Половина проектов генеративного ИИ не достигает поставленных целей, а в 57% неудачных кейсов руководители сами признают: ожидания изначально были нереалистичными. Для российской IT-аудитории вывод неприятный, но полезный: экономика ИИ-проектов часто ломается не на этапе модели, а еще в момент, когда бизнес решает «нам тоже нужен ИИ» и не считает стоимость ошибки, интеграции и ручного разбора исключений.
Об этом, как пишет IT-World, рассказал Антон Хаймовский, главный владелец продукта ContentCapture компании Content AI. Его тезис звучит довольно приземленно и потому убедительно: ИИ-проекты закрывают не только из-за слабых данных, завышенных обещаний или моды на GenAI, но и потому, что до старта никто нормально не просчитал финансовую модель. И это, пожалуй, куда более жизненная причина, чем очередной спор о качестве моделей.
У Хаймовского аргументация строится на двух уровнях. Первый: не всякая задача вообще требует ИИ. Второй: даже если требует, нужно заранее понимать, какая модель внедрения переживет встречу с реальным трафиком и бюджетом. По данным Gartner за 2025 год, в 63% организаций либо нет правильных практик управления данными для ИИ, либо они сами не уверены, что такие практики есть. На этом фоне массовое стремление внедрять GenAI во все подряд выглядит предсказуемо: сначала покупаем модную технологию, потом пытаемся придумать ей работу.
Хаймовский предлагает начать не с модели и не с пилота, а с более скучного вопроса: какой именно измеримый результат нужен бизнесу. Сократить время обработки заявки, снизить долю ошибок, убрать ручную рутину, высвободить сотрудников под более полезные задачи. Если такого ответа нет, проект почти наверняка съедет в демонстрацию возможностей. А дальше начинается типичная история: пилот всем нравится, презентации хорошие, но на промышленном масштабе внезапно выясняется, что стоимость каждого улучшения выше, чем экономический эффект от него.
Отсюда и второй практический фильтр: можно ли описать процесс четкими правилами. Если можно, то, скорее всего, компании нужен не генеративный ИИ, а более простая автоматизация или RPA. Хаймовский приводит показательное сравнение на примере банка. В одном случае оператор разбирает сложные клиентские обращения, открывает до пяти систем и тратит на кейс в среднем 12 минут. Там действительно нужна работа с естественным языком, контекстом и несколькими инструментами, то есть сценарий для агентной системы. Во втором случае речь идет об обработке заявок на потребкредиты: данные приходят через современный веб-портал, а дальше сотрудники вручную переносят их в legacy-системы без API. Процесс стандартизирован, критерии проверки жестко заданы, а среднее время обработки одной заявки составляет 15 минут. Здесь ИИ уже не выглядит обязательным героем. RPA дешевле, проще во внедрении и лучше соответствует задаче.
Это, кстати, один из самых полезных моментов во всей дискуссии про экономика ИИ-проектов. На рынке слишком часто обсуждают, какую модель выбрать, но заметно реже спрашивают, нужен ли здесь ИИ вообще. Для разработчиков и архитекторов это прямой сигнал: иногда лучшая техническая рекомендация для бизнеса звучит не как «давайте добавим LLM», а как «давайте не будем усложнять систему без причины». Для продактов и CIO вывод похожий: зрелость проекта определяется не количеством AI-слоев, а способностью выбрать самый дешевый инструмент, который решает задачу.
Где именно ломается бюджет
Дальше начинается самое неприятное для любого оптимиста с демо-стендом. Экономика ИИ-проектов отличается от классической автоматизации тем, что ИИ почти никогда не работает как детерминированный механизм с гарантированным результатом. Если точность на легких задачах составляет 90-95%, это уже хороший показатель. Но оставшиеся 5-10% ошибок никуда не деваются: их придется ловить, проверять и разбирать вручную. Значит, в бюджет надо сразу включать контроль качества, процессы эскалации и стоимость ручной обработки исключений. Если этого не сделать, бизнес-модель получается красивой только в Excel, где люди по привычке забывают о неудобных хвостах.
Хаймовский раскладывает затраты по трем базовым моделям. Первая — SaaS или SaaS по API. Входной порог ниже, внедрение возможно за несколько недель, если интеграция не слишком сложная. Но цена растет вместе с объемом: пока трафик небольшой, модель выглядит разумно, а когда компания начинает массово гонять запросы, счет становится куда менее дружелюбным. Вторая — on-premise. Здесь расходы крупные уже на старте: лицензии, GPU-серверы, интеграция, запуск собственной инфраструктуры. Зато последующие траты относительно фиксированы и не зависят от тарифной политики облака. Третья — кастомная разработка или дообучение под конкретную задачу. Это самый дорогой и самый долгий путь, который имеет смысл тогда, когда готовые решения плохо ложатся на специфику бизнеса.
Чтобы разговор не оставался на уровне общих слов, Хаймовский приводит пример крупного банка из топ-20 с клиентской базой 5 млн человек. Если в среднем клиент генерирует восемь обращений в месяц, а 80% запросов отправляются на первичную обработку ИИ, получается 32 млн запросов ежемесячно. В облачной модели при условной цене 0,04 рубля за запрос это около 15,4 млн рублей в год плюс примерно 500 тыс. рублей единоразово на интеграцию. За пять лет набегает около 77,3 млн рублей. Для собственной инфраструктуры цифры выглядят тяжелее: 48 млн рублей на шесть GPU-серверов со сроком полезного использования пять лет, 10 млн на создание ЦОДа, около 4 млн на бессрочные лицензии. Стартовые инвестиции — 62 млн рублей, а годовые операционные расходы — еще 11,6 млн рублей на обслуживание, поддержку, DevOps и MLOps. Итого за пять лет — около 120 млн рублей.
Если смотреть только на одну задачу, облако в этом примере побеждает. Но дальше начинается важная оговорка, ради которой вообще стоит обсуждать экономика ИИ-проектов, а не отдельный AI-сервис. Собственный контур почти никогда не живет ради одного сценария. В банке рядом с обработкой обращений обычно существуют антифрод, скоринг, аналитика и другие задачи с большим количеством запросов. Как только инфраструктура начинает обслуживать не один поток, а несколько, арифметика меняется. И вот здесь у бизнеса появляется реальный предмет для расчета, а не очередной спор верующих в облако с верующими в свое железо.
Что это значит для рынка
Для российских компаний из этого кейса следует довольно трезвый вывод. ИИ уже перестал быть просто экспериментом, но еще не стал индульгенцией от нормального проектного управления. Разработчикам придется чаще объяснять, где достаточно правил и интеграций, а где действительно нужен вероятностный слой. Продактам и заказчикам — заранее считать не только цену запроса, но и цену ошибки. CIO — смотреть на портфель задач целиком, а не на один пилот в вакууме. Рынок, похоже, входит в фазу, где выигрывать будут не те, кто громче всех заявил о внедрении GenAI, а те, кто умеет отличить дорогую игрушку от работающей экономической модели.