Axios: искусственный интеллект для части компаний уже дороже живых сотрудников

Компании, которые ждали от искусственного интеллекта быстрой экономии, получают обратный эффект: во многих случаях ИИ оказывается не заменой дорогому труду, а новой дорогой строкой бюджета. Вместо обещанного снижения затрат бизнес сталкивается с растущими счетами за модели, облачные мощности, интеграции и контроль качества результатов. Для части команд это уже не эксперимент, а финансовый сюрприз, который меняет расчеты по найму, автоматизации и развитию продуктов.

Как отмечает Axios, в ряде компаний затраты на поддержание ИИ-решений становятся более заметными, чем фонд оплаты труда сотрудников, выполняющих похожие задачи вручную. На практике проблема редко сводится только к подписке на модель. Деньги уходят на API-вызовы, обработку больших объемов данных, хранение, донастройку, защиту корпоративной информации, а также на разработчиков и аналитиков, которые должны встроить ИИ в реальные процессы.

Если система работает в круглосуточном режиме или обслуживает большой поток запросов, расходы на инфраструктуру начинают расти быстрее, чем ожидалось на старте проекта. Именно поэтому финансовые директора все чаще требуют от AI-команд не красивых демо, а доказуемой окупаемости на каждом сценарии. Часть перерасхода объясняется тем, что пилоты почти всегда считаются слишком оптимистично.

В начале проекта компания тестирует один сценарий на небольшой группе пользователей и получает приемлемую себестоимость. Но после масштабирования появляются очереди запросов, резервирование мощностей, дополнительные интеграции с CRM и документооборотом, лицензии для нескольких команд и расходы на мониторинг. Если к сервису подключаются продажи, поддержка, маркетинг и внутренние операции одновременно, суммарный счет растет нелинейно.

То, что выглядело как доступный эксперимент, в промышленной эксплуатации быстро превращается в постоянный операционный расход. Особенно болезненно это для компаний, которые покупали ИИ как инструмент мгновенной оптимизации. На презентациях автоматизация выглядит как способ сократить ручной труд, ускорить ответы клиентам и разгрузить команды.

Но в реальной эксплуатации выясняется, что модель нужно постоянно тестировать, ограничивать, переобучать на внутренних сценариях и страховать человеком на критических этапах. Иными словами, ИИ не всегда убирает сотрудника из цепочки: нередко он добавляет еще один слой работы, где человек проверяет, исправляет и берет на себя ответственность за итог. Когда к этому добавляются требования по безопасности, юридической проверке и качеству данных, экономика внедрения усложняется еще сильнее.

Для регулируемых отраслей, крупных корпораций и сервисов с высокой ценой ошибки недостаточно просто подключить модель и ждать эффекта. Нужно вести аудит ответов, следить за утечками, контролировать доступ к данным, сравнивать версии моделей и измерять, где автоматизация действительно экономит деньги, а где лишь создает видимость прогресса. Поэтому самый дорогой элемент проекта часто скрыт не в самой модели, а в слое сопровождения вокруг нее.

Это не значит, что ИИ переоценен или что бизнес начнет массово отказываться от таких систем. Скорее рынок выходит из фазы наивных ожиданий в фазу трезвого расчета. Компании начинают смотреть не на общие обещания, а на стоимость одного полезного действия: обработанного документа, подготовленного ответа, закрытого тикета или успешно завершенной операции.

Там, где ИИ действительно снижает время цикла и ошибки, он останется. Там, где автоматизация дороже человека или требует постоянной ручной страховки, проекты будут пересматривать, упрощать или останавливать. Главный вывод для бизнеса прост: внедрение ИИ больше нельзя считать универсальной мерой экономии.

Без точной юнит-экономики и жесткого контроля расходов даже сильная технология быстро превращается в один из самых тяжелых центров затрат.