Есть один слайд, который встречается в каждой второй презентации про AI в бизнесе. На нём написано что‑то вроде «ROI 340%, окупаемость 6 месяцев, экономия $2M в год». Цифры красивые, зал кивает, бюджет выделяют. Через год проект закрыт, потому что реальная экономия оказалась в десять раз меньше, а расходы в три раза больше.

По данным исследований 2025 года, только около 5% компаний достигли измеримой ценности от AI в масштабе всей организации. Остальные застряли на уровне пилотов, PoC и «красивых демо». Разница между первой и второй группой не в технологиях и не в бюджетах, а в том, как они считают.

Разница между «есть пилот» и «есть ROI»

Когда компания говорит «мы внедрили AI», это может означать четыре принципиально разных состояния, и путаница между ними стоит миллионов.

• Первое состояние — «есть пилот». Команда собрала прототип, показала на демо, получила одобрение. AI работает на тестовых данных, в изолированном окружении, с ручным вмешательством. Расходы пока небольшие (API‑ключ, пара разработчиков), но ценности тоже ноль, потому что ни один реальный бизнес‑процесс не изменился.

• Второе — «есть польза». AI работает в продакшене, реальные пользователи им пользуются, какие‑то метрики улучшились. Но никто не посчитал, во сколько это обошлось и перевешивает ли польза затраты.

• Третье — «есть ROI». Польза посчитана в деньгах, затраты посчитаны в деньгах, одно больше другого. Проект окупается.

• Четвёртое — «есть влияние на P&L». ROI положительный, эффект виден в финансовой отчётности компании, масштабируется на другие процессы.

Большинство компаний находится между первым и вторым состоянием и при этом отчитывается словами из четвёртого. Рассказ про ROI подменяется рассказом про технологию.

Как считать baseline

Любой расчёт ROI начинается с baseline — текущего состояния процесса без AI, тут первая ошибка: baseline берётся на глаз.

«Менеджеры тратят 2 часа в день на ручной ввод данных» — кто замерил? Как? Когда? Если это экспертная оценка руководителя, она может отличаться от реальности в разы. Руководитель видит, как менеджер сидит за компьютером, и предполагает, что тот вводит данные. А менеджер в это время отвечает на письма, разговаривает по телефону и пьёт кофе.

Правильный baseline требует замера. Минимальный способ: взять 10–15 сотрудников, попросить фиксировать время на конкретную операцию в течение недели. Получится разброс, и средняя будет точнее экспертной оценки.

Baseline нужен по нескольким параметрам. Время на операцию (в минутах или часах). Стоимость часа сотрудника (с учётом налогов, аренды, оборудования — обычно это 1.5–2x от зарплаты). Количество операций в месяц. Текущий процент ошибок (если AI должен уменьшить ошибки). Текущий показатель конверсии (если AI должен его увеличить).

Без этих цифр расчёт ROI невозможен. Всё, что вы посчитаете без baseline, это просто фантазия.

Полный TCO: что обычно забывают

TCO (Total Cost of Ownership) AI‑проекта — это не «стоимость API плюс зарплата разработчика». Реальная структура расходов выглядит сложнее, и забытые статьи обычно увеличивают бюджет в 2–3 раза.

• Расходы на разработку: зарплаты команды (ML‑инженер, бэкенд, фронтенд, менеджер), инфраструктура для разработки и тестирования, лицензии на инструменты.

• Расходы на данные: разметка данных (если supervised learning), очистка и подготовка данных, хранение данных, compliance‑расходы (GDPR, ФЗ-152).

• Расходы на inference: API‑вызовы к провайдеру модели или стоимость собственных GPU. Это recurring cost, и он растёт с количеством пользователей. На этапе пилота с 10 пользователями это $100 в месяц, при масштабировании на 10 000 пользователей может быть $50 000.

• Расходы на интеграцию: подключение к существующим системам (CRM, ERP, внутренние БД), доработка существующих процессов, обучение сотрудников.

• Расходы на эксплуатацию: мониторинг качества модели (drift detection), обновление модели при изменении данных, поддержка пользователей, инциденты.

И самая забываемая статья: расходы на изменение процессов. AI не работает, если процесс остался прежним. Если AI генерирует рекомендации, а менеджер продолжает делать по-старому, потому что ему так привычнее, ценности ноль. Adoption (процент сотрудников, реально использующих AI в работе) — это отдельная метрика, и если она ниже 60–70%, проект фактически провален, даже если технология работает отлично.

Value drivers: откуда берутся деньги

AI создаёт ценность в нескольких конкретных формах, и каждую нужно считать отдельно.

• Экономия времени сотрудников. Самый частый value driver. AI автоматизирует часть операции, сотрудник тратит меньше времени. Считается как:

Adoption_rate здесь очень важен: если 40% сотрудников инструментом не пользуются, экономия соответственно меньше.

• Снижение ошибок. AI ловит ошибки, которые человек пропускает (или наоборот, не делает ошибки, которые делает человек). Считается как:

Стоимость ошибки зависит от процесса: ошибка в счёте на $100 — это $100 + время на исправление. Ошибка в медицинской диагностике — это совсем другие деньги.

• Рост выручки. AI увеличивает конверсию, средний чек, LTV. Считается как:

Или:

Тут важно изолировать эффект AI от других факторов (сезонность, маркетинг, изменение цен). A/B тест — единственный надёжный способ.

