ИИ как инвестиция, а не дорогая игрушка: как бизнесу считать отдачу от нейросетей

Искусственный интеллект все чаще обсуждают не как бесплатный эксперимент, а как отдельную строку расходов. Компании внедряли нейросети, чтобы ускорить процессы, снизить издержки и разгрузить сотрудников, но при масштабировании столкнулись с другой стороной технологии – расходами на вычисления, лицензии, данные, интеграцию, безопасность, обучение персонала и постоянную поддержку.

По данным Sostav, ИИ начинает обходиться некоторым компаниям дороже человеческого труда, а бюджеты ИТ-проектов нередко выходят за запланированные рамки. Gartner прогнозирует, что мировые ИТ-расходы в 2026 году могут достичь $6,31 трлн, а расходы на системы дата-центров вырасти на 55,8% – почти до $788 млрд.

Но для бизнеса главный вопрос не в том, стал ли ИИ дорогим. Важно другое – что именно компания получает за эти деньги. Если технология ускоряет продажи, повышает качество сервиса или снижает количество ошибок, ее можно рассматривать как инвестицию. Если же ИИ внедряется ради имиджа и страха «отстать», он быстро превращается в дорогую, но бесполезную игрушку.

От дешевого пилота к полной стоимости владения

На старте ИИ часто выглядит доступным: подписка на сервис, пилот в одном отделе, несколько энтузиастов внутри команды. Но промышленное внедрение – это уже другая история. Нужно подключать корпоративные данные, настраивать права доступа, интегрировать решение с CRM, ERP и документооборотом, проверять качество ответов, обеспечивать информационную безопасность и обучать сотрудников.

Владимир Туровцев, руководитель программы MBA «Стратегический менеджмент» Школы бизнеса МИРБИС, считает это закономерным этапом взросления технологии. По его словам, ИИ уже перестает быть разовым экспериментом и становится привычной инфраструктурой, от которой начинают зависеть процессы и сотрудники.

 «Сейчас действительно наблюдается интересный момент. ИИ в рамках целей повышения эффективности превращается в отдельную статью расходов, и уже не маленькую. Это закономерный этап. На рынке формируется своего рода “подсадка” на ИИ, привычка или модель поведения. Компании активно внедряют решения, перестраивают процессы, люди начинают зависеть от этих инструментов. Пока это выглядит как доступная технология, часто бесплатная или стоящая небольших денег, но по мере роста использования стоимость владения будет увеличиваться».

Туровцев подчеркивает, что ИИ потребляет несоразмерно больше энергии, чем человеческий мозг, а значит, в какой-то момент «перестает быть “дешевой автоматизацией” и становится полноценной операционной нагрузкой».

Михаил Соловьев, руководитель программы MBA «ИТ-менеджмент» Школы бизнеса: проблема удорожания действительно возникает при переходе от пилота к масштабу.

«На первых этапах внедрения ИИ часто кажется, что это “дешевле и быстрее”, но при масштабировании расходы могут вырасти – требуется мощная инфраструктура, лицензии, поддержка, обучение персонала. В отдельных случаях стоимость эксплуатации ИИ может приблизиться к зарплатам специалистов или даже превысить их», – отмечает Соловьев.

По его словам, такие прецеденты уже наблюдаются и в России: «Крупные компании и госструктуры сообщали, что расходы на внедрение нейросетей и поддержку дата-центров оказались выше изначально заложенных в бюджет. Это связано с необходимостью постоянного обновления моделей и закупки оборудования, особенно при работе с большими объемами данных».

Российская статистика подтверждает, что ИИ уже стал заметной частью цифровых затрат. По данным ИСИЭЗ НИУ ВШЭ за 2024 год, организации, использующие технологии ИИ, тратят на них около 15% общего объема затрат на цифровые технологии; 32% этих расходов приходится на машины и оборудование, 17% – на программное обеспечение, лицензии, аренду, разработку, адаптацию и доработку.

