Когда внедрение ИИ не окупается - и как это понять до старта
Разбираем, в каких случаях внедрение генеративного ИИ и нейросетей не окупается, какие красные флаги искать и что посчитать до контракта, исключая FOMO [1] и «ИИ ради ИИ».
Исследователи из IBM сформулировали проблему коротко. Марина Даниловски, старший научный сотрудник по языковым технологиям: «Компании говорили: шаг первый — мы будем использовать LLM. Шаг второй — а для чего, собственно?» Это не карикатура на стартапы, это описание зрелых организаций с IT-бюджетами.
Задом наперёд выстроенные проекты — не единственная причина. Вторая, и по данным Forrester самая распространённая (её называют 73% директоров по данным), — качество данных. Здесь стоит остановиться, потому что это недооценённая проблема.
Большая языковая модель не создаёт знание из воздуха, она работает с тем, что вы ей даёте. Если в вашей CRM один клиент записан как «ООО Сигма», в договорах как «Сигма ООО», а в почте просто как «Сигма» — модель будет работать с тремя разными сущностями. Умножьте это на тысячи записей, добавьте устаревшие регламенты в папке «Документы 2019», справочники, которые никто не актуализировал после реструктуризации — и вы получите продукт, который уверенно отвечает неправильно. Автоматизация с помощью ИИ в таких условиях не экономит время, она масштабирует ошибку.
Есть и структурная проблема: по оценкам MIT, только около 20% бизнес-критичной информации в компаниях хранится в структурированном виде — том, который модели легко обработать. Остальное — переписка, звонки, договоры, презентации, внутренние чаты. Именно там, как правило, живут самые ценные знания. Добраться до них можно, но это отдельная работа, которую редко закладывают в бюджет пилота. Именно поэтому оценка состояния данных — первое, что имеет смысл сделать до разговора о выборе модели или подрядчика.
Когда ИИ-агент или чат-бот - это просто дорогой if-else
Есть класс задач, где внедрение ИИ-агентов или больших языковых моделей — переплата за сложность, которая не нужна. Детерминированная логика: маршрутизация обращений по теме, автозаполнение форм, валидация данных при вводе, уведомления по триггерам — решается скриптами, RPA или интеграциями между системами. Это дешевле, предсказуемее, проще объяснить службе безопасности и проще отлаживать.
Проблема не в том, что компании выбирают ИИ вместо правил. Проблема в том, что этот выбор часто не делается осознанно. Приходит запрос «хотим чат-бота с ИИ для поддержки», и никто не задаётся вопросом: сколько процентов обращений действительно требует понимания контекста, а не просто совпадения с одним из 30 стандартных сценариев? Если 80% — второе, то разработка ИИ-чат-бота для бизнеса здесь избыточна. Хватит обычного бота с хорошо написанными скриптами и нормальной эскалацией на человека.
Отдельный разговор — задачи с высокой ценой ошибки. Юридически значимые решения, медицинские рекомендации, финансовые операции выше определённого порога. Во-первых, регуляторика во многих юрисдикциях требует человека в контуре принятия решения — и это не формальность, это риск. Во-вторых, даже там, где формально можно, цена единичной ошибки может перекрыть всю экономию от автоматизации за квартал. Стоит ли внедрять нейросеть в такой контур — честный вопрос, и ответ на него часто «не сейчас» или «только как ассистент, но не как принимающее решение звено».
Масштаб имеет значение — и это не про «маленькие компании»
Фиксированные затраты на серьёзный ИИ-проект (разработка, инфраструктура, безопасность, MLOps, обучение команды, поддержка) реальны независимо от того, обрабатываете вы тысячу обращений в месяц или миллион. Стоимость содержания ИИ-агента в production включает не только токены и API: это мониторинг качества ответов, обновление промптов при изменении процессов, работа с edge cases, которые модель обрабатывает неожиданно.
Если поток небольшой — экономика часто не сходится. Это нормально. «Не сейчас» — это не провал, это инженерное решение.
По данным MIT, самый высокий ROI от ИИ дают проекты в бэк-офисе: замена аутсорсинга бизнес-процессов, сокращение работы с внешними агентствами, автоматизация операционной рутины. При этом большая часть бюджетов на ИИ-консалтинг и внедрение уходит в продажи и маркетинг — туда, где ROI статистически ниже всего. Это не значит, что маркетинговые задачи плохи для ИИ, это значит, что разрыв между «куда удобнее запустить пилот» и «где деньги» оказывается существенным.
Красные флаги, которые видно до подписания контракта
Вот несколько признаков того, что проект с высокой вероятностью окажется в том самом 95%.
