Как выгода от искусственного интеллекта сходит на нет. Ошибки компаний
01 Июн, 2026 г.
60% компаний не ощутили выгоды от ИИ-проектов (BCG). Главная проблема — в ошибках менеджмента, считает Наталия Долженкова, исполнительный директор ELMA. Один пример: компании оценивают стоимость токенов, тогда как стоит — бизнес-операций. Но есть и другие
Два года назад одной из главных тем стратегических сессий в России был вопрос о том, как интегрировать большие языковые модели (LLM) в корпоративные процессы.
К концу 2025 года 71% отечественных компаний уже использовали ИИ в одной или нескольких бизнес-функциях, показало совместное исследование консалтинговой компании «Яков и партнеры» и «Яндекса».
Многим собственникам и топ-менеджерам казалось, что достаточно подключить модель — и результат не заставит себя ждать. Но реальность оказалась иной. Эксперты BCG выяснили, что на мировом рынке лишь 5% компаний получили реальную выгоду, 60% не заметили ощутимого финансового эффекта от внедрения ИИ. Это вызвало волну разочарований технологией.
Проблема не в самом ИИ, а в том, как компании подошли к его внедрению. Разберем основные ошибки.
Ошибка № 1. Технологии превыше математики
Разговоры об искусственном интеллекте чаще всего сводятся к трем темам: подключение больших языковых моделей (LLM), запуск ИИ‑агентов и внедрение технологии поиска с дополненной генерацией (RAG).
Сегодня подключение LLM — технический минимум, а не конкурентное преимущество. Наличие агента не гарантирует прогнозируемости расходов и масштабируемости. А RAG, хоть и повышает качество, но вместе с тем увеличивает сложность системы и может кратно повысить объем токенов (единиц данных).
Когда профильные эксперты сравнивают разные ИИ-модели на конференциях, это зачастую выглядит как технологический батл. Аудитория узнает все о технических тонкостях, но не получает ответа на практические вопросы. Как формировать прогноз бюджета на внедрение моделей? Как внедрение повлияет на прибыль и убытки? Как модель будет вести себя при резком росте нагрузки? Какая из моделей в итоге выгоднее?
Например, модели с механикой «рассуждения» потребляют вдвое больше токенов, чем стандартные. В итоге две модели с одинаковой ценой за тысячу токенов могут давать принципиально разную стоимость операции.
Ошибка № 2. Оценка стоимости токенов вместо стоимости бизнес-операций
Традиционные корпоративные системы (ERP, CRM, системы электронного документооборота) обычно работают по модели фиксированной лицензии: платишь один раз (или один раз в год) — пользуешься.
Работа с ИИ построена иначе — итоговые расходы зависят от четырех переменных: объема данных в запросе, структуры промпта, выбранной модели и частоты обращений. Это похоже на коммунальный платеж: сумма каждый месяц разная и зависит от интенсивности использования.
Компании важно оценить стоимость конкретного действия: согласования договора, проверки спецификации, аннотирования документа. Здесь и появляется понятие экономики единичной операции. Она складывается из трех компонентов:
- переменные затраты: оплата токенов за каждый запрос;
- затраты на инфраструктуру: серверы, облачные мощности и т. д. — эти расходы почти не меняются при увеличении числа операций, то есть дают эффект масштаба;
- затраты на управление: зарплата команды, которая поддерживает ИИ‑систему, — эти расходы не растут пропорционально объему операций.
Типичная ошибка компаний — учитывать только стоимость токенов и игнорировать остальные компоненты. Эта ошибка приводит к тому, что бюджет на внедрение оказывается в разы больше запланированного.
Как ИИ снижает затраты на операцию
Чтобы понять, стоит ли внедрять искусственный интеллект для рутинных задач, достаточно разобраться в стоимости операций. Разберу на примере типового процесса — анализа договоров.
