Сколько бизнес реально получает от внедрения ИИ: затраты, отдача и рост эффективности

Трещина между расходами и отдачей

В 2026 году мировые расходы на искусственный интеллект, по оценке Gartner, достигнут 2,52 триллиона долларов — рост на 44% год к году. Федеральный резерв Атланты в мае 2026 года опубликовал данные, согласно которым средние расходы американских компаний на AI составили 1 358 долларов на одного сотрудника в 2025 году, а в 2026 году ожидаются 2 068 долларов. Всего — 280 миллиардов.

Одновременно MIT Media Lab в августе 2025 года сообщил, что 95% корпоративных пилотов GenAI не показали измеримого влияния на P&L. PwC в опросе 4 454 CEO зафиксировал: только 12% руководителей утверждают, что AI принёс одновременно снижение затрат и рост выручки. 56% — не видят значимого финансового эффекта. McKinsey и BCG сходятся: 88% организаций используют AI как минимум в одной функции, но реальную конечную ценность извлекает 5–12%.

Между этими цифрами — трещина. И она не противоречие. Тремя разными измерениями фиксируется одно и то же явление:

80% сотрудников сообщают, что AI повысил их индивидуальную производительность (McKinsey, survey evidence);
95% пилотов не дали измеримого P&L-эффекта (MIT, production evidence);
5% компаний извлекают реальную конечную ценность (BCG, survey evidence).

Все три утверждения истинны одновременно. Чтобы понять почему, нужно посмотреть, что происходит между «сотрудник стал быстрее» и «цифра в P&L изменилась».

Цель статьи — не доказать, что AI выгоден. Если данные показывают слабый ROI, провал проектов или отрицательный эффект — это тоже данные.

От продуктивности к P&L: цепочка, где эффект теряется

Ключевая модель — цепочка преобразования локального продуктивного эффекта в финансовый результат компании:

Эффект может теряться на каждом переходе.

Индивидуальная продуктивность. Сотрудник делает задачу быстрее. Это подтверждено RCT: Brynjolfsson (5 179 операторов поддержки, +14% в среднем), METR (16 опытных разработчиков, −19% — в данном случае эффект отрицательный), JAMA (AI-скрибенты для врачей, умеренное сокращение времени на документацию).

Продуктивность процесса. Высвобожденное время не автоматически превращается в дополнительную полезную работу. Возможные сценарии: сотрудник перераспределяет время на существующие задачи (load smoothing), не использует его для дополнительной работы, или использует на рутинные действия, которые не создают ценности. Даже если throughput процесса вырос, он может упирается в другие bottleneck: очередь заявок, узкое место в смежном процессе, ограниченность спроса.

Численность персонала / Выручка / Затраты. Увеличение продуктивности не автоматически означает сокращение численности персонала. Компания может не сокращать штат, а перенаправлять высвобожденные ресурсы на новые задачи. Выручка может не расти, если рынок насыщен или продукт не улучшен. Затраты могут не снижаться, если AI не заменяет дорогой ресурс, а дополняет его.

Доходы и расходы (P&L). Даже при сокращении численности экономия может быть поглощена другими расходами: инфраструктура AI, обучение, QA, интеграция. Даже при росте выручки маржа может не измениться, если AI-затраты выросли пропорционально.

Именно на этой цепочке теряется эффект. 80% сотрудников чувствуют рост продуктивности (первое звено работает). Но 95% пилотов не дают P&L-эффекта (последние звенья не работают). Разница — в промежуточных переходах.

Это не ошибка измерения. Это системная проблема: индивидуальная продуктивность ≠ финансовый результат.

Сколько AI стоит?

Макроуровень

Gartner оценивает мировые расходы на AI в 2,52 триллиона долларов к 2026 году. Stanford HAI зафиксировал 252,3 миллиарда частных инвестиций в AI в 2024 году. Atlanta Fed: 1 358 долларов на сотрудника в 2025, ожидаемые 2 068 в 2026. 78% американских компаний уже используют AI.

Выручка AI-компаний даёт верхнюю границу рынка: OpenAI, по оценкам (не подтверждённым публичными отчётами), достиг ~20 миллиардов ARR в конце 2025 года; Anthropic — ~8 миллиардов, преимущественно корпоративный-сегмент.

