Управление затратами на ИИ-проекты: экономический эффект и внедрение с учетом экономики решения

Рынок корпоративного ИИ вышел из стадии экспериментов. Компании массово переходят от пилотных проектов к промышленной эксплуатации, и ключевым вопросом становится не «что умеет ИИ», а «сколько он стоит и когда окупится». В этой статье разбираем структуру затрат на ИИ-решения, делимся реальной математикой масштабирования и показываем проверенные способы сокращения стоимости владения без потери качества.

Перед тем как перейти к расчету экономики от внедрения ИИ-проектов, необходимо разобраться с ключевыми статьями расходов при создании продукта.

Базовый набор затрат на ИИ-решение составляют:

• Инфраструктура – вычислительные мощности, необходимые для обучения и развёртывания моделей
• Данные – сбор, очистка, разметка и приведение документов к единому формату
• Команда – создание и поддержка ИИ-решения требует квалифицированных специалистов
• Лицензии – многие компоненты ИИ-решения поставляются на лицензионной основе, которые предоставляются на коммерческой основе
• Иные инструменты, которые вы используете.

Помимо этого, также следует учитывать:

• Уровень прозрачности и видимости затрат. Каждая статья расхода обязательно должна быть четко описана и зафиксирована.
• Контролировать расходы и лимиты на них. Определить границы допустимых расходов при внедрении/создании продукта.
• Эффективно использовать промпты/запросы. Следить за количеством используемых символов и использовать кэш при работе с моделью.
• Количество токенов, затрачиваемых на работу и последующим
• Выбирать оптимальные модели, подходящие под конкретные задачи. Не используйте модели, ориентированные на текстовую работу, например, для анализа – это приведет к перерасходу токенов.
• Скрытые затраты — время сотрудников, снижение продуктивности в переходный период, упущенную выгоду от отложенных проектов.

Рассмотрим расчет затрат для ИИ-проекта на примере ИИ-решения на базе RAG (Retrieval Augmented Generation) «Авандок.ИИ». 

В прошлой статье рассказали Что такое RAG, почему этот подход является лидирующим на рынке и чем принципиально отличается от других методов.

Экономика ИИ-решения на базе RAG складывается из пяти основных статей расходов, изображенных на графике ниже.

Почти половина бюджета приходится на работу языковой модели: обработку запросов, подготовку и выдачу ответов. На этом этапе находятся главные возможности для оптимизации и главные риски неконтролируемого роста затрат.

Когда компания запускает ИИ-решение на базе большой языковой модели, она нередко воспринимает момент вывода в продакшен как финишную черту. На практике это лишь начало постоянных операционных расходов. 

Всего выделяется три ключевых компонента расходов – LLM Inference, векторная база данных и система мониторинга. Это фиксированные издержки, которые будут всегда сопровождать проект, и качество работы этих составляющих следует внимательно контролировать, так как от этого зависит жизнеспособность проекта.

Индексация документов (преобразование текстовых файлов в структурированный и оптимизированный формат для быстрого поиска информации языковой нейросетью) больше относится к разовой статье расходов в связи с масштабностью подготовительных работ. Однако, при крупном обновлении материалов компании, также следует сохранять и актуальность вложенных для обучения документов.

Инфраструктура – фиксированная статья расходов до определенного уровня мощности аппаратных ресурсов (процессор, хранилище, память, сеть), которые при росте числа пользователей достигают своей пропускной способности, обеспечивающей производительность. Перед границей перехода за эти возможности, требуются дополнительные вложения для необходимого повышения возможностей функционирования.

Важно:

Стоимость внедрения и эксплуатации ИИ — это основа для расчета ROI, обоснования проекта перед руководством и принятия архитектурных решений, которые определят будущее системы на годы вперед. При этом себестоимость ИИ-решения меняется как ступенчато, так и линейно, и понимание этой динамики — ключевое преимущество при планировании.

Ключевая статья здесь — инференс, то есть непосредственная работа языковой модели в промышленной эксплуатации.

Для работы языковой модели существуют два принципиально разных подхода, каждый со своей экономической моделью.

Рассмотрим подходы для работы LLM.

