По данным PwC, лишь 12% из более чем 4000 опрошенных руководителей крупных компаний заявили, что внедрение ИИ позволило им одновременно снизить затраты и увеличить выручку. Вместе с тем опрос Национального бюро экономических исследований США охватил почти 6000 собственников и топ-менеджеров из четырех стран – и 89% из них не зафиксировали никакого роста производительности труда.
Значит ли это, что генеративный ИИ не окупается? Не совсем.
Компании, которые применяют генеративный ИИ для решения конкретных бизнес-задач – например, для замены недостающих сотрудников или оптимизации операционных расходов, – получают реальный результат при наличии надежного партнера и правильно выстроенного сценария. Окупаемость в этом контексте – своеобразный фильтр адекватности: она возникает там, где технология закрывает актуальную проблему, а не там, где ее внедряют ради моды.
Типичная ловушка – начинать с инструмента, а не с задачи. Компании видят «модную технологию» и хотят ее интегрировать, не формулируя, какую именно проблему она должна решить. Наглядный пример – Taco Bell, которая запустила голосового ИИ-ассистента для обслуживания, рассчитывая ускорить работу. На практике задержки распознавания речи и ошибки взаимодействия привели к потере заказов.
Схожая история произошла со шведским платежным сервисом Klarna: чат-бот для поддержки клиентов не справлялся с объемом обращений, давал шаблонные ответы и загонял пользователей в бесконечные циклы уточнений. В итоге компания была вынуждена вернуть операторов-людей, чтобы остановить растущее недовольство клиентов.
При этом окупаемость может зависеть не только от задачи. Есть направления, которые вне зависимости от цели и отрасли статистически демонстрируют более высокий ROI (коэффициент возврата инвестиций):
Разработка программного обеспечения. Некоторые компании полностью перешли на агентную генерацию кода, по статистике GitHub более 30% всего нового кода в мире генерирует ИИ. Скорость разработки растет кратно, набор специализированных агентов для формирования требований, разработки, тестирования, документирования, проверки безопасности реализует новую фичу под ключ.
Финтех. Кредитный скоринг, корпоративные боты для поиска по базам знаний, автоматическая обработка договоров и заявок – все это давно стало нормой для ведущих банков. Скорость получения информации растет, а качество принимаемых решений улучшается.
HR, закупки, финансы, право. В сценариях, которые подразумевают однотипную работу с документами, ИИ окупается быстро и предсказуемо. В Microsoft прогнозируют, что функции, связанные с рутинными задачами за компьютером в бухгалтерии, маркетинге, юриспруденции и управлении проектами, будут полностью автоматизированы в течение ближайших полутора лет.
Техническая поддержка. При грамотном внедрении боты заменяют в компаниях целые колл-центры. По данным Gartner, 91% организаций в сфере клиентского сервиса испытывают давление со стороны руководства с требованием внедрить ИИ – и оно вполне объяснимо: рутинные однотипные запросы могут автоматизироваться без потери качества.
Аналогично есть задачи, которые хуже поддаются автоматизации.
Уникальный креатив – пожалуй, самая сложная область для ИИ. У нейросетей есть функции генерации гипотез, текстов и визуала. Но создать по-настоящему оригинальное, законченное и одновременно качественное решение, которое выделится на фоне конкурентов, технологии в одиночку пока не в состоянии.
Стратегические решения высокого уровня – зона повышенного риска. Модели по-прежнему галлюцинируют, а цена ошибки в вопросах развития компании слишком велика. Задачи, требующие глубокого понимания внешней среды или уникального управленческого опыта, ИИ обычно решает хуже человека.
Рабочие профессии – особый случай. Пока роботизация во многих секторах дороже найма. Однако тенденция меняется: стоимость внедрения ИИ/роботов снижается, а сотрудники повышают квалификацию, становятся оркестраторами машин и механизмов, их зарплата растет. Через пять лет картина в строительстве и агросекторе может выглядеть совсем иначе.
Базовая логика оценки проста: сравнить стоимость инференса моделей (токены в секунду) с трудозатратами человека (человеко-дни). Если минуты работы с моделью заменяют часы работы сотрудника – экономика говорит сама за себя. При этом ИИ не устает, не уходит на больничный, не выгорает и снижает риски, связанные с человеческим фактором.
При этом важно рассматривать внедрение комплексно. Полная стоимость владения ИИ (TCO) в закрытом контуре включает: лицензии/инференс, интеграции, подготовку данных и базы знаний, безопасность и аудит, оценку качества, поддержку в проде. Эффект – это также улучшение метрик процессов: снижение времени ответа, рост доли обработанных обращений, решённых с первого контакта, сокращение ошибок/возвратов, ускорение вывода функций в прод, снижение стоимости обработки одного кейса. ROI появляется там, где сценарий массовый, качество можно измерять, а цена ошибки контролируема.
Долгосрочный эффект измерить труднее, но он не менее важен. Постепенно в компании формируется «цифровой мозг», который берет на себя часть функций, сложные операционные решения и позволяет масштабировать бизнес компании без найма новых сотрудников. На горизонте 5-10 лет это превратится в конкурентное преимущество, которое будет крайне непросто нагнать.
Утечка данных – главная угроза при работе с облачными решениями. Поэтому крупный бизнес все чаще выбирает собственные серверные мощности, закрытые модели и гибридные архитектуры. В 2026 году тренд на приватность и on-premise-развертывание для корпораций только усилится: свое железо в своих дата-центрах, свои модели и полный контроль над критическими данными.
Зависимость от внешних вендоров – еще один системный риск. Строить корпоративный ИИ-контур на чужих платформах опасно: если поставщик отключит сервис, бизнес окажется уязвим. Решение – on-premise-инструменты, которые дают свободу настройки и независимость там, где это критично.
Другая проблема, с которой сталкивается большинство компаний, – сложность масштабирования пилотов. Так, медтех-стартап Forward потратил более $1 млн на единицу оборудования в рамках инициативы CarePods, но при расширении обнаружил, что расходы на поддержку превышают ожидаемую экономию. В итоге проект закрыли осенью 2024 года. Переход от локального успеха к тиражированию на тысячи сотрудников требует платформенного подхода, иначе каждый новый пилот будет съедать бюджет без кумулятивного эффекта.
Компаниям, которые только входят в ИИ-зацию, стоит иметь в виду несколько важных аспектов.
Таким образом, окупаемость генеративного ИИ определяется не технологией, а подходом к ее применению. Компании, которые начинают с задачи, выбирают правильные сценарии и выстраивают платформенную инфраструктуру, получают измеримый результат уже на горизонте трех лет. А при самом удачном раскладе эффект можно увидеть даже в течение одного года.