Важно различать три слоя расходов:

Лицензии на AI-инструменты (Copilot, ChatGPT, Claude) — видимая часть бюджета IT
Инфраструктура (GPU, cloud, inference) — часто амортизируется в общую IT-стоимость
Внедрение и изменение процессов — самая дорогая часть, но часто не учитывается в «AI бюджетах»

Menlo Ventures: 76% вариантов использования AI покупаются, а не разрабатываются. Основная часть расходов — на SaaS-лицензии и интеграцию.

На одного сотрудника: постоянные или переменные затраты

Затраты на AI нужно разделять на две категории, потому что они ведут себя по-разному при масштабировании:

Постоянные затраты (однократные, не зависят от числа пользователей):

Интеграция с CRM/EHR/ERP: 10 000–200 000 $
Инженерия и подготовка данных: 5 000–100 000 $
Изменения рабочего процесса: 5 000–50 000 $
Кастомизация модели / fine-tuning: 0–50 000 $
Безопасность / соответсвтие: 5 000–30 000 $
Начальное развертывание и пилот: 5 000–50 000 $

Переменные затраты (ежегодные, на каждого пользователя):

SaaS лицензия: 200–1 200 $/год
Inference (вызовы API, вычисления): 0–500 $/год
Обучение (initial + recurring): 500–2 000 $/год
Поддержка и сопровождение: 0–500 $/год
QA / контроль AI-результатов: 10–30% времени высококлассного специалиста

Модель расчёта:

«` AI затраты на сотрудника = Переменные затраты на сотрудника

(Fixed Project Cost / Number of Covered Employees)
(Initial Fixed Cost / Useful Life) [amortized]

«`

Критически: совокупные затраты 50 000–200 000 $ не являются стоимостью «на одного сотрудника». Это стоимость проекта, который распределяется на всех сотрудников, использующих AI. Для 50 сотрудников: 1 000–4 000 $/год на каждого. Для 500: 100–400 $.

Типовые диапазоны (модельная оценка, не статистика):

Сценарий	Постоянные затраты	Переменные затраты/сотрудник	Итого на 50 сотр./год
SaaS (Copilot/ChatGPT)	5 000–20 000	200–1 200	6 000–80 000
Корпоративная интеграция	50 000–200 000	500–2 000	175 000–900 000
Глубокая перестройка	200 000–500 000	1 000–5 000	850 000–750 000
AI-native	500 000–2 000 000+	5 000–20 000	2 750 000–10 000 000+

Структура затрат внутри проекта (McKinsey, BCG, Deloitte):

Подготовка данных и data engineering: 40–60%
Разработка и интеграция модели: 15–25%
Инфраструктура (GPU, cloud): 10–20%
Обучение и change management: 5–15%
Поддержка и обслуживание: 5–15%

60–70% времени AI-проекта уходит на подготовку данных. Основная часть затрат — не «магия», а рутинная инженерная работа.

4. Сколько AI возвращается: что показывают контролируемые исследования?

4.1. Рандомизированные контролируемые испытания (RCT)

Brynjolfsson, Li, Raymond — операторы поддержки (NBER working paper, 2023). 5 179 операторов, рандомизированный доступ к AI-ассистенту. Результат: +14% продуктивности в среднем, +34% у новичков (менее 6 месяцев опыта), +12–17% у сотрудников среднего уровня, ~0% у опытных. Это обоснование из производства: реальные сотрудники, реальные клиенты, реальные результаты.

METR — опытные разработчики (July 2025, RCT). 16 опытных open-source разработчиков, 246 задач в зрелых open-source репозиториях. Разработчики работали с хорошо знакомым кодом. Инструменты начала 2025 года. Результат: AI увеличил время выполнения задач примерно на 19%. Это не универсальный вывод о программной инженерии. Это результат конкретного эксперимента: опытные разработчики, знакомый код, конкретные инструменты, конкретный тип задач. Результат нельзя автоматически переносить на другие типы разработки — например, на greenfield проекты, на работу с незнакомым кодом или на другие категории задач.