• Сокращение потерь. Fraud detection, compliance, предотвращение инцидентов. Считается как:

Проблема в том, что «предотвращённый инцидент» это ненаблюдаемая величина. Обычно оценивают через сравнение с baseline или через A/B.

Формула ROI и что в неё подставлять

Сам расчёт прост:

ROI = (Value - TCO) / TCO × 100%

Но «Value» — это не «сколько мы сэкономим в идеальном мире», а «сколько мы сэкономим с учётом adoption rate, ramp‑up периода и вероятности, что что‑то пойдёт не так».

Реалистичная модель выглядит так:

• Месяц 1–3: Разработка и интеграция. Value = 0, TCO растёт.

• Месяц 4–6: Пилот на ограниченной группе. Value = 10–20% от целевого (мало пользователей, процессы не перестроены).

• Месяц 7–12: Масштабирование. Value = 40–70% от целевого (adoption растёт, но не все процессы перестроены).

• Месяц 13+: Зрелая эксплуатация. Value = 70–90% от целевого.

Time‑to‑value, время от начала проекта до момента, когда Value начинает превышать TCO, для типичного AI‑проекта составляет 9–18 месяцев. Если в презентации написано «окупаемость 3 месяца», это почти наверняка расчёт без TCO на интеграцию, adoption и эксплуатацию.

Для более строгой оценки используют NPV (Net Present Value), который учитывает стоимость денег во времени, и risk‑adjusted подход, который дисконтирует value на вероятность неудачи.

Risk-adjusted Value = Value × P(успех технологии) × P(успех интеграции) 
                      × P(adoption > 60%)

Если каждая вероятность 70%, итоговый множитель 0.7 × 0.7 × 0.7 = 0.34. То есть risk‑adjusted value составляет треть от оптимистичной оценки. Вот почему ROI 340% в презентации часто превращается в ROI 40% в реальности или в отрицательный.

Где AI даёт деньги, а где создаёт видимость

По опыту 2024–2025 года, измеримую ценность AI чаще всего даёт в нескольких конкретных сценариях.

1. Обработка документов: классификация, извлечение данных, суммаризация. Считается хорошо (время на документ до/после), adoption обычно высокий (инструмент встроен в процесс), TCO предсказуем.

2. Клиентский сервис: автоматизация первой линии поддержки. Считается через deflection rate (процент обращений, которые решены без человека) и стоимость обращения.

3. Fraud detection и compliance: предотвращение потерь. Считается через false positive rate и стоимость пропущенного инцидента.

А вот где AI чаще создаёт видимость, чем ценность. «AI‑ассистент для менеджеров» без конкретной задачи — adoption падает через месяц, потому что непонятно, зачем им пользоваться. «Предиктивная аналитика» без чёткого решения, которое принимается на её основе — красивые дашборды, которые никто не смотрит. «Чат‑бот для сотрудников» — если внутренняя база знаний не в порядке, чат‑бот будет галлюцинировать, и сотрудники перестанут ему верить через две недели.

Разница между первой и второй группой не в технологии. Она в том, что первая группа начинает с конкретного процесса, с конкретной метрики и с конкретного решения, которое принимается на основе AI. Вторая начинает с «давайте внедрим AI» и потом ищет, куда его применить.

Вопросы, которые нужно задать до старта проекта

Перед тем как выделять бюджет на AI‑проект, задайте команде (или подрядчику) пять вопросов.

1. Какой конкретно процесс мы автоматизируем, и сколько он стоит сейчас? Если ответ «мы улучшим клиентский опыт» без цифр, проект не готов.

2. Как мы измерим результат и через какое время? Если метрика не определена до старта, после старта её никто не определит.

3. Каков реалистичный adoption rate и что мы делаем, чтобы его обеспечить? Если ответ «сотрудники сами начнут пользоваться», не начнут.

4. Сколько стоит inference при масштабировании на всю компанию? Пилот на 10 людей стоит копейки, масштабирование на 10 000 может стоить столько, что ROI станет отрицательным.

5. Что мы делаем, если через полгода adoption ниже 50%? Если плана B нет, plan A, скорее всего, не сработает.

Компании из тех 5%, которые получают реальную ценность от AI, не умнее остальных. Они просто считают до того, как тратят, а не после.

Когда в компании появляется задача «сделать что-то с AI», быстро выясняется, что одной идеи мало. Нужно понять, где у ИИ-продукта есть реальная бизнес-ценность, как проверить гипотезу без лишней разработки, какие метрики считать и как не застрять на уровне демо, которое красиво выглядит, но не влияет на результат.

На курсе «Управление AI/ML-продуктом» разбирают именно эту часть работы: как запускать AI/ML-продукты не ради модной технологии, а под конкретную задачу бизнеса — от поиска гипотез и оценки рынка до работы с данными, командой, метриками и первыми результатами.

А 19 мая в 20:00 на бесплатном открытом уроке «Как запустить ИИ-продукт с нуля: от гипотезы до первых результатов» покажем, как выбрать идею для ИИ-продукта и проверить её на реальную бизнес-ценность. Записаться
_{Урок проходит в рамках онлайн-курса: можно познакомиться с преподавателем-практиком, протестировать формат обучения и задать вопросы по запуску AI-продуктов.}