Если вы прямо сейчас думаете, внедрять ли вам ИИ, сначала ответьте себе: вы уже посчитали ROI?
Привет! Меня зовут Дима Юдин, технический лидер по развитию искусственного интеллект в Cloud.ru.
Сейчас все компании будто разделились на два лагеря. Одни уже внедрили ИИ и теперь рассказывают о том, сколько на этом заработали. Вторые смотрят на первых и крутят пальцем у виска. Завидуют?
Я не хочу быть ни в первом, ни во втором лагере. Давайте лучше поговорим о том, что действительно может быть важно для бизнеса:
Как выбрать ИИ-инструмент именно под вашу задачу?
Как посчитать реальный эффект и не слить бюджет?
Как понять, нужен ли ИИ конкретно вам?
Опираюсь не на ощущения, а на три столпа информации:
Ситуация на рынке
Российский рынок генеративного ИИ по итогам 2025 года вырос до 58 млрд рублей, а к 2030 году может дорасти и до 778 млрд.
Показательный индикатор — наши собственные цифры. Выручка Cloud.ru по итогам 2025 года выросла на 50%, это 76,5 млрд рублей. И больше половины, 41 млрд — пришлось именно на ИИ-направление. В 2026 году мы ожидаем, что до 90% выручки ИИ-сегмента принесут облачные решения.
Генеративный ИИ хотя бы в одной функции уже используют 71% крупных российских компаний. В мире картина такая же: 96% компаний планируют расширять использование ИИ-агентов в ближайшие 12 месяцев.
Есть и другие цифры: внедрять-то внедряют, но стратегия есть только у 26% российских компаний. Остальные аккуратно экспериментируют или просто надеются на чудо, лишь бы не отставать от конкурентов.
Вместе с ростом рынка выросла и цена ошибки. Gartner прогнозирует, что больше 40% проектов с ИИ-агентами могут закрыться к концу 2027 года — потому что дорого, рискованно и непонятно, зачем это вообще надо.
В общем, страшно. Поэтому если вам нужен ИИ, предлагаю для начала понять, какой именно. Чтобы не устроить в компании еще больший бардак.
Ах, как хочется ворваться в ИИ
Главное правило — подбирать инструмент под сложность задачи: если брать агента для генерации рассылок или дайджестов, то выйдет дорого, долго и бессмысленно. А ИИ-помощника не хватит для сложного пайплайна под код-ревью.
Поэтому ниже описал типы инструментов, а также сложность интеграции и задачи, которые они могут закрыть.
Генеративный ИИ и ассистенты
Относительно простые инструменты, которые работают с текстом, графикой, неструктурированной информацией и т.д. Это быстрый способ автоматизировать рутину без глубокой перестройки процессов.
Пример: готовые сервисы вроде Gamma для создания презентаций, ChatGPT или сберовский ГигаЧат — подключайся и работай. Ну и цена вопроса для старта щадящая — в районе 10–20 долларов за простые сервисы.
Типовые задачи
Написать письмо, сделать презентацию или сгенерировать текст.
Найти нужную информацию в документах.
Собрать постмит или протокол встречи.
Закрыть первую линию общения с клиентом.
Разобрать входящие заявки и вытащить из них главное.
Основные зоны
Маркетинг, продажи, поддержка, внутренняя коммуникация, работа с документами, разработка продуктов.
Кейсы
Можно отдать ИИ рутинную задачу — составлять постмиты после рабочих звонков. Чтобы не потерялись требования, ТЗ, обещания и дедлайны. У нас как раз есть статья про то, как это делается через SaluteJazz и бесплатную LLM GPT-4.1 mini или gpt-oss-120b, если нужен закрытый контур.
ВкусВилл, например, уже использует генеративные инструменты в продакшене рекламы. Александр Абрамов, глава отдела ИИ, рассказал на конференции GoCloud 2026, что 3–7% от общего операционного бюджета рекламы уходит именно на генеративный ИИ. В планах и дальше оптимизировать и удешевлять производство контента.