При этом высокая стоимость сама по себе не делает ИИ невыгодным. Михаил Соловьев подчеркивает, что у технологии есть сильные операционные преимущества: «Искусственный интеллект может работать 24/7, без отпусков и больничных. Выполняет рутинные операции стабильно, без усталости и эмоциональных сбоев. Может быть масштабирован и интегрирован в разные процессы одновременно. ИИ остается стратегически выгодным инструментом – особенно там, где бизнесу важны стабильность, автоматизация и качество процессов, а не только сокращение расходов на персонал».

Почему эффект от ИИ видят не все

Главная ловушка внедрения – принять активность за результат. Нейросеть может генерировать больше текстов, быстрее отвечать на запросы, подсказывать варианты решений и создавать ощущение ускорения. Но если это не влияет на выручку, маржинальность, себестоимость, скорость сделки или качество обслуживания, необходимого эффекта может не быть.

В отчете «The GenAI Divide: State of AI in Business 2025» говорится, что, несмотря на $30–40 млрд корпоративных инвестиций в генеративный ИИ, 95% организаций не получают измеримого влияния на отчет о прибылях и убытках, а значимую ценность извлекают только 5% интегрированных ИИ-пилотов. Отдельно подчеркивается, что причина часто не в качестве моделей и не в регулировании, а в подходе: системы плохо встраиваются в рабочие процессы, не адаптируются к контексту и не улучшаются со временем. RAND указывает похожую проблему: по некоторым оценкам, более 80% ИИ-проектов терпят неудачу, а среди причин – неверно выбранная бизнес-проблема, недостаток данных, слабая инфраструктура и увлечение новой технологией вместо решения конкретной задачи.

Владимир Туровцев подчеркивает, что сам по себе высокий бюджет на ИИ не является проблемой: «Проблема возникает, когда нет четкой связки “затраты – бизнес-результат”. ИИ легко создает иллюзию прогресса: процессы ускоряются, объемы растут, но итоговая ценность для бизнеса не меняется».

Михаил Соловьев подтверждает, что компании действительно тратят значительные суммы на развитие и внедрение ИИ-решений – «особенно те, кто стремится получить конкурентное преимущество через автоматизацию, аналитику данных или персонализацию услуг». Но оправданность таких инвестиций всегда зависит от бизнес-целей.

«Вложения в ИИ часто капиталоемкие. Стоимость разработки, инфраструктуры (GPU, облачные сервисы), лицензий на модели и хранение данных может быть существенной. Кроме того, требуются специалисты – дата-саентисты, инженеры, аналитики – а это тоже затраты. Рентабельность зависит от зрелости проекта. На старте ИИ может не приносить видимой отдачи, но через один-два года окупается за счет оптимизации процессов, снижения ошибок и ускорения операций», – поясняет Соловьев.

Где проходит красная линия затрат

Владимир Туровцев считает, что финансовая граница, после которой ИИ становится невыгодным, определяется не абсолютным размером расходов, а экономикой конкретного процесса. Для одной компании крупный бюджет может окупиться за счет снижения потерь, роста конверсии или ускорения логистики. Для другой даже недорогая подписка окажется лишней, если сотрудники используют ее хаотично и без связи с результатом.

Михаил Соловьев формулирует критерий похожим образом:

Практически это означает, что до запуска проекта нужно знать базовые показатели: сколько времени занимает операция сейчас, сколько стоит ошибка, сколько обращений обрабатывает сотрудник, где теряется маржа, как меняется клиентский опыт. После пилота эти же показатели нужно сравнить с результатом.

Людей заменяют или учат работать по-новому

Дискуссия об ИИ часто сводится к вопросу сокращений, но реальность сложнее. По данным Challenger, Gray & Christmas, в марте 2026 года американские работодатели объявили о 60 620 сокращениях, а искусственный интеллект стал ведущей причиной сокращений за месяц – 15 341 объявленных увольнений, или 25% от общего числа.