JAMA — врачи и AI-скрибенты (2023). Умеренное сокращение времени на документацию. Обоснование из производства.

Deloitte — AI-ассистент для поддержки (2024, отчет вендора). 98% снижение времени обработки, 40% сокращение затрат, 68% снижение оттока клиентов. Отчет вендора: Deloitte — поставщик решения. Независимая верификация отсутствует.

4.2. Длительные производственные исследования

McKinsey State of AI 2025 (данные опроса, 1 600+ респондентов): 62% организаций используют AI в production (в сравнении с 33% в 2023). 80% сообщают о повышении индивидуальной производительности. 12% видят повышение выручки от AI. 16% видят сокращение затрат. 55% не видят значимого влияния на финансы.

BCG (данные опроса): 72% считают AI значимым, 84% инвестируют в AI, 88% используют в производстве. Реальная чистая прибыль: 5%.

PwC CEO Survey (4 454 респондентов): 66% считают AI критически важным. 56% не видят значимого финансового эффекта. 12% видят и снижение затрат и увеличение выручки. 16% считают, что AI-инвестиции окупятся в 2–5 лет. 62% инвестируют меньше, чем планировали.

4.3. Что НЕ показывают исследования

Для финансов и экономики, учета, производства, HR нет независимых RCT, позволяющих надёжно оценить ROI. Существующие данные — отчеты вендоров или данные опросов.
Для опытного инженера ПО независимых данных недостаточно. METR — один из немногих RCT, и его охват ограничен.
Для AI-ассистентов в подопытных рабочих процессов нет независимых RCT с измерением P&L-эффекта.
Для AI-агентов (автономных систем, выполняющих многошаговые задачи) долгосрочных производственных данных нет.

5. ROI-модель

5.1. Формулы

Введём обозначения, которые используются во всех формулах раздела:

С_сотр — годовая стоимость сотрудника. Полная стоимость: оклад + надбавки + социальный пакет + накладные расходы (overhead)
ΔП — прирост продуктивности. Измеренный относительный прирост скорости или качества работы на применимых задачах. Источник: RCT, production study или survey. Измеряется в долях (0.14 = 14%)
F_AI — доля применимых задач. Доля рабочих задач сотрудника, к которым AI-инструмент реально применим. Например: для разработчика 0.20–0.40 (кодирование, отладка, рефакторинг), для оператора поддержки 0.50–0.70 (ответы на типовые вопросы).
В_годовая — годовая стоимость AI на сотрудника. Суммарные ежегодные расходы на AI для одного сотрудника (см. ниже).
Р_годовые — ежегодные (повторяющиеся) расходы. Лицензии, inference, обучение (повторяющееся), поддержка, QA. Платятся каждый год.
Р_разовые — разовые (начальные) вложения. Интеграция, подготовка данных, перепроектирование процессов, настройка модели, безопасность, первичное развёртывание, первичное обучение. Платятся один раз.
ЧД_годовая — годовая чистая выгода. Разница между годовой стоимостью AI-эффекта и годовыми расходами.
СОЗ — срок окупаемости. Количество месяцев, за которые разовые вложения возвращаются за счёт годовой чистой выгоды.
ROI_годовой — годовая рентабельность. Отношение годовой чистой выгоды к годовым расходам (в %). Используется, когда разовые вложения равны нулю или пренебрежимо малы.

Годовая стоимость AI-эффекта на одного сотрудника

Годовая стоимость AI-эффекта = С_сотр × ΔП × F_AI

Эта формула показывает, какую денежную ценность создаёт AI для одного сотрудника за год. ΔП измеряется на применимых задачах — AI не ускоряет всю работу, только ту часть, которая попадает в scope инструмента. Для разработчика F_AI = 0.20–0.40 (AI не помогает с архитектурой, коммуникацией, совещаниями). Для оператора поддержки F_AI = 0.50–0.70 (AI не помогает с эскалациями и сложными кейсами).