Еще один кейс с конфы: Navio разрабатывает беспилотные автомобили. И чтобы получить датасет с лобовыми столкновениями, который физически невозможно собрать в реальности, используют генеративный ИИ.
Классический ML и компьютерное зрение
Тут уже средняя сложность: есть готовые инструменты вроде Yandex Vision и Ultralytics, или промежуточные платформы по типу AI Factory, где можно быстро поднять архитектуру для своего проекта с CNN-моделями. Эти инструменты подходят для работы с цифрами, событиями и операциями — они считают, прогнозируют, сравнивают и находят закономерности.
Типовые задачи
Прогнозирование спроса и закупок.
Скоринг и оценка рисков.
Рекомендательные системы.
Контроль качества и брака.
Предиктивная аналитика: поломки, реакция клиентов, загрузка точек.
Основные зоны
Ритейл, e-commerce, промышленность, логистика, финансы, страхование.
Кейсы
Есть кейс из фудтеха: в Dodo Brands запустили ML-систему контроля качества через компьютерное зрение — алгоритм анализирует фото заказов от гостей и проверяет равномерность начинки, нарезки и покрытия соуса. Система в связке с небольшой командой из шести сотрудников обрабатывает до 10 000 отчетов в неделю.
Отдельно в пиццериях работает модуль прогнозирования спроса на ингредиенты по каждой точке — он предотвращает стопы и сократил недополученную выручку на 40 миллионов рублей в год по всей сети.
Окупается такая интеграция примерно за 6–9 месяцев, и применить ее можно много где: контроль банкоматов, логистика и проверка груза, фиксация брака на производстве.
ИИ-агенты
Самая сложная категория, так как готовые решения могут не подойти, если нужна безопасная мультиагентная система. Строить ее придется с нуля, силами своей команды или подрядчиков. Либо почти с нуля, если создавать и разворачивать агентов в готовом сервисе.
Типовые задачи
Обработка заявок и операций end-to-end.
Антифрод и работа с подозрительными сценариями.
Автоматизация бэк-офиса.
Помощь в разработке, код ревью.
Выполнение цепочек действий в бизнес-системах — CRM, ERP и т.д.
Основные зоны
Финтех, телеком, разработка, сложные бизнес-процессы.
Кейсы
Сложные системы в основном реализует бигтех.
Пара свежих кейсов с конференции. Т-Банк запустил ИИ-воркеров — агентов, которые работают напрямую в интерфейсе поддержки. Артем Бондарь, руководитель центра ИИ Т-Банка, сказал, что эти воркеры уже сейчас заменяют сотни людей. Поэтому назвали его тоже по-человечески — Афанасий Иванов (от AI).
ВкусВилл еще в декабре открыл собственный MCP: с помощью него энтузиасты могут делать внешних агентов для покупок. Параллельно компания запустила агента Георгия для работы с GEO (Generative Engine Optimization), чтобы выстроить новый канал продаж через агентов и нейровыдачу.
Что нужно компании, чтобы ИИ заработал
Решение может быть верным, но внедрение все равно провалится. Причина — неготовность самой компании к трансформации.
Поэтому перед тем, как считать деньги, важно понять, на каком этапе зрелости вы находитесь. Коллеги в исследовании сформулировали пять уровней.
Уровень 1. Начальный
Все начинается с одного-двух горящих сотрудников, которые по вечерам копаются в моделях, изучают бенчи и мониторят новости про ИИ. Есть энтузиазм и любопытство, но нет стратегии, бюджета и ответственных. Компания еще боится и любой сбой воспринимает как подтверждение, что это все фигня и хайп.
Уровень 2. Повторяемый
Уже есть рабочие кейсы. Появляются выделенные люди (часто 1–2 специалиста), которые начинают подключать модели через API. Появляется первый интерес со стороны бизнеса, но процесс все еще держится на энтузиазме и точечных успехах.
