Инвестиции в ИИ не окупаются у 70% российских предприятий
Согласно данным компания Triada Partners* около 70% исследуемых корпораций на текущий момент не окупили инвестиции в технологии ИИ.
Также 70% российских компаний уже применяют ИИ в своей работе по результатам исследования Центра аналитических продуктов VK Predict и Prognosis. На текущий момент средний срок окупаемости инвестиций в ИИ-технологии для российских компаний составляет в среднем два-три года.
Почему некоторые российские компании неудачно внедряют искусственный интеллект? Это совокупность системных проблем, и отражение частых ошибок внедрения на уровне компаний.
Системный компонент выражается в нескольких объективных барьерах:дефицит кадров и роста зарплат в сегменте ML/DS, высокие издержки на вычислительную инфраструктуру и лицензии санкционные ограничения на доступ к топ-GPU и сложная цепочка импортозамещения, а также фрагментированная регуляторная среда и требования по локализации/безопасности, которые делают on-prem и сопутствующую интеграцию дороже и долгосрочнее.
Эти факторы повышают общую TCO (total cost of ownership) и увеличивают сроки окупаемости для многих отраслей.
Параллельно в корпоративных практиках широко распространены типичные ошибки реализации, которые сами по себе сводят на нет потенциальную экономику: запуск “точечных” пилотов без четкой дорожной карты масштабирования, отсутствие измеримых исходных баз (baseline), слабая интеграция результатов ИИ в операционные процессы и отсутствие управления изменениями (change-management).
Именно сочетание «рыночных» ограничений и «процессных» ошибок создает эффект, когда 70% проектов формально не окупают вложения в ожидаемые сроки.
Как измерять ROI от проектов в сфере ИИ
Единого «правильного» единственного KPI не существует – измерение ROI от проектов в сфере ИИ должно быть многослойным и согласованным с бизнес-целями.
Практическая методика, которую советуют и крупные консультанты, включает следующие шаги:
Четкая формулировка целевой гипотезы (например, снизить простой на X часов, увеличить продажу по сценарию на Y%) фиксация базовой линии (baseline) до внедрения исчисление всей TCO с горизонтом, релевантным задаче (CAPEX на инфраструктуру, OPEX эксплуатации, лицензионные платежи, затраты на data-engineering и разметку, затраты на специалистов и внешних интеграторов)
учет отложенных и нематериальных эффектов: data-asset (как ценность данных и моделей)скорость принятия решений, качество прогнозов.
Для коротких сценариев (чат-бот, автоматизация рутины) ориентироваться на прямое сокращение зарплат и времени обработки — эти метрики быстро переводятся в деньги.
Для сложных технических сценариев (предиктивная аналитика, цифровые двойники) – строить модель экономии через снижение неплановых простоев, снижение брака, улучшение качества продукта и увеличение пропускной способности, плюс учитывать эффект накопления качества данных как стратегического актива.
Где внедрение ИИ уже доказало свою экономическую эффективность, а где ожидания пока не оправдались
Наиболее убедительные, документированные эффекты в России сегодня видны в финансовом секторе (банки), горно-металлургическом комплексе, в отдельных проектах нефтяных компаний и в транспортно-логистическом секторе.
Сбер публично декларирует сотни миллиардов рублей эффекта к 2024 г. Норникель сообщает о порядка $100 млн дополнительного результата от ИИ-инициатив. РЖД последовательно внедряет десятки решений, где фиксируют рост производительности и оптимизацию процессов.
В то же время ожидания часто не оправдываются в отраслях с разрозненными процессами и низкой цифровой зрелостью: крупное строительство, ряд сегментов промышленности с разнородным парком оборудования и слабой телеметрией – там пилоты часто демонстрируют локальный эффект, но масштабирование наталкивается на проблемы интеграции и данных.
Можно ли считать затраты на специалистов по ИИ ключевой статьей расходов
Кадровый дефицит – один из ключевых факторов, прямо влияющих на скорость внедрения и себестоимость проектов. На российском рынке спрос на ML/DS/DevOps-специалистов резко вырос, медианные зарплаты и ставки для senior-инженеров высоки, а вакансии закрываются долго – это подтверждают исследования рынка труда и аналитика по зарплатам. Как следствие, расходы на персонал часто составляют значимую часть бюджета проекта, особенно в фазе разработки и запуска.
В качестве инженерно-экономического ориентира можно привести упрощенный иллюстративный пример (не как универсальная формула, а как типичная структура затрат):
при проекте с общим бюджетом в 100 млн руб персонал может составлять порядка 40–50% (45 млн) инфраструктура (серверы/облако, хранение, GPU) 20% (20 млн)
лицензии и внешние сервисы 10–20% (15 млн) разметка/данные 10% (10 млн)
интеграция/управление изменениями 10% (10 млн).