Годовые (повторяющиеся) расходы на AI:

Р_годовые = Лицензия_SaaS + Inference + Обучение_повторяющееся + Поддержка + QA

Каждый компонент — ежегодная статья расходов:

Лицензия_SaaS — подписка на AI-инструмент (Copilot, ChatGPT Enterprise, Claude и т.п.)
Inference — стоимость вычислений при каждом обращении к модели (API calls, GPU-время)
Обучение_повторяющееся — регулярное обучение сотрудников работе с инструментом (не первичное, а поддерживающее)
Поддержка — техническая поддержка, обновления, maintenance
QA — контроль качества AI-результатов: время senior-сотрудника на проверку, доработку, обработку исключений

Разовые (начальные) вложения:

Р_разовые = Интеграция + Подготовка_данных + Перепроектирование_процессов + Настройка_модели + Безопасность_и_комплаенс + Первичное_развёртывание + Первичное_обучение

Каждый компонент — однократный расход при внедрении:

Интеграция — подключение AI-инструмента к CRM, ERP, EHR и другим системам
Подготовка_данных — очистка, структурирование, разметка данных для AI
Перепроектирование_процессов — изменение workflow под AI (не «AI поверх старого процесса»)
Настройка_модели — fine-tuning, prompt engineering, адаптация под конкретные задачи
Безопасность_и_комплаенс — настройка доступа, аудит, соответствие регуляторным требованиям
Первичное_развёртывание — пилот, настройка инфраструктуры, тестирование
Первичное_обучение — начальное обучение сотрудников (отличается от повторяющегося обучения)

Годовая чистая выгода:

ЧД_годовая = Годовая стоимость AI-эффекта − Р_годовые

Если ЧД_годовая отрицательна — проект убыточен в текущем виде, даже без учёта разовых вложений.

Срок окупаемости** (если Р_разовые > 0):

СОЗ (в месяцах) = Р_разовые / (ЧД_годовая / 12)

Показывает, за сколько месяцев разовые вложения вернутся за счёт годовой чистой выгоды. Если ЧД_годовая ≤ 0 — срок окупаемости не существует (проект не окупается).

Годовая рентабельность (если Р_разовые = 0 или пренебрежимо малы):

ROI_годовой = ЧД_годовая / Р_годовые × 100%

Показывает, какой процент чистой выгоды компания получает с каждого доллара годовых расходов на AI.

Критическое правило: одна и та же статья расходов не может быть одновременно разовой и ежегодной. Лицензия — ежегодная. Интеграция — разовая. Первичное обучение — разовое, поддерживающее обучение — ежегодное. Смешение этих категорий приводит к занижению или завышению срока окупаемости.

5.2. Пороговые значения: Required Productivity Improvement

Формула порога:

Required Productivity Improvement (on applicable time) = Annual Recurring AI Cost / (Employee Cost × AI-Applicable Fraction)

Таблица ниже показывает, какой прирост продуктивности (на применимых задачах) нужен для безубыточности, в зависимости от стоимости сотрудника, стоимости AI и доли применимых задач.

AI Cost /год	Employee $50K	Employee $150K	Employee $300K
	20% / 50% / 80% frac	20% / 50% / 80% frac	20% / 50% / 80% frac
$500	5.0% / 2.0% / 1.3%	1.7% / 0.7% / 0.4%	0.8% / 0.3% / 0.2%
$2 000	20% / 8.0% / 5.0%	6.7% / 2.7% / 1.7%	3.3% / 1.3% / 0.8%
$5 000	50% / 20% / 12.5%	16.7% / 6.7% / 4.2%	8.3% / 3.3% / 2.1%
$10 000	100% / 40% / 25%	33.3% / 13.3% / 8.3%	16.7% / 6.7% / 4.2%
$50 000	500% / 200% / 125%	166.7% / 66.7% / 41.7%	83.3% / 33.3% / 20.8%

Чтение: для сотрудника стоимостью $50 000 с AI-инструментом за $2 000/год и applicable fraction 50% — нужен прирост продуктивности 8% на применимых задачах. При applicable fraction 20% — 20%. При 80% — 5%.

Вывод: economics зависит не только от стоимости сотрудника и стоимости AI, но и от доли работы, к которой AI реально применим. Высокая стоимость сотрудника лишь снижает required improvement threshold — но не делает AI экономически выгодным автоматически.

ROI по профессиям: затраты, прирост и окупаемость

5.3. Пересчитанные примеры

Все примеры используют единую модель: Initial Investment и Recurring Cost разделены, Applicable Fraction указан явно.