Уровень 3. Определенный
Здесь происходит важный переход. Появляются внутренние стандарты использования, небольшой центр компетенций или хотя бы постоянные ответственные специалисты. Сотрудников начинают обучать, заводят базовый мониторинг, создают первые дорожные карты. ИИ перестает быть прикольной игрушкой и постепенно встраивается в ежедневную работу нескольких отделов.
Уровень 4. Управляемый
Это уже взрослый уровень. Есть четкие KPI, процесс управления рисками, логирование действий агентов, gating (проверка перед запуском в прод) и регулярный аудит. Лучшие практики тиражируются по всей компании, а не остаются в одном подразделении. ИИ работает стабильно и постоянно контролируется.
Уровень 5. Оптимизируемый
На этом этапе ИИ уже не просто инструмент, а часть ДНК бизнеса. Агенты глубоко встроены в процессы, многие операции идут автономно, системы адаптируются и самообучаются. Технология начинает напрямую влиять на стратегию компании и появление новых бизнес-моделей.
Большинство российских компаний сейчас находятся между первой и третьей ступенькой. И это не проблема. Проблема там, где компания с первого уровня пытается сразу прыгнуть на пятый — вот тут реально leap of faith.
Чтобы шагать вверх, а не стоять на месте, компания должна опираться на четыре фундаментальные опоры.
Качественные данные
Если информация живет то тут, то там, в экселях и устных договоренностях — ИИ-решения не помогут.
Правило: чем чище, полнее и лучше структурированы данные, тем легче и эффективнее проходит внедрение.
Готовность к автоматизации
Если процесс хаотичный и не понятен даже человеку — ИИ-инструмент с ним тем более не справится. Автоматизировать бардак — самый быстрый способ потратить деньги впустую.
Правило: сначала наводим порядок в процессах, потом внедряем ИИ.
Люди и экспертиза
На рынке остро не хватает специалистов, которые умеют внедрять сложные ИИ-инструменты. Одних хардов не хватает, нужно уметь управлять бизнес-процессами. Потому что менеджерить агента = руководить виртуальным сотрудником.
Бигтех активно наращивает этот ресурс. Александр Абрамов из ВкусВилла рассказал, что они поменяли сам найм: теперь тестовые задания такие, что без ИИ их просто не сделать.
В Т-Банке такая же история. В итоге сейчас 90% сотрудников компании регулярно используют ИИ-инструменты, в том числе чтобы писать существенную часть кода. По словам Артема Бондаря люди почувствовали, что если не адаптируются, то не смогут сохранить свою должность. Поэтому цифровизация проходит очень быстро.
Правило: агент без руководителя менее эффективен и более непредсказуем.
Инфраструктура
При росте масштаба потребность в мощностях тоже растет. Важно решить сразу: идти в облако или строить свой контур.
Правило: облако отлично подходит для быстрых пилотов и небольшого бизнеса. Своя инфраструктура выгоднее крупным компаниям с ограничениями по ИБ и долгим планированием.
Логика здесь простая: пиковые нагрузки на GPU приходятся на этап обучения модели, а потом сменяются периодом, когда потребление сильно ниже. Поэтому держать дорогое железо ради пиков — экономически не очень. А облачные решения поддерживают полный цикл — от разработки и обучения до инференса. Бизнес в это время думает про свою задачу, а не про то, как бы все это хозяйство не упало.
Считаем ROI и не только
Большинство ИИ-инициатив в компаниях заканчиваются одинаково: запустили пилот, получили «вау-эффект», но долгосрочного результата нет.
Причина почти всегда одна — не договорились заранее, что именно считать успехом и как это измерять в деньгах.
Пять шагов, чтобы этого не случилось.
Шаг 1. Считаем реальную стоимость проекта
Реальная цена ИИ складывается из трех частей:
оборудование и платформа (CAPEX): серверы, GPU, разработка системы, интеграция, безопасность;
ежедневная эксплуатация (OPEX): облака, поддержка, дообучение моделей, зарплаты команды;
скрытые расходы (самый неприятный сюрприз): сбор и очистка данных, работа с устаревшими системами, перестройка процессов, постоянные доработки.
