Окупаемость ИИ: правда про ROI и 95% провалов

Окупаемость ИИ: правда про ROI и 95% провалов

Ко мне регулярно приходят с одной и той же фразой: «Покажи кейсы, где ИИ окупился». А следом, почти в том же разговоре: «Я не верю в эти ROI 200%, это маркетинг вендоров». И обе позиции я понимаю. Собственник видит в одной статье «кратная отдача за полгода», а в соседней — «компании сворачивают ИИ-проекты пачками». Складывается ощущение, что кто-то врёт.

Никто не врёт. Просто две цифры описывают два разных мира, и собственнику важно понять, в каком из них окажется именно его инициатива — до того, как подписан бюджет. Эта статья — про экономику внедрения глазами того, кто платит, а не того, кто продаёт.

Почему «ROI 200%» и «95% пилотов мертвы» — обе цифры правда

Начнём с того, что обе цифры взяты из приличных источников, а не выдуманы.

С одной стороны — отдача. В исследовании Microsoft и IDC, охватившем тысячи компаний, средний возврат составил порядка $3,7 на каждый вложенный в генеративный ИИ доллар, а у лидеров — заметно выше. «ROI 200%» из заголовков — это примерно та же история, переведённая в проценты: вложил рубль, вернул два-три сверху.

С другой стороны — провалы. Отчёт MIT «The GenAI Divide» по итогам сотен внедрений показал, что около 95% корпоративных ИИ-пилотов не дали измеримого эффекта на прибыль и убытки. Не «провалились со скандалом», а тихо не дотянули до P&L. Похожую картину рисует BCG: около трёх четвертей компаний не могут вытащить из ИИ ощутимую ценность и масштабировать её за пределы пилота.

Кажется, что это противоречие. На самом деле это распределение. Есть узкая прибыльная когорта, которая вытягивает среднюю отдачу вверх, и широкий «длинный хвост» инициатив с нулевым результатом. Усреднять их в одну цифру — то же самое, что считать «среднюю температуру по больнице»: формально есть и 36,6, и 40, а среднее ничего не говорит о конкретном пациенте.

Для собственника вывод холодный, но полезный: вопрос не «окупается ли ИИ в принципе», а «попадёт ли моя конкретная инициатива в прибыльную когорту или в хвост». И это уже не вопрос веры в технологию — это вопрос конструкции проекта. Что именно отличает одну когорту от другой — разберём дальше.

Что отличает прибыльную когорту от убыточной

Самое неприятное для индустрии открытие в данных MIT: разрыв между когортами почти не объясняется качеством моделей. Все берут примерно одни и те же топовые модели. Отличается то, что вокруг них построено.

По исследованиям и по наблюдениям из практики прибыльная когорта систематически делает иначе несколько вещей.

Первое — где ищут эффект. Парадокс из отчёта MIT: больше половины ИИ-бюджетов компании заливают в продажи и маркетинг, а самая надёжная отдача обнаруживается в бэк-офисе — там, где ИИ срезает рутину, сокращает внешний аутсорс и расходы на агентства. Это и есть неочевидное наблюдение: деньги текут туда, где красиво, а окупаемость прячется там, где скучно. Автоматизация обработки документов, первичной поддержки, типовой аналитики, сверок — выглядит непрезентабельно на слайде, но именно там эффект считается в рублях прямо сейчас.

Второе — покупают или строят. Те же данные MIT показывают, что внедрения через специализированных вендоров и партнёрства доходят до результата примерно в двух третях случаев — заметно чаще, чем попытки построить всё своими силами «с нуля». Для собственника это не призыв «не делайте сами», а сигнал: если выбрали внутреннюю разработку, заложите реалистичный срок и не ждите отдачи в первом квартале.

Третье — у инициативы с самого начала есть владелец и метрика. В убыточной когорте ИИ-проект почти всегда «общий»: его ведёт ИТ, спонсирует один департамент, а критерия успеха нет — есть «посмотрим, что получится». В прибыльной — у инициативы есть конкретный заказчик из бизнеса, который заранее сказал, какая цифра должна сдвинуться: время обработки заявки, стоимость одного обращения, доля ошибок. Подробно про то, почему пилоты без владельца и метрики умирают, я разбирал в отдельном тексте — почему ИИ-пилоты умирают.