1. Собственное или арендованное оборудование – размещение выбранной модели на своем GPU (или арендованном сервере). Затраты растут ступенчато в виде схемы «одна видеокарта → две → четыре», где каждый переход провоцирует скачок расходов, который не всегда легко предсказать, но необходимо закладывать в планирование.
2. Покупка токенов у провайдера – фактическая оплата. Затраты растут линейно: ваши расходы полностью зависят от количества запросов пользователей. Подход проще для прогнозирования, но дороже на продолжительную перспективу использования.

Сравнение на горизонте трех лет – стандартный срок амортизации оборудования. Рассмотрим пример: 1 000 пользователей, 10 запросов в день от каждого. Каждый запрос в RAG-системе потребляет в среднем 7 600 токенов (7 300 расходуется на примерно 6 страниц контекста, системный промт, и, примерно, 300 токенов на ответ) и при таких параметрах стоимость токенов составляет около 1 млн. рублей в месяц.

• Покупка токенов: ~36 млн ₽ (линейный рост) на три года
• Собственное оборудование: ~10,3 млн ₽ (разовые затраты + обслуживание)

Разница более чем в три раза. Собственное оборудование окупается быстро и точка пересечения наступает уже в первые месяцы эксплуатации при этом выбор в пользу собственного оборудования часто диктуется не только экономикой, но и требованиями информационной безопасности: передача корпоративных данных за пределы контура компании зачастую невозможна и в этом случае локальное развертывание становится единственным вариантом с точки зрения и безопасности и экономики.

Рекомендация: если вы не уверены в перспективах проекта и не готовы к крупным начальным инвестициям, начните с покупки токенов для пилота. При подтверждении эффективности переходите на собственную инфраструктуру – это нормальная и правильная стратегия.

Дальше больше: стоимость владения ИИ не ограничивается только выбором инфраструктуры для модели. По мере роста проекта возникает вопрос масштабирования, и здесь затраты начинают зависеть сразу от нескольких переменных, о которых вы узнаете ниже.

Типичный путь ИИ-проекта в компании: Пилот (50–200 пользователей) → Подразделение (1 000) → Компания (5 000) → Холдинг (20 000+).

На каждом этапе меняется не только количество пользователей, но и сложность системы, появляются новые требования: сложный аудит действий, кеширование, изолированные доменные зоны данных, разграничение прав доступа; а значит растут и затраты. В такой схеме развития продукта критической точкой становится переход на кратно большее количество пользователей, где без серьезной оптимизации производительности проект рискует потерять экономическую целесообразность.

Четыре фактора масштабирования:

1. Пользователи. Рост числа пользователей создает нагрузку на все компоненты системы. Важно учитывать, что ежегодный прирост аудитории корпоративных систем составляет в среднем 30% и его желательно учитывать при бюджетировании расходов.
2. База знаний. Чем больше пользователей, тем разнообразнее запросы и тем шире должна быть документальная база, что влечет за собой рост объемов хранения, индексирования и время поиска.
3. Сложность запросов. Простые запросы формата «вопрос-ответ» требуют минимальных ресурсов, однако, сложные аналитические запросы, требующие рассуждений и сравнений (подведение итогов продаж, анализ отзывов или сравнение показателей), обходятся в разы дороже. Моделям, предназначенным для решения простых задач необходимо 7 млрд. параметров, а для решения сложных от 70 млрд. и выше.
4. Безопасность и администрирование. Аудит, шифрование, изолированный контур, регуляторная отчетность (152-ФЗ о персональных данных) в совокупности добавляют до 60% к базовой стоимости ИИ-решения.

Проект на базе искусственного интеллекта подчиняется тем же законам, что и очереди в гипермаркетах, мобильные сети или почтовые отделения: низкая активность, средняя и пиковые периоды. Для расчета нагрузки мы используем хорошо проверенную математику систем массового обслуживания.

Ключевые параметры для расчета

При расчете уделите особое внимание пиковым нагрузкам на систему, поскольку рабочий день не равномерен по своей активности:

• Утренний пик – сотрудники получили задачи и активно обращаются к системе
• Вечерний пик – за час до конца рабочего дня срабатывают дедлайны

Пиковая нагрузка в 3–5 раз превышает среднюю. В нашей практике при определении экономики проекта мы используем коэффициент 4x как наиболее характерное значение для корпоративных ИТ-систем.

