Метрики здравого смысла: как измерять рентабельность ИИ

В конце августа вышел отчет McKinsey & Company The State of AI in 2026 («Положение дел в сфере ИИ в 2026 году». — Forbes Club): по сравнению с 2025 годом доля разработок на базе ИИ, которые перешли в фазу масштабирования, выросла на 6%. При этом около 30% респондентов предпочли разрабатывать решения с помощью ИИ собственными силами, а не покупать готовые продукты. Эти цифры подтверждают очевидное: тренд на ИИ с нами надолго. Однако каждая организация задается вопросом: как определить, что внедрение ИИ выгодно и что это не временный хайп? Как оценить экономику такого решения?
Это один из ключевых вопросов для бизнеса, который хочет перейти от точечных ИИ-инициатив к масштабированию. Главная ошибка, которую я вижу в компаниях, осваивающих ИИ, — желание внедрить как можно больше инструментов без четко определенного конечного результата. В таких случаях мотивация размыта, а решения часто принимаются под давлением FOMO (Fear of Missing Out, англ. «страх упущенной выгоды». — Forbes Club).
Главная ошибка осваивающих ИИ компаний — это желание внедрить как можно больше инструментов без четко определенного конечного результата
Еще до начала внедрения ИИ критически важно выбрать, куда именно встраивать технологию, определить ожидаемый результат и провести подготовительную работу. Этот этап может включать структурирование данных, формализацию процесса, устранение технического долга и других ограничений, которые способны снизить эффект или приведут к тому, что в итоге нужно будет все переделывать. Эта логика справедлива как для базовой автоматизации, так и для более сложных решений на базе ИИ.
При этом для некоторых компаний главным ограничением может быть не выбор процесса и не технологии как таковые, а организационная среда. Согласно исследованию IBM Q4 Think Circle 2025 («Интеллектуальный круг IBM по итогам четвертого квартала 2025 года». — Forbes Club), корпоративная культура, управленческие механизмы и скорость внутренних процессов способны существенно снизить вероятность успеха. Например, если бюджет на эксперимент согласовывается дольше, чем длится сам эксперимент, проблема находится далеко за пределами ИИ-технологий.
После выбора процесса необходимо зафиксировать стартовую точку и исходные метрики. Без этого по итогам пилота невозможно объективно понять, дал ли ИИ эффект и есть ли основания для масштабирования.
В случае решений на базе ИИ-агентов особенно важно качество постановки задачи: входные данные, образ и формат результата, периодичность действий, ограничения. Чем хуже сформирован бриф для агента, тем сложнее впоследствии отделить недостатки технологии от недостатков самого процесса.
Как оценивать успешность применения ИИ
- Действовать поэтапно. Здесь хорошо работает продуктовое мышление. Сначала нужно проверить гипотезу, работает ли решение в принципе на выбранном процессе. Затем провести пилот на ограниченном периметре. Если сразу «натравить» ИИ на весь массив задач, команде будет сложнее собирать аналитику, локализовать проблемы и понимать причины отклонений.
Если на ограниченном периметре достигнуты ожидаемые метрики, скоуп можно постепенно расширять. И только после завершения пилота принимать решение о масштабировании.
У пилота должны быть ограничены срок и бюджет. В идеале все пилоты внутри компании стоит проводить по сопоставимому фрейму. Единые принципы постановки гипотез, определения исходного уровня, расчета затрат и оценки результатов дают возможность сравнивать результаты и формулировать понятные критерии выбора. В текущих реалиях запустить пилот можно за несколько недель, однако для оценки результатов может понадобиться больше времени.
После успешного пилота можно начинать промышленную эксплуатацию с дальнейшим масштабированием.
- Определить метрики каждого этапа. Конкретный набор зависит от бизнеса, процесса и ожидаемого эффекта. Один из подходов — разделять прямой и косвенный эффекты и по возможности переводить их влияние на прибыль и убытки. Отправной точкой для внедрения любого инструмента служат ключевые метрики компании. Для кого-то это выручка иприбыльность, для кого-то — инвестиционная привлекательность. От этих показателей и стоит отталкиваться.
Какими же метриками можно руководствоваться?
- Метрики дохода. Рост продаж и выручки, изменение маржинальности, увеличение числа привлеченных или удержанных клиентов, снижение оттока, рост продолжительности жизненного цикла клиента.
- Учет времени и производительности труда. Сколько рабочего времени высвободилось после внедрения инструментов ИИ? Какая часть этого времени была перенаправлена на новые задачи? Насколько вырос объем работы при неизменном штате? В отдельных случаях можно учитывать и оптимизацию FTE (Full-Time Equivalent, англ. «эквивалент полной занятости», метрика пересчета рабочего времени сотрудников в количество полных ставок. — Forbes Club). Но любой расчет должен опираться на данные исходного уровня.
- Метрики стабильности продукта и сервиса. Снижение времени простоя, повышение отказоустойчивости, сокращение времени разбора инцидентов, рост удовлетворенности клиентов.
- Работать с идеями и со скоростью внедрения. Ключевые показатели здесь — время внедрения новых идей, скорость проверки гипотез и количество гипотез за единицу времени. Ценность ИИ может быть не в прямом сокращении затрат, а в сокращении цикла от идеи до проверки.
- Сокращать риски — регуляторные и операционные. Например, посчитать количество штрафовза просроченную отчетность, стоимость ошибок в расчетах, инцидентов или нарушений соглашения об уровне обслуживания.
- И наконец, нельзя забывать о совокупной стоимости владения. В нее входят расходы на токены, инфраструктуру, поддержку, интеграции и специалистов с экспертизой в ИИ и опытом разработки платформенных решений. Пилот может показывать хороший результат, но по мере масштабирования стоимость эксплуатации нужно отслеживать и контролировать, чтобы расходы на владение на начали «съедать» полученный эффект.
Поэтому рентабельность инвестиций от внедрения ИИ — это не вопрос, работает ли технология. Важно понять, создает ли она измеримую ценность относительно исходного уровня, сохраняется ли эта ценность при масштабировании и превышает ли совокупный эффект полную стоимость владения.
VisionLabs — один из мировых лидеров в области ИИ-решений по распознаванию на базе компьютерного зрения. Компания реализовала более 500 проектов в 42 странах. Технологии VisionLabs применяются в финансовой, телекоммуникационной и транспортной отраслях, а также в ретейле и промышленности. Компания развивает продуктовую линейку и запускает новые продукты, в том числе решения для банков и медиа по выявлению дипфейков.
Автор — резидент Forbes Club. Мнение редакции может не совпадать с точкой зрения автора