Четвёртое — узкая задача вместо «трансформации». Прибыльные внедрения почти всегда начинаются с одного процесса с понятными границами. «Трансформировать клиентский сервис» не окупается, потому что неизмеримо. «Сократить время первого ответа в поддержке на типовых обращениях» — окупается, потому что у этого есть до и после.

Если свести это к одной мысли: прибыльная когорта отличается не доступом к лучшим моделям, а дисциплиной обвязки — кто отвечает, что меряем, где границы, готовы ли менять процесс. По ряду наблюдений BCG, компании-лидеры по зрелости ИИ за несколько лет показывают заметно более высокий рост выручки и отдачу на капитал, чем остальные, — но отрыв создаётся именно этой обвязкой, а не количеством запущенных пилотов. Хорошая новость для собственника: дисциплину обвязки можно выстроить осознанно, в отличие от удачи.

Это не значит, что стратегический слой не нужен, а нужны только точечные пилоты. Это два параллельных трека: можно входить с конкретной задачи, можно — со стратегии распределения ИИ по функциям, но стратегический слой нельзя пропускать — иначе набор пилотов так и останется набором пилотов. Куда заходить первым, если входите с задачи, я разбирал в материале про приоритизацию функций.

Как считать эффект: рубли, часы, маржа

Главная причина, по которой собственник «не верит в ROI», — ему показывают отдачу в неправильных единицах. «Сотрудники довольны», «мы быстрее», «команда разгрузилась» — это не эффект, это ощущение эффекта. Совет директоров такое не принимает, и правильно делает.

Эффект ИИ сводится к трём измеримым осям. Любую инициативу стоит прогнать через все три.

Логика расчёта простая и честная:

ROI = (эффект за период − полная стоимость владения) / полная стоимость владения.

Дьявол — в обоих слагаемых. В числителе важно не записывать в «эффект» то, что вы не сможете защитить перед финдиректором. Освобождённые часы засчитываем только когда они конвертированы в результат: либо человек делает больше оплачиваемой работы, либо вы не нанимаете следующего, либо реально сокращаете расход. «Стало легче» в числитель не идёт.

В знаменателе — полная стоимость владения, а не цена подписки на модель. Именно здесь рассыпается большинство красивых расчётов, и об этом — отдельная секция ниже.

Покажу на условном примере, как это собирается воедино — числа здесь иллюстративные, важна логика. Компания обрабатывает 4 000 типовых обращений в месяц, на каждое уходит в среднем 12 минут сотрудника. Модель закрывает первичную обработку на 60% обращений и сокращает время на остальных. В часах эффект выглядит внушительно. Но в деньги его можно записать только в той части, где освобождённые часы реально превратились в результат: не нанимаем ещё одного человека на рост объёма, сокращаем расход на внешний колл-центр, перебрасываем людей на работу с дебиторкой. Остальные «сэкономленные» часы, которые просто растворились в рабочем дне, в числитель не идут. В знаменатель — подписка на модель, интеграция в CRM, чистка базы обращений, время руководителя на перестройку регламента, сопровождение. Когда обе стороны посчитаны честно, остаётся цифра, которую не стыдно нести финдиректору, — и она почти всегда скромнее презентационной, но зато настоящая.

Практический приём, который экономит месяцы: прежде чем считать ROI всего проекта, зафиксируйте одну базовую метрику до старта. Время обработки заявки, стоимость обращения, число ошибок на сотню операций — что угодно одно, но измеренное заранее. Без замера «до» вы не докажете эффект «после» — и формально окупившийся проект будет выглядеть как трата. Это и есть основа любого внятного KPI ИИ-проекта: одна цифра, которую все согласовали считать показателем успеха.

