Скрытая цена ИИ-решения: что учесть при расчёте окупаемости

Часто слышу вопрос: как посчитать окупаемость ИИ-решения на базе LLM?

Давайте разбираться.

Готовый расчёт окупаемости поставщик не покажет: кроме его цены, все числа в нём ваши. Как подойти к построению модели расчёта и что в ней учесть?

Начинать стоит с рисков. От того, какие ошибки недопустимы, зависит, где и насколько строго придётся проверять результат. А проверка часто становится главной статьёй затрат.

1. Запишите недопустимое. Заранее определите для процесса, какие последствия ошибки компания не примет ни за какую экономию. Список утверждает владелец процесса. От инструмента он не зависит: он одинаков для любого ИИ и для человека.

2. Найдите место проверки и замерьте её цену. Где такую ошибку можно поймать до того, как её последствия станут необратимыми? Проверка должна быть независимой от ИИ и опираться на внешние факты, а не на его выводы. Сколько стоит такая проверка на один случай, замерьте на выборке: в ваших системах этого числа, скорее всего, нет. Часто проверка съедает ровно то время, которое обещал поставщик.

3. Если поймать ошибку нечем, меняйте распределение операций между исполнителями — человеком, ИИ и программным кодом. Цель — чтобы критичный факт приходил к ИИ уже подтверждённым. Если и это невозможно, откажитесь от ИИ.

4. Заложите затраты на сохранение навыков у проверяющих. Человек, который каждый день видит подсказки ИИ, со временем проверяет хуже. Навык приходится поддерживать намеренно, и это время людей. Без этого качество проверки со временем деградируют.

5. Считайте затраты и эффект целиком. Затраты — это не только цена поставщика. Это ещё время людей на проверку и исправления, потери от пропущенных ошибок, интеграция и обучение, а также цена сохранить возможность вернуться к работе без ИИ. Эффект — не только экономия на текущей работе, но и новые результаты, до которых раньше не дотягивались.

Окупается решение, которое приносит больше, чем стоит проверка работы ИИ.