Пример 1: Junior Support Agent

Employee Cost: $50 000/год
Productivity Improvement: +14% (Brynjolfsson RCT, novice)
AI-Applicable Fraction: 60%
Annual AI Value: 50 000 × 0.14 × 0.60 = $4 200
Recurring: SaaS $400 + recurring training $500 = $900
Annual Net Benefit: $3 300
Initial Investment: $1 500 (deployment + initial training)
Payback: 1 500 / (3 300/12) = 5.5 месяцев
Annual ROI: 3 300 / 900 = 367%

Пример 2: Senior SWE — сценарий METR

Employee Cost: $250 000/год
Productivity Improvement: 0% (в условиях METR эксперимент AI увеличил время на 19%; для консервативности считаем 0%)
AI-Applicable Fraction: 40%
Annual AI Value: $0
Recurring: SaaS $468 + recurring training $500 = $968
Annual Net Benefit: −$968
Initial Investment: $2 000
Payback: не окупается
Annual ROI: −100%

Примечание: это результат конкретного RCT с конкретным scope. Для других типов задач (greenfield, незнакомый код) данные могут отличаться.

Пример 3: Senior SWE — optimistic survey scenario

Employee Cost: $250 000/год
Productivity Improvement: +20% (survey estimate, не RCT)
AI-Applicable Fraction: 40%
Annual AI Value: 250 000 × 0.20 × 0.40 = $20 000
Recurring: $968
Annual Net Benefit: $19 032
Initial Investment: $2 000
Payback: 2 000 / (19 032/12) = 1.3 месяца
Annual ROI: 19 032 / 968 = 1 966%

Разница между Примером 2 и Примером 3 — не в инструменте, а в типе evidence: RCT vs survey. Это и есть «разрыв между perceived и measured».

Пример 4: Lawyer

Employee Cost: $300 000/год
Productivity Improvement: +13% (survey estimate)
AI-Applicable Fraction: 50%
Annual AI Value: 300 000 × 0.13 × 0.50 = $19 500
Recurring: SaaS $1 000 + training $1 000 + QA $1 000 = $3 000
Annual Net Benefit: $16 500
Initial Investment: $2 000
Payback: 2 000 / (16 500/12) = 1.5 месяца
Annual ROI: 16 500 / 3 000 = 550%

Пример 5: Physician — AI scribe

Employee Cost: $350 000/год
Productivity Improvement: +5% (JAMA, production evidence)
AI-Applicable Fraction: 30%
Annual AI Value: 350 000 × 0.05 × 0.30 = $5 250
Recurring: SaaS $1 200 + training $500 = $1 700
Annual Net Benefit: $3 550
Initial Investment: $1 000
Payback: 1 000 / (3 550/12) = 3.4 месяца
Annual ROI: 3 550 / 1 700 = 209%

5.4. AI как компрессор разницы в квалификации

Отдельный экономический сценарий, который не укладывается в классическую модель «time saved».

Brynjolfsson RCT показал: novice operators (+34%) получили значительно больший прирост, чем experienced (~0%). Это не аномалия — это системный паттерн. AI действует как компрессор разницы в квалификации: он позволяет менее опытному сотруднику выполнять структурированные задачи на уровне, близком к более опытному.

Экономический эффект в этой модели — не «time saved», а изменение требуемой структуры workforce:

« Value = (Senior Cost − Junior Cost) × Number of Tasks That Can Be Shifted to Junior − AI Cost per Junior «

Например: если 10 задач, которые раньше выполнял senior ($200K/год), теперь может выполнять junior ($60K/год) с AI-ассистентом ($2 000/год), экономия = (200 000 − 60 000 − 2 000) × 10 = $1 380 000/год.

Важные ограничения:

Это работает на structured tasks (ответы на типовые вопросы, шаблонное кодирование, рутинный анализ). Для high-context задач (архитектура, стратегия, сложные клинические решения) гипотеза пока недостаточно подтверждена.
Junior + AI не заменяет senior полностью. Senior всё ещё нужен для exception handling, quality control, и задач, которые выходят за scope AI.
Для workforce mix model нужны дополнительные данные: доля задач, которые реально могут быть перераспределены, и стоимость QA при перераспределении.

