Удобный нарратив
Тезис «больше продуктивности, меньше людей» стал почти аксиомой в корпоративных презентациях об ИИ. Логика на поверхности простая: если ИИ-инструмент делает за разработчика или аналитика часть работы, значит, этой работой можно нагрузить меньшее количество людей. Экономия кажется очевидной ещё до пилота.
На практике эта арифметика оказывается значительно сложнее. Корпоративный ИИ уже меняет разработку, поддержку, аналитику и офисную рутину — но изменения носят структурный, а не линейный характер. Производительность одного сотрудника действительно растёт. Однако вместо сокращения итоговой строки расходов компании получают перегруппировку затрат в статьи, которые прежде либо отсутствовали, либо были незначительными.
Куда уходят деньги
Первая и наиболее очевидная новая статья — токены. Вызовы к LLM-API (API языковых моделей, то есть оплата за фактически обработанные символы) тарифицируются за объём: чем активнее команда использует модель, тем выше счёт. При масштабировании на сотни пользователей ежемесячные расходы на inference (запуск модели для получения ответа) быстро превращаются в заметную бюджетную позицию.
Следом идут инфраструктурные расходы. Корпоративный деплой ИИ требует либо дорогостоящей облачной инфраструктуры с GPU-ресурсами, либо инвестиций в собственные мощности. К этому добавляются затраты на безопасность: данные, которые сотрудники передают в модель, необходимо контролировать — появляются политики, аудиты, иногда отдельные роли в команде безопасности.
Интеграции — ещё одна статья, которую легко недооценить на старте. Подключить ИИ-инструмент к существующим корпоративным системам (CRM, ERP, тикет-трекерам, внутренним базам знаний) означает разработку и поддержку стыковок, которые не существовали прежде и требуют регулярного обслуживания при обновлении любой из сторон.
Скрытые издержки
Ревью выходов модели — то, о чём часто забывают в расчётах ROI. ИИ генерирует быстро, но его результат нуждается в проверке: код — на корректность и безопасность, аналитические выводы — на соответствие реальности, тексты — на фактические ошибки. Чем шире применение модели, тем больше человеко-часов уходит на верификацию, а не на создание.
Ошибки модели — отдельная категория издержек. Галлюцинации (уверенно поданная неверная информация), неверные рекомендации или некорректно сгенерированный код создают долг: его нужно обнаружить, исправить, а иногда — устранить последствия для клиента или системы. Стоимость такого долга редко закладывается в первоначальную оценку эффекта от внедрения.
Наконец, зависимость от поставщика (vendor lock-in) формирует долгосрочный структурный риск. Компания, выстроившая процессы вокруг конкретной модели или платформы, оказывается заложником ценовой политики и технических решений вендора. Перейти на альтернативу после глубокой интеграции — дорого и болезненно.
Итог
Вывод не в том, что внедрять ИИ невыгодно. Вывод в том, что экономический эффект устроен иначе, чем обещает популярный нарратив. Бюджет не сокращается сам по себе — он перераспределяется. Компании, которые считают только выигрыш в продуктивности, не считая токены, инфраструктуру, безопасность, интеграции, ревью, ошибки и вендорную зависимость, рискуют обнаружить, что итоговый счёт оказался выше, чем до внедрения.