И ещё одно про маржу — самую соблазнительную ось. Если после внедрения выросла конверсия или упал отток, велик соблазн записать весь прирост на ИИ. Но в этот же период работали сезонность, маркетинг, изменения в продукте. Чтобы маржинальный эффект приняли всерьёз, нужен контрольный сегмент или контрольный период — иначе финдиректор справедливо спишет рост на что угодно, кроме вашей инициативы. Часы и прямые рубли защищать проще, поэтому начинать расчёт окупаемости разумно с них, а маржу подключать там, где её удаётся изолировать.

Скрытые издержки, про которые молчат интеграторы

Когда вендор показывает ROI-калькулятор, в знаменателе обычно стоит подписка на модель и работа интегратора. Реальный знаменатель толще — иногда в разы. Вот издержки, которые систематически не попадают в коммерческое предложение, но обязательно попадают в ваш бюджет.

• Подготовка данных. Модель работает на ваших данных, а они почти всегда лежат не там, не в том формате и с пропусками. Сбор, чистка, разметка, выгрузки — часто это самая большая и самая недооценённая статья.
• Интеграция в реальные процессы. Подключить модель к рабочему чату — это демо. Встроить в CRM, учётную систему, регламенты, права доступа — это проект, и стоит он не как демо.
• Время ваших людей. Сотрудники, которые объясняют контекст, проверяют выводы модели, переучиваются на новый процесс, — это полноценные часы, изъятые из основной работы. Их почти никогда не считают.
• Переделка процесса, а не «накладка сверху». Отдача появляется не когда модель добавлена к старому процессу, а когда процесс перестроен вокруг неё. Это управленческая работа, и она не бесплатна.
• Сопровождение и деградация. Модель надо мониторить: качество ответов плывёт, поставщик меняет версии и цены, появляются пограничные случаи. Заложите эксплуатацию, а не только запуск.
• Управление рисками данных. Как только в контур попадают персональные данные клиентов или сотрудников, появляется отдельный пласт работы по их защите и хранению в рамках 152-ФЗ. Это управленческая статья затрат — кто отвечает, где хранится, что уходит во внешние сервисы, а что нет. (За толкованием конкретных требований закона под вашу ситуацию — к юристам; здесь важно лишь, что эта строка в бюджете обязана быть.)
• Стоимость переключения и обучения. Первые недели производительность не растёт, а падает — люди осваивают новый инструмент. Это нормальный «налог на внедрение», но если его не заложить, ранний отчёт покажет минус и проект свернут раньше времени.

По наблюдениям из консалтинговой практики, при разборе чужих ROI-расчётов реальная стоимость владения часто оказывается выше презентационной — за счёт именно этих строк. Это не значит, что внедрять не надо. Это значит, что сравнивать надо честный числитель с честным знаменателем — иначе вы принимаете решение по приукрашенной модели. Подробнее о том, за что вообще имеет смысл платить внешнему консультанту и где он экономит вам деньги, — в отдельном тексте.

Когда окупаемости не будет — и это видно заранее

Хорошая новость: нулевую окупаемость почти всегда видно до старта. Плохая — её обычно предпочитают не замечать, потому что проект уже анонсирован. Вот признаки, по которым я заранее ставлю инициативе высокий риск не окупиться. Это рабочий чек-лист — пройдитесь по своей инициативе.

• Нет владельца из бизнеса. Проект ведёт ИТ или «инновации», а не тот, чью метрику он должен сдвинуть. Заказчик размытый — результат тоже.
• Нет цифры «до». Никто не измерил исходное состояние процесса. Значит, эффект потом будет неотличим от случайности.
• Цель — «внедрить ИИ», а не решить задачу. Если в формулировке цели есть слово «ИИ», но нет бизнес-проблемы, — это инициатива ради галочки. Технология не может быть целью.
• Задача слишком широкая. «Трансформировать направление» без границ не окупается, потому что неизмеримо. Окупается узкий процесс с понятным до/после.
• Процесс никто не готов менять. Если на берегу сказано «модель должна вписаться в текущий порядок и ничего не трогать» — отдачи почти не будет: эффект живёт в перестройке процесса, а не в надстройке над ним.
• Эффект только «качественный». Если единственное обещание — «станет удобнее» и нет ни одной оси из рублей/часов/маржи, защитить ROI будет нечем.
• Экономика не сходится даже на бумаге. Если при честном знаменателе с учётом скрытых издержек расчёт уходит в минус ещё до старта — это не повод «попробовать и посмотреть», это повод пересобрать инициативу или выбрать другую.

