В 2027 году бюджеты на ИИ могут забрать 20% всех расходов компаний на технологии, прогнозирует Forrester. Проблема в том, что более половины CIO рискуют не выполнить собственные планы по окупаемости таких вложений: деньги уже уходят в модели, инфраструктуру и внедрение, а эффект для бизнеса пока остаётся точечным. Для российских IT-команд это знакомый сценарий: пилоты запускаются быстро, а доказать их влияние на выручку, маржу или производительность оказывается заметно сложнее.
Оценки приведены в исследовании State of AI Survey 2026 и прогнозе Technology & Security Predictions, сообщает The Register. По данным Forrester, 45% руководителей, принимающих решения по ИИ, считают инвестицию успешной, только если она даст положительную отдачу в течение года. Однако за предыдущие 12 месяцев лишь 22% респондентов увидели положительное влияние ИИ на EBITDA — прибыль до вычета процентов, налогов и амортизации.
Разрыв между ожиданиями и фактическим эффектом аналитики объясняют не качеством моделей как таковых. Компании часто покупают доступ к генеративному ИИ, разворачивают инфраструктуру и набирают команды, но не меняют процессы вокруг технологии. Ассистент может ускорить подготовку документа или написать черновик кода, но финансовый результат появится только если организация пересоберёт согласования, контроль качества, роли сотрудников и метрики. Иначе ИИ остаётся дорогой надстройкой над прежним способом работы.
Forrester ожидает, что успешными будут отдельные сценарии, а не большие корпоративные программы целиком. Это важная поправка к привычной презентационной логике, где один «AI-трансформейшн» должен одновременно улучшить поддержку, разработку, продажи и бэк-офис. На практике проще измерить результат в узком процессе: сократить время обработки типовых обращений, ускорить поиск по внутренней базе знаний, автоматизировать извлечение данных из документов или убрать рутинный шаг в агентном workflow. Но сумма локальных побед ещё не равна заметному изменению экономики всей компании.
Открытые модели возьмут объём, закрытые — дорогие ошибки
Одновременно компании будут искать способ снизить стоимость эксплуатации. Forrester прогнозирует, что модели с открытыми весами обеспечат половину всех токенов, потребляемых бизнесом, хотя на них придётся лишь около 5% корпоративных расходов на ИИ. В этой категории аналитики называют Gemma, Llama и Qwen. Их возможностей, по оценке Forrester, достаточно для задач с большим объёмом запросов: обработки документов, диалогов службы поддержки, поиска по внутренним знаниям и типовых подзадач в агентных системах.
Логика здесь довольно приземлённая. Если операция повторяется миллионы раз, разница в цене токена быстро превращается в отдельную строку бюджета. Для таких нагрузок бизнесу важнее предсказуемая стоимость, возможность развернуть модель в контролируемой среде и приемлемое качество, чем максимальный результат в бенчмарке. Открытые веса не избавляют от расходов на GPU, настройку, мониторинг и безопасность, но позволяют точнее управлять ими, чем при полностью внешнем API.
Более мощные проприетарные модели, по прогнозу аналитиков, сохранятся для небольшого числа задач, где ошибка обходится дорого: глубокой работы со знаниями, критичных автоматизаций и случаев, требующих более сложного рассуждения. Это не отменяет потребности в проверках. Чем выше цена ошибки в договоре, платеже, медицинском заключении или производственном решении, тем меньше оснований выпускать результат модели в действие без человека и понятного контура ответственности.
Для разработчиков вывод не сводится к выбору между API и self-hosted. Архитектуру придётся строить вокруг маршрутизации: дешёвая модель обрабатывает массовые запросы, более сильная подключается к сложным, а правила валидации не дают автоматизации выйти за разрешённые границы. Для продуктовых команд полезнее считать стоимость завершённой бизнес-операции, а не цену одного запроса к модели. Токены — удобная техническая метрика, но пользователи и финансовые директора не покупают токены; они покупают скорость, качество и снижение затрат.
Пора считать не внедрение, а результат
Рост бюджетов на ИИ усилит давление на CIO, которым придётся одновременно доказывать эффект, контролировать инфраструктурные расходы и управлять рисками. В прогнозе Forrester отдельно упоминаются геополитическое давление, новые технологии и более широкое применение ИИ в операциях самих IT-подразделений как источники дополнительной сложности. Чем глубже модели входят в процессы, тем важнее становятся наблюдаемость, контроль доступа к данным, защита от ошибок и понятная процедура отката.
Российским компаниям стоит воспринимать эту картину без магии и без скепсиса ради скепсиса. Бюджеты на ИИ оправданы там, где заранее определены владелец процесса, базовая метрика, допустимый уровень ошибок и способ проверить результат через несколько месяцев. Пилот без такого контракта легко превращается в демонстрацию возможностей модели; пилот с измеримой целью способен стать рабочим сервисом. В 2027 году главным дефицитом, вероятно, будут не сами модели, а команды, умеющие связать их с реальным P&L — и вовремя выключить проект, если связь так и не появилась.