Дмитрий Бубнов, генеральный директор ENBISYS:
«Самая дорогая и самая важная часть любого внедрения — это работа с данными. На их сбор, очистку и интеграцию уходит до 90% стоимости и успеха проекта. Если данные грязные — вся модель оказывается бесполезной».
У корпораций внедрение ИИ может стоить очень дорого. Пара примеров: в МТС инвестиции в пилотные проекты стоят от €500 тысяч, а на Мосбирже капитальные затраты на ИИ-агентов — более €2 млн.
Но тут надо понимать, что масштаб бюджета зависит от масштаба бизнеса. В исследовании мы посчитали, что затраты на внедрение ИИ-агентов в среднем бизнесе составляют 30–60 млн рублей, в малом — 5–15 млн рублей. Уже не так страшно.
Шаг 2. Выбираем правильные метрики
Не нужно собирать все возможные метрики. Достаточно ответить на четыре ключевых вопроса:
1. Что именно улучшится? (KPI)
Определяем успех в конкретных, измеримых цифрах еще до старта проекта.
Примеры для ИИ:
сократить время обработки одной заявки с 4 часов до 40 минут,
снизить долю ошибок в документах с 12% до 3%,
увеличить количество обработанных документов в день на 150%.
Без четких KPI не понять, работает проект или нет.
2. Выгодно ли это? (ROI — Return on Investment)
Основная метрика, которая показывает, приносит проект прибыль или убыток.
Формула:
Важно:
Если ROI > 0% и выше вашего порога (например, 20–30%), проект считается выгодным. Есть мнение из «зала»: Александр Абрамов (ВкусВилл) называл ROI в 125–150% необходимым и достаточным ориентиром для ИИ-проектов.
На практике посчитать ROI честно и правильно получается не у всех — и дело не в формуле. Только треть компаний выделяет под ИИ отдельный бюджет на инновации, остальные финансируют проекты через операционку или спецфонды. Когда деньги размыты по статьям, базу для расчета ROI просто не из чего собрать. Поэтому главное правило — фиксировать, сколько стоит процесс до внедрения, еще до старта проекта. Иначе потом будет нечего считать.
Иногда ROI в деньгах — неподходящая метрика. Если проект дает качественный скачок в точности прогнозов или скорости принятия решений — это долгосрочное конкурентное преимущество, которое на горизонте двух лет сложно будет посчитать.
3. Когда вернутся деньги? (Payback Period — срок окупаемости)
Показывает, за сколько времени проект отобьет вложенные средства.
Формула (при равномерных денежных потоках):
Если денежные потоки различаются по годам, надо использовать кумулятивный метод: сложить потоки год за годом, пока они не покроют первоначальные вложения, а затем добавить дробную часть последнего года.
Важно:
быстрая автоматизация рутины — до 12 месяцев,
средний проект — 1–2 года,
крупная инфраструктура и платформы — 5–7 лет.
Чем короче срок окупаемости, тем ниже риск. Сложные контуры с собственной инфраструктурой живут на горизонте 3–5 лет — и в этом случае недостаточно смотреть только на срок окупаемости, нужно считать NPV.
4. Стоит ли игра свеч в долгосрочной перспективе? (TCO и NPV)
TCO (Total Cost of Ownership — общая стоимость владения)
Тут не даю формулу в строгом смысле, скорее примерный расчет:
Где:
начальные инвестиции — оборудование, разработка, интеграция, первичная работа с данными (CAPEX + скрытые затраты),
операционные затраты — ежегодные расходы на облако, поддержку, дообучение моделей, команду, энергию и т.д.,
n — горизонт планирования (например, 5 лет),
остаточная стоимость — то, что можно вернуть в конце (часто близка к нулю для ИИ-проектов).