ИИ‑агент должен проверить договор: найти связанные документы и информацию о контрагентах. Если не подготовить данные заранее, система будет искать их самостоятельно, перебирая десятки файлов, папок и документов. В результате объем входных токенов достигнет 90–170 тыс., что в денежном эквиваленте составляет от 10 до 18 руб. в среднем в зависимости от тарифа. Немного. Но при сотнях и тысячах проверок в месяц это превращается в крупную статью расходов.
Сделать процесс дешевле можно, если предварительно структурировать данные — перед тем как передать задачу ИИ, сотрудники или автоматизированные системы выделяют из документов ключевые параметры, например номер договора, дату, сумму, реквизиты контрагента, и оформляют их в структурированном виде — например, в формате JSON (понятный для компьютера список «параметр — значение»).
После такой подготовки объем данных для обработки сократится до 7–8 тыс. токенов на операцию, а стоимость одной проверки снизится до 0,8 руб. При этом качество анализа останется прежним: ИИ будет получать всю нужную информацию, но без «информационного шума».
Ошибка № 3. Изолированная работа ИИ
Чтобы ИИ давал предсказуемый и понятный результат, его нужно встроить в бизнес-процесс. Если модель работает через отдельный чат или внешний модуль, компания быстро теряет прозрачность: кто проверил результат, какая версия промпта использовалась и что происходило с ответом дальше — все это остается неясным.
Если же интегрировать ИИ прямо в рабочий процесс, картина меняется кардинально. Операция запускается автоматически — при наступлении определенного события (триггера) — например, при получении нового договора или заявки клиента. Дальше система сама передает ИИ-модели нужную информацию. Ответ сохраняется в структурированном виде и сразу используется для следующих шагов — например, для отправки документа на согласование или внесения данных в базу. При этом сразу становятся видны и понятны входные данные, версия используемой модели, полученный результат, время выполнения, а главное — стоимость операции.
Ошибка № 4. Зависимость от поставщика ИИ‑решения
Еще одна проблема, которая стоит на повестке, — зависимость от вендора модели. Возможны три вариации этой проблемы.
- Тарифная. Поставщик в любой момент может поднять цены на 20–30%, и в случае с крупным бизнесом это превратится в миллионы рублей дополнительных расходов.
- Инфраструктурная. Переход на другую модель потребует не просто замены API‑ключа (кода доступа), а полной перестройки бизнес-процессов.
- Регуляторная. Ограничения на использование зарубежных облачных сервисов в России могут сделать текущую систему неработоспособной.
Любая зависимость порождает дополнительные траты и невозможность действовать свободно. Решение — строить мультимодельную архитектуру (система, которая работает с разными ИИ‑решениями одновременно) с единым интерфейсом вызова, в которой модель можно поменять, не переписывая процессы и не останавливая бизнес.
Ошибка № 5. Перекладывание ответственности на IT‑директора
Принято считать, что внедрение искусственного интеллекта — задача исключительно IT‑отдела. На деле же ИИ требует вовлеченности всего топ‑менеджмента.
Директор по информационным технологиям не просто «настраивает работу систем» — он обеспечивает измеримый бизнес‑эффект от каждой операции и строит мультимодельную архитектуру.
Финансовый директор считает точку безубыточности ИИ-внедрения. Это делается так: совокупные постоянные затраты делятся на экономию от одной операции. При четырех-пяти параллельных кейсах срок окупаемости составляет три-четыре месяца.
Генеральный директор оценивает стратегическое преимущество компании. Например, если провести 50 тыс. типовых операций в месяц и себестоимость одной операции будет различаться на 120 руб., то годовая экономия составит 72 млн руб. Это касается только одного бизнес-процесса.
Подводя итог, компании, которые до сих пор воспринимают ИИ как «технологическую игрушку», рискуют серьезно отстать от конкурентов. В 2026 году побеждает тот, кто умеет считать реальную выгоду от ИИ, выстроил архитектуру, позволяющую управлять стоимостью каждой операции, переключаться между моделями и предъявлять совету директоров измеримый вклад в финансовый результат.
Автор: Наталия Долженкова, исполнительный директор ELMA