Это принципиально другая модель value creation: не «каждый стал быстрее», а «нужно меньше дорогих специалистов».

6. Почему 95% пилотов не дают P&L-эффекта

MIT Media Lab (август 2025): 95% корпоративных пилотов GenAI не показали измеримого влияния на P&L. Это production evidence, основанное на анализе реальных корпоративных внедрений.

Причины провала пилотов (синтез MIT, Gartner, BCG, McKinsey):

Пилот без business case. Инструмент внедряют «потому что это AI», без определения механизма влияния на P&L. Нет ответа на вопрос: через какой переход в цепочке (раздел 2) эффект попадёт в финансовый результат?
Отсутствие baseline. Без измерения продуктивности до внедрения невозможно измерить эффект после. 80% организаций не имеют baseline (Gartner).
Отсутствие control group. Без контрольной группы невозможно отличить эффект AI от эффекта обучения, сезонности или load smoothing.
Workflow не перестроен. AI-инструмент добавляется в существующий процесс без изменения процесса. Результат: инструмент используется поверх workflow, а не как часть перестроенного процесса. McKinsey: только 21% организаций адаптировали workflow под AI.
Measurement не соответствует P&L. Измеряется «time saved» или «user satisfaction», но не «изменение revenue/cost/headcount». Time saved ≠ money saved (раздел 2).
Пилот не масштабируется. Пилот работает в контролируемых условиях, но не масштабируется на production: нет QA, нет integration, нет training.

Gartner: 60% AI-проектов не достигают production. 40% не окупаются в 3 года.

Инверсия опыта: чем опытнее специалист, тем меньше эффект от AI

7. Где AI окупается — и где нет

7.1. Критерий экономической выгоды

Высокая стоимость сотрудника сама по себе не делает AI экономически выгодным. Экономический смысл определяется комбинацией:

« Employee Cost × Applicable Fraction × Measured Productivity Effect против AI Total Cost (Initial + Recurring) + QA + Integration «

Высокая стоимость сотрудника лишь снижает required improvement threshold (таблица в разделе 5.2). Но если Applicable Fraction низкий, а Measured Productivity Effect близок к нулю (как в METR для experienced developers), высокая стоимость не спасает.

7.2. Где экономическая модель работает

На основе RCT и production evidence:

Сценарий	Evidence	Applicable Fraction	Measured Effect	Экономика
Junior support agent	Brynjolfsson RCT	60%	+34% (novice)	Окупается: 5.5 мес
Mid-level support	Brynjolfsson RCT	60%	+12–17%	Окупается: 2–3 мес
AI scribe (physician)	JAMA production	30%	+5%	Окупается: 3.4 мес
Legal research (junior)	Survey estimate	50%	+13%	Окупается: 1.5 мес
Experienced SWE (METR scope)	METR RCT	40%	−19%	Не окупается

Общий паттерн: экономическая модель работает там, где (1) есть RCT или production evidence с положительным эффектом, (2) Applicable Fraction достаточно высок, (3) задача structured и повторяемая.

7.3. Где экономическая модель не работает или не подтверждена

Сценарий	Evidence	Почему нет
Experienced SWE (METR scope)	METR RCT	Отрицательный эффект: −19%
Architecture / strategy	Нет RCT	High-context, low structured. Недостаточно данных
Finance / accounting	Нет независимых RCT	Vendor-reported или survey
Manufacturing	Vendor case studies	Не подтверждено независимо
AI-агенты (autonomous)	Early production data	Долгосрочных данных нет
Creative / high-judgment tasks	Survey only	Low measurable effect

7.4. Разница между «окупается» и «не окупается»

Разница не в отрасли и не в стоимости сотрудника. Разница в трёх факторах:

Тип задачи. Structured, повторяемые, с чётким output — AI даёт измеримый эффект. Unstructured, high-context, creative — эффект не подтверждён или отрицательный.
Уровень опыта. Novice и mid-level получают больший прирост (Brynjolfsson). Experienced — нулевой или отрицательный (METR). Это связано с тем, что AI воспроизводит типовые паттерны, которые novice ещё не автоматизировал, но которые experienced уже сделал частью мышления.
Workflow. Перестроенный под AI процесс даёт больший эффект, чем AI, добавленный в существующий процесс. McKinsey: организации, которые адаптировали workflow, получают в 2–3 раза больший эффект.

