Крупнейший бизнес РФ не хочет много платить за внедрение ИИ: вот почему

Сегодня компании почти перестали спорить о том, нужен ли бизнесу искусственный интеллект, — по данным исследования ГК «КОРУС Консалтинг», только 8% опрошенных пока вообще не используют ИИ. Но когда разговор заходит о деньгах, бизнес ведет себя гораздо осторожнее: 73% компаний направляют на ИИ менее 5% своего IT-бюджета, лишь 5% — более 15%.

За сдержанной стратегией стоит простая логика: многие компании научились запускать пилотные проекты, но пока не могут ответить на более трудный вопрос: какие из них действительно стоит масштабировать.

Методология исследования

В исследовании приняли участие более 80 компаний из различных отраслей экономики, включая промышленность, ретейл, финансы, логистику, IT и нефтегазовый сектор. Среди них — крупнейшие предприятия с годовой выручкой более 10 млрд руб. (37%), большие компании с выручкой от 3 млрд до 10 млрд руб. (19%), бизнес с доходом от 1 млрд до 3 млрд руб. (18%) и компании с доходом до 1 млрд руб. (26%).

Большой ИИ-бюджет чаще встречается в тех компаниях, где технологией уже управляют как отдельным направлением. Так, среди компаний с выделенным ИИ-офисом половина респондентов инвестирует в ИИ от 5 до 15% из всех технологических расходов, еще треть — более 15%. Там же, где ИИ пока остается лишь перспективой, участники нашего исследования вкладывают в это направление не более 5%.

На первый взгляд вывод простой: достаточно утвердить стратегию — и инвестиции начнут расти. Но данные опроса показывают более интересную картину: 86% компаний со стратегией, KPI и регулярной отчетностью тратят на ИИ менее 5% IT-бюджета. Один документ, пусть и хорошо написанный, еще не подразумевает существенного роста инвестиций.

Стратегия начинает работать, когда помогает понять, какие задачи важнее, кто отвечает за результат, по каким показателям сравнивать эффективность проектов и какой пилот пора закрыть. Без этого ИИ обычно финансируют по остаточному принципу — из бюджетов подразделений, которым хочется проверить очередную гипотезу с помощью ИИ-инструментов.

Именно поэтому вопрос не в том, что возникает раньше: большой бюджет или зрелая система управления. На практике эти вещи связаны между собой. Когда ИИ-экспериментов становится много, компании приходится наводить порядок. А когда появляется порядок, руководству проще понять, в какие конкретно проекты имеет смысл вкладывать серьезные деньги.

Почти половина участников исследования (44%) вообще не измеряют эффект от ИИ-технологий. Еще 25% следят за отдельными показателями, но не связывают их с выручкой, прибылью или экономией. Получается, почти семь из десяти компаний пока не могут показать финансовому директору, что изменилось в экономике бизнеса после внедрения ИИ.

Часто бывает, что после запуска пилотного проекта производственные или бизнес-процессы становятся эффективнее, сотрудники довольны, из чего можно сделать вывод, что пилот успешен. Но для технологической команды этого может быть достаточно, а для решения об инвестициях — нет.

Допустим, сотрудник раньше готовил документ два часа, а с ИИ справляется за 20 минут. Это заметное улучшение. Но оно станет финансовым эффектом, только если освободившееся время позволит обрабатывать больше документов, отказаться от части затрат, быстрее получить выручку или снизить издержки. Если ничего из этого не произошло, компания получила удобный инструмент, а не экономию.

Поэтому экономику нужно считать не после пилота, когда уже хочется доказать его успех, а до него. Сколько тот или иной рабочий процесс стоит сейчас? Где возникают издержки? Какой показатель должен измениться? И во что обойдется не демонстрация на ограниченном участке, а работа решения в масштабе компании?

Пока на эти вопросы нет ответа, ИИ-проект конкурирует за бюджет на доверии. В такой конкуренции обычно выигрывают инициативы, чей экономический эффект проще посчитать.

Сам по себе удачный пилот мало говорит о готовности компании к масштабированию ИИ-решений. Пилотный проект можно реализовать на удобном участке, дать команде хорошие данные, вручную разобрать спорные случаи, назначить куратором проекта сильного эксперта, однако если внедрять ИИ в обычные рабочие процессы в масштабе всей компании, то такие условия часто становятся невыполнимыми.

При масштабировании выясняется, что модель нужно встроить в существующие системы, производственные и бизнес-процессы, необходимо договориться о владельце этих процессов, изменить регламент работы сотрудников, настроить контроль качества, организовать безопасность и сопровождение. Только тогда появляется и полная стоимость ИИ-решения, куда входят инфраструктура, лицензии, работа с данными, интеграции, поддержка. Иногда после такого расчета даже привлекательный изначально пилотный проект перестает выглядеть экономически эффективным. Но это нормальный результат, а не провал.

