ИИ пока не принёс измеримой финансовой отдачи большинству крупных компаний США: у 493 компаний из индекса S&P 500 не растут ни маржа, ни выручка на сотрудника. Такой вывод сделал главный экономист Apollo Global Management Торстен Слок, и для российского бизнеса это неприятное напоминание: окупаемость ИИ нельзя получить одной лишь покупкой моделей и корпоративных лицензий.
Как сообщает TechCrunch, Слок отдельно изучил так называемый S&P 493 — состав S&P 500 без Alphabet, Amazon, Apple, Meta, Microsoft, Nvidia и Tesla. Именно эти семь компаний сильнее других связаны с созданием ИИ-инфраструктуры, облачных платформ, чипов и пользовательских сервисов. В оставшейся части индекса экономист не увидел признаков того, что внедрение ИИ уже улучшает производительность труда или финансовый результат.
Формулировка Слока намеренно жёсткая: за пределами технологического сектора, по его оценке, огромные инвестиции и публичный ажиотаж вокруг ИИ дали корпоративной Америке нулевой финансовый эффект. Речь не о том, что компании совсем не используют генеративные модели, чат-боты или инструменты для разработки. Проблема в другом: такие внедрения пока не конвертируются в рост выручки и прибыли на уровне отчётности.
Этот разрыв между активностью и результатом хорошо знаком IT-командам. Пилот можно собрать за несколько недель: подключить модель к базе знаний, автоматизировать черновики писем, добавить помощника в IDE или запустить классификацию обращений в поддержку. Но пилот почти не отвечает на главные вопросы финансового директора: какие процессы закрыты целиком, сколько времени реально высвободилось, уменьшился ли фонд затрат и выросла ли выручка. Если новые инструменты просто ускорили прежний объём работы, экономический эффект может остаться незаметным.
Слок скептически относится к идее, что нетехнологическим компаниям достаточно подождать, пока ИИ станет дешевле. По его логике, снижение стоимости «интеллекта» само по себе не гарантирует рост бизнеса. В корпоративной работе многое строится не на способности быстро сформулировать ответ, а на суждении, ответственности за решение, доверии между людьми, внутренних правилах и этических компромиссах. Ошибка модели в рекламном тексте раздражает; ошибка в кредитном решении, договоре или работе с персональными данными может стать репутационным и юридическим риском.
Для разработчиков из этого следует довольно приземлённый вывод: ценность создаёт не доступ к модели, а изменение процесса вокруг неё. Нужны качественные данные, понятные права доступа, проверка ответов, журналирование, владелец бизнес-метрики и интеграция в существующие системы. Без этого даже сильный ассистент остаётся ещё одним окном в браузере, которым сотрудники пользуются по желанию. А без измерения исходного уровня — времени обработки заявки, доли ручных операций, конверсии или числа ошибок — доказать окупаемость ИИ задним числом почти невозможно.
Для продуктовых и бизнес-команд полезнее начинать не с вопроса «где применить LLM», а с конкретного узкого ограничения: долгой проверки документов, очереди в поддержку, повторяющейся подготовки контента, поиска по внутренним регламентам. Затем стоит заранее определить, какая метрика должна сдвинуться и за какой срок. ИИ не обязан заменять людей, чтобы окупиться, но эффект должен быть наблюдаемым: быстрее выпускать продукт, обслуживать больше клиентов тем же составом команды или снижать стоимость операции без потери качества.
Вывод Apollo не означает, что генеративный ИИ бесполезен вне Big Tech. Он скорее показывает, что рынок перешёл из фазы демонстраций в фазу финансовой проверки. В ближайшие кварталы выигрывать будут не компании с самым длинным списком ИИ-инициатив, а те, кто сумеет связать автоматизацию с конкретной P&L-метрикой и не переложит на модель решения, требующие человеческой ответственности.