Важно: высокий риск — не приговор «не делать». Это сигнал переупаковать инициативу так, чтобы у неё появились владелец, метрика и узкие границы. Чаще всего проект, который «не окупался», после такой пересборки начинает считаться в плюс — потому что мы наконец считаем правильную вещь правильным способом.

И отдельно — про честность с самим собой. Иногда самый ценный результат диагностики звучит как «эту инициативу запускать не стоит, ресурс уйдёт в ноль». Для собственника несостоявшийся убыток — это тоже деньги, просто их не видно в отчёте.

Как показать эффект совету директоров

Допустим, эффект есть и он посчитан честно. Остаётся управленческая задача: показать его так, чтобы совет директоров или собственник принял его как факт, а не как энтузиазм исполнителя. Тут ломается даже хорошо окупившийся проект — потому что его презентуют не на языке P&L.

Формат, который работает, — одна страница, а не презентация на сорок слайдов. На ней:

1. Одна базовая метрика и её движение. «Время обработки заявки: было X, стало Y». Одна, согласованная заранее. Не три графика, а одно число, которому все доверяют.
2. Эффект в деньгах с явной методикой. Не «сэкономили кучу времени», а «N часов в месяц, переведённых в рубли так-то; из них реально реинвестировано столько-то». Сразу показываете, что не приписываете «растворившиеся» часы.
3. Полная стоимость владения, включая скрытые строки. Совет уважает того, кто сам назвал свои издержки, а не того, у кого их «нашли» на заседании. Покажите знаменатель целиком — это повышает доверие к числителю.
4. Что не сработало. Одна-две гипотезы, которые проверили и закрыли. Это не слабость — это доказательство, что вы считаете честно, а не подгоняете.
5. Следующий шаг и его критерий успеха. Куда масштабируем, при какой цифре считаем, что получилось, и при какой — останавливаемся.

Неочевидный, но рабочий ход: приносите на совет директоров не только успех, но и стоимость отказа от ИИ в этой функции. Не «давайте внедрим», а «вот что нам стоит каждый месяц, пока мы это не трогаем» — в часах и рублях. Разговор смещается с «зачем тратить» на «сколько стоит не делать», и это честнее отражает реальную динамику рынка.

Если хочется подготовиться к такому разговору заранее — список вопросов, которые стоит задать себе и подрядчику до внедрения, я собрал в отдельном материале.

Ритуал ревизии KPI раз в 4–6 недель

Последнее и, пожалуй, самое недооценённое. ROI ИИ-инициативы — не цифра, которую считают один раз в бизнес-плане. Это величина, которая плывёт: модели и их цены меняются, процесс притирается, появляются новые пограничные случаи, часть ожидаемого эффекта не материализуется, а часть неожиданного — наоборот, всплывает.

Поэтому в прибыльной когорте есть простой ритуал: раз в 4–6 недель садятся и пересматривают метрики инициативы. Не «как настроение проекта», а конкретно:

• Та базовая метрика всё ещё движется в нужную сторону? На сколько?
• Полная стоимость владения не выросла незаметно — не появились ли новые скрытые строки?
• Где модель начала ошибаться чаще и какой это создаёт риск?
• Какую гипотезу пора закрыть как непродуктивную, чтобы не тратить на неё ресурс дальше?
• Что переносим на следующий процесс, а что честно признаём не окупившимся?

Этот ритм важнее точности первого расчёта. Первый расчёт почти всегда ошибочен — в обе стороны. Регулярная ревизия превращает ошибку в управляемую: убыточную ветку вы гасите рано, прибыльную — масштабируете осознанно.