Наше исследование хорошо иллюстрирует этот разрыв. У 45% компаний ИИ пока «живет» в виде отдельных сервисов и облачных экспериментов. Масштабируемую платформу развивают 13% компаний. При этом у 47% нет правил работы с ИИ, еще у 20% они существуют лишь на черновиках или в локальных документах. Регулярно оценивают риски 17% респондентов, а полностью формализовали правила, аудит и отчетность только 3%.

С отбором инициатив похожая ситуация. У 44% компаний они возникают хаотично, у 30% решения принимаются на уровне отдельных функций. И только 5% управляют ИИ-проектами как инвестиционным портфелем — сравнивают ожидаемую отдачу и риски. Если этого механизма нет, дополнительный бюджет легко превращается не в больший эффект, а в большее число пилотов.

В нашей выборке нефтегазовые компании заметно дальше продвинулись от отдельных экспериментов к системному управлению ИИ: 67% респондентов из нефтегазовой отрасли уже выделили работу с ИИ в отдельную структуру, у остальных уже есть цели, инициативы, назначены ответственные. В финансовой сфере 29% респондентов заявили о выделенном ИИ-офисе, еще 29% — о существующих ИИ-стратегии и KPI, а 28% — о наличии ИИ-инициатив и ответственных за эти инициативы лиц. В промышленности же 64% предприятий пока рассматривают технологию как перспективу без конкретных целей и бюджета, 82% ограничиваются отдельными экспериментами, при этом 66% опрошенных не измеряют эффект.

Этот контраст вполне объясним. У нефтегазовых компаний и финансового сектора (банки, инвестиционные и страховые компании) большой опыт автоматизации рабочих процессов, большие массивы данных, сильные IT-команды и высокая цена повторяющихся типовых операций. Даже небольшое улучшение на большом объеме способно дать заметный экономический результат.

У промышленности другая экономика внедрения ИИ. ИИ-проекты конкурируют с IT-проектами по импортозамещению, модернизации критичных систем, управлением себестоимостью и другими направлениями, где отдача более понятна. Как правило, у многих промышленных компаний данные разрозненны и не интегрированы (что уже сильно снижает качество работы любого ИИ-инструмента), а экономический эффект зависит не только от ИИ-модели, но и от сырья, оборудования, загрузки производства и действий людей. Здесь труднее доказать эффект заранее, и ошибка при масштабировании обходится намного дороже.

При этом, исходя из нашей проектной практики, отрасль сама по себе ничего не предопределяет — ИИ-проекты вполне могут быть успешными с точки зрения экономики и в промышленной сфере, и в АПК, и в других отраслях. Гораздо важнее, насколько конкретный сценарий повторяем, встроен в рабочие процессы, обеспечен данными и можно ли объяснить его экономику без длинной цепочки допущений.

В ближайшие один-два года компании чаще всего планируют развивать ИИ в рамках IT-направления (об этом сказали 59% участников исследования) и в продажах с маркетингом — так ответили 58%. Далее идут документооборот, аналитика и единая корпоративная ИИ-среда.

Такой выбор выглядит рационально. Бизнес начинает не с тотальной перестройки компании, а с процессов, где проще получить данные, встроить новый инструмент в ежедневную работу и можно достаточно быстро проверить результат. Поэтому крупные бюджеты, скорее всего, первыми получат не самые эффектные сценарии, а те, для которых легче пройти путь от работающей модели до понятной экономики.

В исследовании мы не просили респондентов формулировать условия для роста инвестиций. Но их ответы и наша проектная практика позволяют назвать пять признаков того, что компания готова вкладывать в ИИ больше.

У компании должно быть несколько сценариев, где ожидаемый результат оценен относительно текущего состояния. Не впечатление пользователей и не красивая презентация, а конкретная оценка — например экономия времени, улучшение качества продукции, снижение объемов ручного труда или сокращение числа ошибок.

Результат необходимо измерять в деньгах. Руководство должно понимать, как улучшение с помощью ИИ-показателя повлияет на затраты, выручку, оборотный капитал или риск потерь.

ИИ-проекты нужно сравнивать между собой. Если каждый пилот «живет» внутри своего подразделения, компания не видит общей картины и не умеет вовремя останавливать слабые инициативы.

У решения должны быть владелец, место в конкретном бизнес-процессе и план внедрения в повседневные рабочие процессы. Без этого пилот так и останется дополнительным инструментом для нескольких энтузиастов.

Компания должна понимать полную стоимость масштабирования ИИ-технологий. К цене пилота добавится стоимость инфраструктуры, интеграции, подготовки данных, сопровождения и обеспечения безопасности.

Пилот отвечает на вопрос «Может ли ИИ-технология решить задачу?». Инвестиционный кейс — на вопрос «Стоит ли полученный результат всех затрат на внедрение ИИ и дальнейшую работу?».

Большинство компаний сегодня пока не готово ответить на второй вопрос. Поэтому следующий рост ИИ-бюджетов начнется не с появления очередной более совершенной модели. Он начнется, когда бизнес станет заранее понимать, какой результат покупает и сколько этот результат будет стоить в масштабе всей компании. Именно тогда ИИ-проекты перестанут быть экспериментом и станут обычным инвестиционным решением.