Рассмотрим пример на 1 000 пользователей при 10 запросах в день, 5 секундах на обработку, 8 часовом рабочем дне и пиковой нагрузке 3х-5х:

RPS (Requests Per Second) — это количество запросов в секунду, которое система способна обработать. Метрика используется для оценки производительности и пропускной способности сервиса под нагрузкой.

• Средний RPS: 0,35 запроса в секунду
• Пиковый RPS: 1,4 запроса в секунду
• Очередь в пиковые моменты: 7 запросов ожидают обработки

Семь запросов в очереди означают существенное время ожидания: 2-3 минуты, которое пользователь не будет ждать, чтобы получить ответ от чат-бота. Если система не справляется, то пользователи уходят и не возвращаются, в это время проект теряет бизнес-ценность.

Три подхода к планированию мощности

1. По средней нагрузке – минимум затрат, но в пиковые часы пользователи будут ждать. Допустимо для внутренних некритичных систем или фоновых задач.
2. По пиковой нагрузке (4x) – система справляется в часы максимальной активности.
3. Рекомендуемая мощность (пик + 30%) – запас на непредвиденный рост и аномальные всплески.

Масштабирование ИИ-решения — это последовательное усложнение системы на каждом этапе роста, требующее учёта всех четырёх факторов, а главное, пиковых нагрузок, превышающих средние показатели: если система рассчитана только на средний трафик, в часы пик пользователи столкнутся с очередями и задержками и просто перестанут пользоваться продуктом, поэтому мощность стоит планировать с запасом, чтобы выдерживать не только предсказуемые всплески, но и аномальный рост при успешном масштабировании.

Ответ требует системного подхода, потому что экономический эффект от ИИ редко сводится к одной цифре.

Эффект от применения ИИ складывается из нескольких категорий:

• Прямая экономия на операционных действиях. Шаблонные задачи, не требующие персонализированного подхода, можно передать ИИ.
• Скорость и качество принятия решений. Например, ускорение обработки заявок снижает отток клиентов, которые не готовы ждать
• Рост выручки. Высвобожденное экспертом время направляется на создание продуктов, сервисов или новых способов взаимодействия с клиентом
• Масштабируемость без линейного роста затрат. У компании снижается необходимость пропорционального роста штата для выполнения рутинных задач

Самый очевидный и легко измеримый эффект — сокращение трудозатрат. Алгоритм берет на себя рутинные операции вроде классификации обращений, ввода данных или проверки документов, высвобождая время сотрудников.

Однако, экономия – это только половина эффекта, ведь ИИ способен увеличивать выручку компании.

Это все денежные эффекты, стратегический – это способность обрабатывать растущие объемы без пропорционального увеличения штата. Представим ситуацию, когда компания логически растет при развитии бизнеса и вместе с этим растет количество обращений. Без автоматизации единственный выход – пропорционально увеличить команду поддержки, а с ИИ этот же рост обрабатывается при минимальном увеличении количества сотрудников.

Важно помнить: экономический эффект реален только тогда, когда его можно изолированно измерить. Если одновременно с внедрением ИИ компания перестроила процессы, сменила поставщика или обновила команду, то выделить вклад именно от ИИ будет крайне сложно.

Также необходимо фиксировать базовые метрики до внедрения, определять целевые показатели заранее и измерять результат через контрольный период. Только так получится увидеть реальные результаты и изменения, а не выдать желаемое за действительно.

После расчета затрат необходимо определить целевые выгоды от внедрения ИИ-решения. Здесь показатели зависят от того, какие цели стоят перед компанией: повышение качества клиентского сервиса, ускорение и улучшение принятия решений, управление рисками и безопасностью, но чаще всего это оптимизация трудозатрат.

Для того, чтобы сформулировать ожидаемые выгоды от внедрения ИИ, определите:

1. На сколько часов должен сократится ручной труд – замерьте время, затрачиваемое на задачу без использования ИИ, и потом сравните с прогнозируемым временем при его внедрении. Важно учитывать не абстрактную экономию, а конкретные операции: сколько минут уходит на обработку одного документа, проверку одной заявки, подготовку одного отчёта.
2. Как ускорятся бизнес-процессы – постройте дорожную карту полного цикла процесса, например, от согласования документа до подписания договора, и определите, какие этапы сократятся. Часто основные задержки возникают не в самой работе, а в ожидании между этапами — ИИ может устранить именно эти проблемные зоны, автоматически маршрутизируя задачи между участниками.
3. Спрогнозируйте финансовые изменения – оцените, как внедрение ИИ повлияет на ключевые метрики: рост конверсии и выручки, снижение стоимости привлечения клиента (CAC), увеличение пожизненной ценности клиента (LTV) и другие показатели.
4. Учитывайте нематериальные эффекты (от роста управленческой гибкости до накопления конкурентного преимущества) – определите значимые для компании нематериальные эффекты, переведите их в косвенные индикаторы и зафиксируйте базовые значения «до» внедрения ИИ. Отслеживайте динамику этих показателей через 6-12 месяцев и представляйте их руководству отдельным блоком, не пытаясь монетизировать напрямую.

Важно привязывать прогноз к конкретным механизмам: например, если ИИ-чатбот обрабатывает заявки в нерабочее время, это напрямую увеличивает количество обработанных лидов и, как следствие, конверсию.4.

Помните про важные показатели, которые трудно просчитать:

• Масштабирование компании без увеличения штата.
• Улучшение пользовательского опыта и рост лояльности в связи с возросшей скоростью обработки заявок.
• Возможность обрабатывать бОльший объем информации без дополнительного найма.
• Возможность быстро реагировать на изменения рынка через предложение услуг, которых нет у конкурентов (например, круглосуточная поддержка).

Рекомендуем вам провести короткий конкурентный анализ о том, кто из игроков рынка в вашей сфере уже внедряет ИИ и в каких процессах. Используйте полученные данные не как метрику для ROI-модели, а как аргумент в пользу скорости принятия решения, ведь чем быстрее и качественнее бизнес реагирует на изменение рынка, тем более устойчивую позицию он занимает.

Когда компания запускает первый пилот на базе искусственного интеллекта, вопрос стоимости отходит на второй план. Гораздо важнее становится проверить гипотезу и увидеть результат, но как только решение доказывает свою пользу и встает задача масштабирования на сотни и тысячи сотрудников, экономика выходит на первый план.

Выявив все показатели по затратам и выгодам, применяйте базовую формулу для вычисления:

Компании систематически допускают ряд ошибок, недооценивая или наоборот переоценивая эффекты и затраты внедрения ИИ:

1. Не учитывается полная стоимость владения моделью — лишь начальные затраты на разработку инструмента. Считайте все расходы, включая инфраструктуру, эксплуатацию, обучение, поддержку и развитие на всём горизонте жизни решения.
2. Неправильный горизонт оценки — AI-проекты часто убыточны в первый год из-за вложений, поэтому делайте расчеты на перспективу в 2-3 года, так как затраты на разработку не повторяются, а выгода накапливается.
3. Нет точки сравнения «до» — фиксируйте базовые показатели работы и бизнес-процессов до начала проекта, чтобы иметь возможность объективно измерить результат после.
4. Завышенные ожидания — результаты пилота экстраполируются на весь бизнес без учёта различий в процессах, уровня цифровой зрелости и готовности сотрудников. Проводите дополнительную оценку при масштабировании и учитывайте различия между подразделениями.
5. Попытка рассчитать единый ROI для всех ИИ-инициатив — генеративный ИИ, интеллектуальный поиск, прогнозная аналитика и AI-агенты создают ценность по-разному, поэтому единая методика оценки приводит к искажённым выводам. Выбирайте метрики и подход к расчёту в зависимости от конкретного сценария применения ИИ.
6. Измерение активности вместо результата — количество запросов к ИИ или пользователей системы не показывает бизнес-эффект. Оценивайте влияние на выручку, производительность, скорость выполнения операций и другие бизнес-метрики.
7. Игнорирование качества результата — рост скорости выполнения задач может сопровождаться увеличением числа ошибок или снижением качества. Учитывайте показатели качества наряду с производительностью.
8. Оценка строится на единственном сценарии — компании закладывают в расчёт только один вариант развития событий, обычно оптимистичный, и не готовы к отклонениям. Стройте минимум три сценария: оптимистичный, реалистичный и пессимистичный, учитывая риски (задержки внедрения, сопротивление сотрудников, недостижение плановых показателей), чтобы понимать диапазон возможных результатов.
9. Расчёт ROI делается один раз и больше не пересматривается — модель, построенная на этапе планирования, воспринимается как окончательная, хотя реальные показатели после внедрения почти всегда отличаются от прогнозных. Возвращайтесь к расчёту после запуска решения и корректируйте модель на основе фактических данных.