Нет метрики успеха, только описание функциональности. «Модель должна отвечать на вопросы по базе знаний» — это не метрика. Метрика — «время обработки обращения первой линии сокращается с 8 до 4 минут, измеряем через 3 месяца после запуска». Без этого нельзя ни принять решение об остановке, ни доказать ценность.
Демо только на чужих данных. Любая модель хорошо работает на красивых примерах. Если подрядчик не готов запустить пилот на ваших реальных документах и ваших реальных запросах до подписания — это сигнал.
Нет сценария выхода. Что происходит, если через полгода окупаемость автоматизации не подтвердилась? Как выглядит откат? Где порог «стоп»? Если на эти вопросы нет ответа, значит, ответственность за результат де-факто лежит на вас, а не на подрядчике.
Нет владельца метрики внутри компании. По данным S&P Global, в 2025 году 42% компаний свернули большинство ИИ-инициатив — вдвое больше, чем годом ранее. Одна из ключевых причин — «пилотное чистилище»: проект запущен, демо показано, но в production он не переходит, потому что внутри нет человека, у которого этот KPI стоит в OKR. Без такого человека внедрение генеративного ИИ через квартал превращается в строку в Jira со статусом «на паузе».
Этот последний пункт, пожалуй, самый коварный: его не видно снаружи. Именно поэтому полезно, когда кто-то с внешней позицией задаёт эти вопросы до старта, а не после первого квартального ревью.
Что считать до старта
Логика проверки окупаемости простая, хотя и неудобная.
Сначала — верхняя граница пользы. Возьмите процесс, который хотите автоматизировать. Сколько людей им занимаются? Сколько часов в месяц? Умножьте на стоимость часа. Это верхний потолок: больше этой суммы задача не стоит, даже если вы автоматизируете её идеально.
Потом — полная стоимость владения. Разработка и пилот — это только начало. Добавьте инфраструктуру, лицензии на модели, поддержку, стоимость обновлений при изменении процессов, время вашего сотрудника на управление системой. Горизонт — минимум год, лучше два.
Если разрыв между первым и вторым не перекрывается с запасом — это не значит, что ИИ плохой. Это значит, что в этой формулировке задачи он не окупается. Формулировку можно изменить: расширить охват, добавить смежные процессы, найти другой узкий участок с лучшей экономикой.
Иногда честный ответ «ИИ здесь не нужен» — это и есть результат нормальной аналитической работы до старта. Компании, которые к этому выводу приходят сами, обычно уже потратили несколько месяцев и бюджет пилота. Те, кто задаёт эти вопросы заранее — с чужой помощью или без, — сохраняют и то, и другое.
Именно здесь чаще всего и включается FOMO [1]: решение запускают не потому, что экономика подтверждена, а потому, что страшно остаться позади.
Как мы работаем
В sequo мы начинаем с экономики и качества данных — до разговора о стеке и архитектуре. Это означает, что иногда первый наш вывод звучит как «здесь пока не время». Нам кажется, это честнее, чем запускать пилот ради пилота.
Если хотите разобрать конкретную задачу — напишите. Скажем прямо, если видим, что экономика не сойдётся.
FAQ
В каких случаях внедрение ИИ в бизнес точно не окупится?
Когда задача решается детерминированной логикой без потери качества, когда данные не структурированы и их подготовка стоит дороже самого проекта, когда нет внутреннего владельца метрики, или когда объём процесса слишком мал, чтобы покрыть фиксированные затраты на разработку и поддержку.
Стоит ли внедрять нейросеть «чтобы не отстать от рынка»?
Нет. MIT зафиксировал, что 95% корпоративных пилотов не дают измеримого эффекта на P&L — и большинство из них запускались именно с таким обоснованием. Страх упустить момент — плохой фрейм для инвестиционного решения.
Как оценить окупаемость автоматизации с ИИ до старта?
Посчитайте верхнюю границу пользы (стоимость процесса сейчас) и нижнюю границу затрат (разработка + поддержка + инфраструктура на год). Если первое не перекрывает второе с запасом — либо меняйте формулировку задачи, либо признайте, что момент не пришёл.
Чем рискует компания, которая покупает «ИИ под ключ» без чёткой задачи?
Получает систему, которая не встроена в процессы и не влияет на метрики. Деньги уходят на пилот и поддержку, а через полгода проект тихо замораживается. ИИ-консалтинг в такой ситуации нужен был до покупки, а не после.
Когда достаточно обычной автоматизации без LLM?
Когда сценарии предсказуемы и их можно описать правилами, когда важна детерминированность и предсказуемость поведения, или когда уже работающий pipeline нужно просто улучшить интеграцией — без необходимости понимать контекст или генерировать текст.
[1] FOMO (Fear Of Missing Out) — психологический эффект, при котором решения принимаются из страха оказаться позади конкурентов, а не из анализа реальной пользы. В контексте ИИ проявляется как «все внедряют — и мы должны».