Государственная поддержка окупаемости ИИ-проектов (налоговые льготы, субсидии на инфраструктуру)
Государственная поддержка уже реализуется в разных формах (льготы для IT-компаний, гранты на импортозамещение, субсидии на НИОКР и поддержку отечественных платформ).
На практике субсидии и налоговые преференции существенно снижают порог входа и могут сократить срок окупаемости на счет уменьшения CAPEX. Простая числовая иллюстрация: если проект с полной стоимостью 100 млн руб и ожидаемым ежегодным эффектом 30 млн руб окупается за 100/30 = 3,33 года, то грант в 30% (30 млн руб) сокращает вложения компании до 70 млн руб и уменьшает срок окупаемости до 70/30 = 2,33 года — экономия примерно 1 года.
При этом меры нужно таргетировать: финансировать не «пилоты», а именно инфраструктуру, центры компетенций, сертификацию и масштабируемые платформы, чтобы государственные деньги реально ускоряли индустриализацию кейсов и снижали системные барьеры (аппаратные, кадровые, нормативные).
Почему компании продолжают инвестировать в ИИ
Во-первых, это стратегическая необходимость: компании не хотят потерять конкурентные позиции и доступ к кадрам и партнерам.
Во-вторых, это кадровая и рыночная мотивация: проекты ИИ становятся площадкой для удержания и привлечения специалистов, а отказ от инвестиций чреват оттоком талантов.
В-третьих, государственные инициативы, гранты и льготы снижают частные риски и делают проекты привлекательными даже с высокой долей неопределенности.
Наконец, для многих компаний текущие вложения — это построение платформы и активов данных (инфраструктурный аспект), которые будут приносить эффект в будущем: это скорее ставка на долгосрочное преимущество, чем на быструю окупаемость.
Во многих организациях текущие проекты — это скорее «инфраструктурные инвестиции» (создание базы для будущего эффекта), чем ожидание быстрой отдачи.
Типичный жизненный цикл зрелого ИИ-проекта включает значительную «подготовительную» часть: централизованная платформа данных, MLOps, процессы сбора и разметки данных, on-prem вычислительная инфраструктура с учетом требований регулятора, интеграция в ERP/SCADA/PLM и т. п.
Эти компоненты — не краткосрочные «фичи», а капитальные вложения, которые амортизируются годами и создают фундамент для последующих быстрых кейсов. Открытые модели уменьшают лицензионные расходы, но переносят нагрузку на инфраструктуру и эксплуатацию; именно это отмечают и аналитики, и практики. Поэтому ряд текущих расходов логично рассматривать как инфраструктурные инвестиции с горизонтом окупаемости 2–4+ лет.
Бизнес-модели в работе с ИИ сейчас выглядят наиболее перспективными для России
Автоматизация рутинных операций и интеллектуальные ассистенты (чат-боты, обработка документов) – быстрый путь к видимому ROI; часто окупаются в месяцы, потому что заменяют рукопашный труд и сокращают время обработки.
Предиктивная аналитика и поддержка операторов (maintenance, оптимизация технологических процессов) – высокий экономический эффект в металлургии, горной добыче и на НПЗ, но требует зрелой телеметрии и интеграции. Эффект в виде снижения простоев и повышения выхода продукции может быть большим и устойчивым.
Управление логистикой и оптимизация цепочек поставок — высокий потенциал в ритейле и транспорте, эффект достигается при наличии сквозных данных и интеграции планирования.
Цифровые двойники и автономизация процессов – стратегический тренд с высоким долгосрочным ROI в сложном производстве, но требует значительной базы данных и инженерных усилий.
Как ситуация в России отличается от мировых кейсов внедрения ИИ
Ключевое отличие – внешние ограничения (санкции, доступ к оборудованию) и сильный акцент на импортозамещении и сертификации.
В результате российские проекты чаще сталкиваются с дополнительными издержками и длительным циклом интеграции. Вместе с тем классическая «рецептура успеха» та же, что и в мире.
Макрофакторы заметно удлиняются сроки окупаемости. Санкционные ограничения и ограничения на экспорт высокопроизводительных GPU (линии A100/H100 и т.п.) повышают стоимость доступа к современному ускорителю и/или вынуждают компании применять менее оптимальные варианты (меньше GPU, более длительное обучение моделей, компромиссные архитектуры), что увеличивает ТСО и время вывода прототипа в промышленную эксплуатацию.
Параллельно идет активное наращивание отечественного производства радиоэлектроники и микросхем, но это масштабный процесс: рост производства фиксируется, однако доля современного высокопроизводительного оборудования пока ограничена. Все это переводит многие проекты в разряд долгосрочных инвестиций и увеличивает риск продления окупаемости на годы без внешней поддержки.