Предсказание на ближайшие 12 месяцев. Думаю, в течение года слайд «мы запустили ИИ-пилот» перестанет приниматься советами директоров как отчёт о результате. Спрашивать начнут не про факт запуска, а про P&L-строку и про полную стоимость владения. Разрыв между прибыльной когортой и хвостом, который фиксируют MIT и BCG, будет смещать разговор от «внедрили ли мы ИИ» к «что конкретно он нам принёс в деньгах». Компании, у которых уже выстроен ритуал ревизии эффекта, войдут в этот разговор подготовленными. Остальным придётся задним числом доказывать, что потраченное не ушло в ноль.

FAQ

Так ROI 200% — это правда или маркетинг вендоров?

И то и другое, смотря про кого. Кратная отдача реальна — её фиксируют отраслевые исследования (Microsoft/IDC). Но это средняя по узкой прибыльной когорте, а не обещание лично вам. Маркетинг начинается там, где вендор показывает чужие 200% и умалчивает, что у большинства результат около нуля. Правильное чтение: «такая отдача достижима при определённой конструкции проекта», а не «вы получите 200%».

За сколько обычно окупается ИИ-инициатива?

Честный ответ — зависит, и сильно. По отраслевым обзорам срок окупаемости короче там, где эффект бьёт по прямым издержкам (аутсорс, агентства, типовая рутина бэк-офиса), и длиннее там, где речь о выручке и марже. Но любой названный «средний срок» без вашей конкретики — это гадание. Гораздо полезнее не искать универсальную цифру, а посчитать вашу инициативу через честный числитель и полный знаменатель.

Почему большинство пилотов не окупается, если технология рабочая?

Потому что отдача не в модели, а в конструкции вокруг неё. Данные MIT показывают: модели у всех примерно одинаковые, а расходятся результаты на владельце, метрике, границах задачи и готовности перестроить процесс. Чаще всего пилот не умирает от плохого ИИ — он тихо не доходит до P&L, потому что эффект некому было измерить и некому защищать.

Как считать эффект, если он «качественный» — стало удобнее, быстрее?

«Удобнее» нужно дотянуть до одной из трёх осей: часы, прямые рубли или маржа. «Быстрее» — это часы: замерьте время до и после на конкретной операции. Если ни одна ось не сходится и остаётся только ощущение комфорта — это сигнал, что эффект пока не доказуем, а не что его точно нет. Иногда стоит дособрать данные; иногда — честно признать, что считать в деньгах тут пока нечего.

С чего начать, если я хочу понять окупаемость до того, как вложусь?

С одной конкретной инициативы, а не со «стратегии ИИ вообще». Зафиксируйте базовую метрику процесса сегодня, выпишите полный знаменатель со скрытыми издержками, прогоните инициативу по чек-листу рисков из этой статьи. Если после этого экономика не сходится даже на бумаге — это уже ценный результат, он сэкономил вам бюджет. Если сходится — у вас есть, что нести совету директоров.

Информация в материале: не является публичной офертой (ст. 437 ГК РФ) · носит общий ознакомительный характер, не является индивидуальной консультацией (юридической, финансовой, налоговой или иной) · отражает мнение автора и личный опыт на дату публикации · не гарантирует конкретные результаты, доход или сроки. Цены, условия и функциональность сторонних инструментов могут измениться без уведомления. Приведённые исследования и кейсы отражают конкретные выборки и проекты и не являются обещанием аналогичного результата: эффективность ИИ-внедрения зависит от исходного состояния компании, готовности команды и масштаба проекта.

Об авторе Егор Борисенко

AI-консультант для крупного бизнеса. Помогаю руководителям выстроить AI-слой поверх существующих процессов: стратегия, обучение команды, прототипирование инструментов, личное партнёрство с C-suite. Работал с Минцифры РФ, телекомами, девелоперами, юридическими фирмами, университетами и под мандатом ЮНЕСКО.

Telegram Связаться