World Economic Forum дает более широкую картину: к 2030 году технологические, демографические и экономические сдвиги могут создать 170 млн новых рабочих мест и вытеснить 92 млн, то есть дать чистый прирост 78 млн. Одновременно 77% работодателей планируют повышать квалификацию сотрудников для работы с ИИ, а 41% допускает сокращение персонала из-за автоматизации отдельных задач.

В России массовой замены людей ИИ пока не видно. По данным НИУ ВШЭ, среди крупных и средних организаций – пользователей ИИ – только 15% заявляют о снижении численности работников из-за внедрения технологии, тогда как 63% не видят влияния ИИ на численность персонала.

Михаил Соловьев считает, что оптимальная модель – не «человек против машины», а разделение ролей: «Внедрять ИИ как партнера, а не замену. Оптимальный подход – когда искусственный интеллект берет на себя механическую, аналитическую или вспомогательную работу, а человек фокусируется на принятии решений, креативности и клиентском взаимодействии».

Владимир Туровцев при этом предупреждает: если смотреть в перспективе, человеческий труд в ряде задач действительно может снова стать экономически выгоднее – особенно если после формирования привычки к ИИ начнет расти цена сервисов. Но это не отменяет общей тенденции: «ИИ уже становится базовой инфраструктурой. Вопрос не в том, использовать его или нет, а в том, как встроить его в экономику компании так, чтобы он создавал ценность, а не просто увеличивал расходы, чтобы этот процесс был управляемым».

Чек-лист: как внедрять ИИ без перерасхода

1. Начинать с задачи, а не с инструмента. «Сначала понимаем, какой процесс мы хотим улучшить, где узкое место и какой результат ожидаем получить. После этого подбираем технологию», – Владимир Туровцев.
2. Искать болевые точки внутри процесса. «Выявляем, где у сотрудников возникают рутинные, повторяющиеся или трудоемкие процессы – именно туда и направляем усилия», – Михаил Соловьев.
3. Проверять зрелость системы до внедрения. «Ключевой принцип – ИИ должен усиливать существующую систему, а не подменять ее. ИИ работает хорошо там, где есть выстроенные процессы и понятные метрики, а где их нет – масштабирует хаос», – Туровцев.
4. Считать полную стоимость владения. К дополнительным затратам Соловьев относит разработку, инфраструктуру, GPU, облачные сервисы, лицензии, хранение данных и специалистов. Туровцев добавляет к этому энергию, интеграцию, поддержку, рост стоимости «железа» и затраты на «оркестрирование» процесса – от внедрения до информационной безопасности.
5. Пилотировать и заранее фиксировать KPI. «Начинайте с пилотных проектов: выберите одну функцию, внедрите решение, зафиксируйте метрики эффективности. Если эффект подтвержден – масштабируйте», – Михаил Соловьев.
6. Оставлять человека в контуре решений. «ИИ подсказывает, человек выбирает», – Соловьев.
7. Обучать сотрудников и снижать сопротивление. «Даже лучшие алгоритмы бесполезны, если сотрудники их не понимают или боятся. Обучайте коллег и внедряйте принципы прозрачного взаимодействия, при котором ИИ помогает, но не контролирует», – резюмирует Михаил Соловьев.

ИИ не заменяет стратегию

Искусственный интеллект не гарантирует экономию, но и не обречен быть дорогой игрушкой. Он становится эффективным там, где у компании есть понятная задача, качественные данные, описанные процессы, обученные сотрудники и заранее заданные метрики результата.

Если внедрение начинается с вопроса «какую нейросеть купить», риск перерасхода высок. Если с вопроса «какую бизнес-проблему мы решаем и как измерим эффект», ИИ становится не модной надстройкой, а инструментом управляемого роста. В этом смысле ключевой выбор для компании – не между человеком и машиной, а между хаотичной автоматизацией и зрелым управлением технологией.