Компания внедрила нейросеть, но расходы выросли: почему автоматизация не всегда окупается

Подписка на ИИ-сервис редко превышает 10–15% от реальной стоимости проекта. Остальное — данные, интеграция, контроль и переделка процессов. Тем, кто считает эффект автоматизации по счёту от вендора, стоит пересчитать.

Деньги в рынок идут, эффект отстаёт

Российский бизнес вложил в искусственный интеллект 257 млрд руб. за 2025 год, а среднегодовой прирост расходов составляет около 50 млрд руб. Технологию используют 71% крупных компаний, но формализованную стратегию внедрения имеют лишь 26% из тех, кто закладывает ИИ в бюджет.

В июне 2026 года участники ИИ-СОЧИКЕМПА однозначно сформулировали критерий, по которому стоит оценивать проект: внедрение состоялось, только если появились либо новые деньги, либо сокращение расходов. Всё остальное — эксперимент за счёт бюджета.

Разрыв между расходами и результатом можно измерить. К концу 2025 года ожидаемую бизнес-ценность принесли только 37% ИИ-инициатив, до промышленного масштаба доходят 29%. 

Отчёт MIT NANDA «The GenAI Divide» на выборке 300 внедрений показывает более жесткую цифру: 95% пилотов генеративного ИИ не дают измеримого эффекта на прибыль. Вероятно, более 45% проектов с ИИ-агентами закроют до конца 2027 года — из-за роста издержек, размытой ценности и слабого контроля рисков.

Что не попадает в расчёт

Типичная ошибка в бизнес-кейсе — считать лицензию и токены. Реальная структура расходов шире:

• Данные. Разметка, чистка, построение хранилищ и контуров поиска. Без этого модель отвечает на данных, которым нельзя доверять.
• Интеграция. Подключение к CRM, ERP, биллингу, документообороту. Это разработка, а не настройка.
• Инфраструктура. Стоимость развёртывания ведущих больших языковых моделей в России летом 2026 года — в среднем 38,8 млн руб. против 13,7 млн руб. годом ранее.
• Человеческий контроль. Проверка выдачи, разбор ошибок, ответственность за решение. Эта строка не исчезает после запуска ИИ.
• Дообучение и мониторинг. Модели и промпты деградируют вместе с изменением процессов.
• Управление рисками. Утечки, персональные данные, галлюцинации в клиентских коммуникациях, зависимость от одного поставщика.

Совместное исследование Cloud.ru и Высшей школы бизнеса НИУ ВШЭ показывает порядок цифр: запуск агентных проектов в крупной компании — 10–50 млн руб., где CAPEX составляют инфраструктура, платформа и интеграция, а OPEX — поддержка, дообучение, мониторинг, облако и команда. 

Сроки окупаемости расходятся кратно: простые сценарии на готовых решениях — до 12 месяцев, проекты с донастройкой — 12–24 месяца, собственные платформы и модели — свыше двух лет, отдельные инфраструктурные инициативы — 5–7 лет.

Почему расходы растут, а не падают

Механика проста: автоматизация не отменяет процесс, а добавляет к нему новый слой. Если старый контур сохранён, компания платит дважды — за людей и за модель.

Причины перерасхода, которые повторяются:

• пилот не встроен в операционную реальность и остаётся демонстрацией;
• нет базовой метрики «до», поэтому эффект нечем измерить;
• выбран самый заметный, а не самый дорогой процесс;
• расходы переменные: счёт за инференс (процесс применения уже обученной нейросети) растёт вместе с использованием, а экономия фиксирована;
• ответственность за ошибку модели не распределена, и подстраховка съедает выигрыш.

MIT (Массачусетский технологический институт) прямо указывает: проблема не в качестве моделей, а в архитектуре процесса, в который модель помещена. Ту же логику разбирали и на Кемпе в Сочи: оценка «минус 30–60% к стоимости операции» относится к агентным цепочкам с переработанным процессом, а не к модели, наложенной на прежний контур. 

В показанных там кейсах экономия появлялась именно после перестройки цикла: себестоимость одного редакционного материала снизилась с 15 000 до примерно 2 500 руб., а BI-контур по 133 000 строк продаж собрал один сотрудник за сутки вместо месяцев командной работы — за счет готовности данных, а не самой нейросети. Перенос таких цифр из отдельной оцифрованной цепочки в бизнес-кейс всей компании — источник перерасхода.

Как проверить, что технология экономит

Практический тест до расширения контракта:

• Считать TCO (от англ. Total Cost of Ownership – совокупная стоимость владения активом), а не подписку — лицензии, инференс, данные, интеграцию, обучение, контроль, поддержку за 24–36 месяцев.
• Фиксировать метрику «до» — стоимость и время операции, доля переделок, число FTE (от англ. Full-Time Equivalent – показатель, который переводит фактически отработанное время всех сотрудников в условное количество работников с полной занятостью) на процесс.
• Измерять в деньгах на единицу операции, а не в часах, сэкономленных сотрудниками: сэкономленное время без изменения штата или объема выпуска в отчете о прибылях не попадает.
• Проверять переменную часть — как счет за инференс поведёт себя при удвоении нагрузки.
• Считать стоимость ошибки — цена одной некорректной выдачи в клиентском или регуляторном контуре.
• Ставить точку выхода — заранее определенный порог, при котором пилот закрывается.

Риски и неопределенность

Окно, в котором внедрение дает конкурентное преимущество, на сочинском Кемпе оценили в 12–18 месяцев: догоняющие получат ту же технологию по более высокой цене. Но и внутри этого окна три фактора могут ухудшить экономику проектов уже в 2027 году. 

Первый — стоимость вычислений: удорожание оборудования и рост числа обращений к моделям делают экономию нестабильной. 

Второй — регуляторный: требования к обработке данных и ответственности за автоматизированные решения повышают расходы на комплаенс. 

Третий — кадровый: конкуренция за инженеров и рост фонда оплаты труда переносят экономию из одной строки бюджета в другую.

Выводы

Расходы на ИИ продолжат расти быстрее измеряемого эффекта: рынок находится в фазе, когда инвестиции опережают перестройку процессов. В 2027 году усилится расслоение — доля компаний, закрывающих проекты без окупаемости, будет высокой, а выигрыш сконцентрируется у тех, кто считал полную стоимость владения и переделывал процесс, а не покупал подписку.