Важно:
включаем закупку оборудования, данные, интеграцию, поддержку, дообучение моделей, зарплаты команды, возможные миграции и т.д. TCO помогает понять реальную цену проекта через 3–5 лет.
NPV (Net Present Value — чистая приведенная стоимость)
Учитывает временную стоимость денег и идеально подходит для долгосрочных ИИ-проектов.
Формула:
Где:
Pt — чистый денежный поток в периоде t,
i — ставка дисконтирования (обычно равна стоимости капитала компании, например 12–18%),
n — количество периодов (лет),
IC — первоначальные инвестиции (Initial Capital).
Важно:
если NPV > 0 — проект добавляет стоимость компании. Если NPV < 0 — лучше отказаться от внедрения.
Некоторые опрошенные нами представители бигтеха считают, что именно NPV помогает правильно оценивать долгосрочные ИИ-проекты. Но до реального расчета доходят немногие. И это плохо, так как масштабирование без NPV — плохая идея. Пример: компания расширяет пилот, не посчитав долгосрочный эффект, и через год обнаруживает, что система обходится дороже, а пользы меньше, чем планировали.
Шаг 3. Разделяем эффект на прямой и косвенный
Чтобы оценка была честной, разделяем эффект на два уровня.
Прямой эффект — то, что легко и быстро переводится в реальные деньги:
сокращение затрат на персонал,
снижение брака, ошибок и списаний,
ускорение процессов и операций,
рост количества обработанных заявок или документов,
прямое увеличение выручки.
Эти показатели можно посчитать в рублях уже через несколько месяцев после запуска.
Косвенный эффект — то, что сложнее оцифровать, часто дает даже большую долгосрочную ценность:
улучшение качества управленческих решений,
снижение операционных и репутационных рисков,
освобождение сотрудников для творческих и стратегических задач,
более быстрая реакция компании на изменения рынка.
Косвенный эффект нельзя игнорировать. Именно он часто становится основой конкурентного преимущества через 1–2 года.
Когда станет видно первый эффект — тоже зависит от вводных: в том числе от типа задач и проекта. Специалисты из EVA делятся статистикой своего продукта: там, где много рутины и входящего потока, первый эффект виден уже в первый месяц.
Шаг 4. Определяем тип своего проекта
Не все ИИ-проекты одинаковые — от класса инструментов, которые обсуждали выше, зависит и скорость окупаемости, и сложность расчета ROI.
Генеративный ИИ дает быстрые и заметные результаты. Видимый эффект появляется относительно быстро, проект проще «продать» внутри компании, расчет ROI выглядит наглядно.
ИИ-агенты очень эффективны и дают большой выхлоп, но и считать ROI сложнее: внедрение дольше, рисков больше. Первый эффект может быть очень заметным, но только если в компании налажены процессы, подготовлены данные и понятны зоны ответственности.
Классическое машинное обучение и компьютерное зрение требует больших объемов качественных данных, более длительной подготовки и интеграции. Срок внедрения длиннее, риски выше, а ROI считается сложнее.
Галя, у нас отмена внедрения ИИ
На самом деле не каждую задачу нужно пытаться автоматизировать. Есть ситуации, где ИИ либо бесполезен, либо слишком опасен. Либо внедрение обойдется дороже, чем возможная польза.
Технические ограничения
Даже в 2026 году у ИИ остаются серьезные проблемы:
он до сих пор галлюцинирует — может уверенно врать и выдавать это за истину;
нестабильное поведение: один и тот же запрос сегодня и завтра может дать разный результат;
непрозрачность. Часто невозможно понять, почему модель приняла именно такое решение. Даже если доступен трейсинг, этого мало;
интеграция с легаси-системами превращается в ночной кошмар.
Если ваша задача требует почти стопроцентной точности и полной прозрачности — текущий ИИ вам пока не помощник и даже не агент.
