря на разные роли и опыт, Котелов и Боюка согласны 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 обосновывать бюджет. Если же старт берется с расчета экономики, даже неудачный эксперимент приносит пользу: компания получает информацию 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.
Поиск без кликов: как бизнесу адаптироваться к ИИ-ответам