Четкий подход к оценке окупаемости инвестиции поможет определить не только наиболее подходящий проект для компании, но и предоставит для него вектор развития.

В прошлой статье «Применение искусственного интеллекта в бизнесе» рассказали о возможностях и ограничениях технологии, которые стоит учитывать перед внедрением, чтобы не переоценить технологию и не потратить бюджет в пустую.

1. Помните о разных видах затрат. Базовые и постоянные эксплуатационные. Некоторые пункты этих расходов часто опускаются или некорректно рассчитываются, что приводит к снижению эффекта от внедрения ИИ-решения.
2. Тщательно стройте архитектуру. До 70% затрат определяются на этапе проектирования. Инвестируйте время в планирование.
3. Масштабирование должно снижать стоимость. Если цена за запрос или за пользователя растет при масштабировании, то пересматривайте архитектуру.
4. Планируйте на пиковую нагрузку. Система, которая отвечает час в пиковое время, бесполезна, ваши пользователи не вернутся и проект потеряет ценность.
5. Собственное оборудование выгоднее в долгосрочной перспективе. Разница с покупкой токенов выходит более чем в три раза на горизонте трех лет функционирования. Однако, на этапе пилота можно приобретать токены для экономии средств и проверки необходимости реализации ИИ-продукта.

Рекомендуем следующий подход:

• Начните с покупки токенов у провайдера для пилотного проекта — это минимизирует начальные вложения;
• Зафиксируйте базовые метрики процессов до внедрения;
• Проведите пилот на 50–200 пользователях и измерьте реальный эффект;
• При подтверждении эффективности переходите на собственную инфраструктуру — это экономически обоснованная стратегия;
• Рассчитывайте ROI на горизонте 2–3 лет, строя оптимистичный, реалистичный и пессимистичный сценарии.

Минимальный набор ролей зависит от стадии проекта:

• На этапе пилота: владелец продукта (понимает бизнес-задачу), аналитик данных (оценивает качество и готовность данных), один инженер для интеграции;
• На этапе масштабирования: ML-инженер, DevOps/MLOps-специалист, специалист по информационной безопасности, технический менеджер проекта;
• На постоянной основе: специалист по мониторингу качества модели и контент-менеджер базы знаний.

Однако, набирать всю команду внутри может быть нецелесообразно, особенно, если ваша компания не специализируется на ИТ-решениях. Для вас будет важно просто сохранить внутри компании экспертизу по бизнес-логике и управлению данными, а техническую реализацию можно передать внешнему подрядчику.

Вопрос информационной безопасности — один из главных барьеров при внедрении ИИ в корпоративной среде. Ключевые меры, которые мы предлагаем:

• Локальное развёртывание модели — данные не покидают периметр компании;
• Разграничение доступа — пользователь получает ответы только на основе документов, к которым у него есть права;
• Анонимизация данных при обучении и тестировании;
• Аудит запросов и ответов — полная запись взаимодействий для контроля и расследований;
• Соответствие 152-ФЗ и отраслевым стандартам.

Сопротивление сотрудников — это одна из главных причин провала ИИ-проектов, которая не имеет отношения к технологиям. Наши рекомендации для предотвращения такой ситуации:

• Вовлекайте будущих пользователей с этапа проектирования. Спрашивайте, что именно в их работе отнимает больше всего времени;
• Позиционируйте ИИ как помощника, а не замену. Важно подчёркивать, что инструмент забирает рутину и высвобождает время для интересных задач, а не несет угрозу для позиции сотрудников;
• Обеспечьте качественный онбординг. Именно первый опыт использования определяет, вернётся ли сотрудник к инструменту;
• Назначьте «амбассадоров» в каждом подразделении — тех людей, которые освоили инструмент первыми и будут помогать коллегам;
• Демонстрируйте быстрые победы. Публикуйте конкретные примеры экономии времени внутри компании.

В прошлой статье мы поделились честным обзором о том, как ИИ влияет на работу сотрудников в компании, и почему вместо повышения эффективности приносит перегруз и отказ. Также расписали подробные советы, как этого избежать бизнесу.