Павел Павленко, руководитель по развитию генеративного ИИ в АФЛТ-Системс (дочка Аэрофлота), рассказал на конференции, что компания внедряет генеративный ИИ только в офисные функции, разработку и поддержку — но не в критичный контур. Причина простая: в авиации приоритет номер один — безопасность полетов, и поскольку ИИ пока что недетерминированная технология, цена ошибки слишком высока.
Киберриски
С ИИ-агентами и чат-ботами проблема простая: чем больше у них доступов, тем больше рисков.
Prompt injection. Злоумышленник через обычный текст подсовывает модели вредную инструкцию и сбивает ее поведение.
Подмена входных данных. Агент принимает ложную или специально искаженную информацию и действует на ее основе.
Утечка данных. Модель может выдать чувствительную информацию из переписки, документов, базы знаний или внутреннего контекста.
Злоупотребление правами доступа. Если агент подключен к почте, CRM, файловому хранилищу или API, атакующий может использовать эти доступы в своих целях.
Компрометация через интеграции. Чем больше внешних и внутренних систем подключено, тем шире поверхность атаки.
Инцидентов уже накопилось достаточно. Но и решения тоже есть. Например, Guardrails Filter, который перехватывает промпт до того, как он уходит в модель, вырезает оттуда все чувствительное, персональные данные, ключи, реквизиты, а в LLM отдает уже чистый запрос. Пользователь получает нормальный ответ, а данные наружу не утекают. Работает и в облаке, и on-premise, и гибридно.
Организационные проблемы
Очень часто проект сливается не из-за технологии, а из-за людей. Например, команда в открытую сопротивляется внедрению, потому что не понимает бизнес-задачу.
Живой кейс с конференции: в команде Антона Фомина (CDO в Navio) один из разработчиков активно саботировал процесс. На встрече выяснилось, что он просто боялся потерять профессию. Решали аккуратно, через объяснение, что ИИ — это помощник, а не замена.
Другой вариант: в компании нет ни одного человека, который по-настоящему понимает, как это все работает. И тогда остальным неясно, кто будет контролировать агента или помощника в ежедневной работе. И к кому бежать, если все сломалось.
Законодательные ограничения
Есть отрасли, где ИИ-решения сразу попадают под жесткий прессинг:
Медицина — ИИ автоматически считается высокорисковой системой, сертификация тяжелая и дорогая. Регуляторы пока допускают агентов только в ассистирующем режиме — принимать финальные решения машина не вправе.
Банки — ЦБ требует объяснимости моделей и очень строго относится к персональным данным. Ошибка в разработке ИИ-агента может привести к отзыву лицензии.
Телеком — нельзя просто так работать с реальными данными абонентов, приходится использовать синтетические данные, которые могут давать посредственный результат.
Госструктуры и КИИ — здесь цена утечки запредельная, плюс жесткие требования к объяснимости и импортозамещению. Но это не тупиковый кейс: сертифицированный стек уже есть в России и помогает работать в этом периметре.
Коллеги из ENBISYS по опыту назвали медицину самой сложной областью: разработали софт с нейросетью для диагностики диабетической ретинопатии и столкнулись с горой бюрократии и ограничений.
Чек-лист для тех, кто хочет (?) внедрить ИИ
Так и не определились? Простая самопроверка — семь вопросов, которые помогут разобраться.
Сможем ли мы за 30 секунд объяснить решение модели аудитору или регулятору?
Есть ли у проекта реальный владелец и человек, который будет его контролировать каждый день?
Данные действительно готовы по качеству и объему?
Бизнес может четко объяснить, какую задачу мы решаем и как измерим результат?
Есть ли внутри компании хоть какая-то экспертиза или возможность/готовность ее быстро нарастить?
Какова реальная цена одной серьезной ошибки системы?
Готовы ли мы к тому, что стоимость может вырасти или появится сильная зависимость от поставщика?
Если большинство ответов отрицательные — откладываем проект, даже если уже 15 минут ничего не внедряли. Еще успеете.
Все хотят ИИ, а вы? Делитесь мнением, успехами и хейтом.