8. Почему субъективная продуктивность не превращается в P&L

8.1. Разрыв между perceived и measured

80% сотрудников сообщают о росте продуктивности (McKinsey survey). Но 95% пилотов не дают P&L-эффекта (MIT production evidence). Разница между этими двумя цифрами — не ошибка измерения. Это системный разрыв, объясняемый цепочкой из раздела 2.

Perceived productivity — это ощущение «я стал быстрее». Measured P&L effect — это изменение revenue, cost или headcount. Между ними — четыре перехода, каждый из которых может прервать цепочку.

8.2. Time saved ≠ money saved

Сотрудник экономит 2 часа в день. Но:

Экономия может быть использована на существующие задачи, а не на новые
Throughput процесса может не измениться из-за других bottleneck
Headcount может не сократиться
Revenue может не расти

Time saved — промежуточный показатель, не конечный. Финансовый результат появляется только когда time saved превращается в измеримое изменение unit economics.

8.3. Vendor claims vs independent evidence

Вендорские данные (Microsoft: 45% сокращение времени на поиск информации; GitHub: 55% ускорение coding; Deloitte: 98% снижение processing time) показывают впечатляющие цифры. Но это vendor-reported: поставщик解决方案 измеряет эффект своего решения. Независимая верификация отсутствует.

Независимые RCT (Brynjolfsson, METR) показывают более скромные и неоднородные результаты. Разница между vendor claims и independent evidence — системная, не случайная.

8.4. Что нужно для измерения P&L-эффекта

Baseline. Измерить продуктивность до внедрения. Без baseline невозможно измерить эффект.
Control group. Случайное распределение доступа к AI. Без control невозможно отличить эффект AI от других факторов.
Измерение P&L-показателей. Не «time saved», а revenue, cost, headcount, margin.
Workflow redesign. AI как часть перестроенного процесса, а не инструмент поверх существующего.
QA и control. Измерение качества AI-результатов. Скорость без качества не создаёт ценности.
Долгосрочное наблюдение. Эффект может меняться со временем (learning curve, novelty effect, drift).

9. ROI-калькулятор

9.1. Параметры

Параметр	Значение	Источник
Employee Cost (annual, total)	$50 000	Пример
AI Recurring Cost (annual, per user)	$2 000	Vendor pricing
AI Initial Investment (one-time)	$5 000	Model estimate
Productivity Improvement (measured)	+14%	Brynjolfsson RCT
AI-Applicable Fraction	60%	Model estimate

9.2. Расчёт

« Annual AI Value = 50 000 × 0.14 × 0.60 = $4 200 Annual Recurring Cost = $2 000 Annual Net Benefit = 4 200 − 2 000 = $2 200 Payback Period = 5 000 / (2 200/12) = 27.3 месяца Annual ROI = 2 200 / 2 000 = 110% 3-Year Total Net Benefit = (2 200 × 3) − 5 000 = $1 600 «

9.3. Чувствительность

Applicable Fraction	Annual Value	Net Benefit	Payback	3-Year Net
20%	$1 400	−$600	Не окупается	−$6 800
40%	$2 800	$800	75 мес	−$2 600
60%	$4 200	$2 200	27 мес	+$1 600
80%	$5 600	$3 600	17 мес	+$5 800

Критический вывод: economics зависит не только от Productivity Improvement, но и от Applicable Fraction. При 20% applicable fraction даже +14% productivity improvement не окупает AI. При 60% — окупается.

9.4. Чек-лист перед AI-проектом

Перед запуском AI-проекта ответьте на следующие вопросы:

Какая задача? Конкретная, измеримая, с чётким output.
Какой механизм влияния на P&L? Через какой переход в цепочке (раздел 2) эффект попадёт в финансовый результат? Если механизма нет — ROI будет нулевым, даже если productivity gain реален.
Applicable Fraction? Какая доля рабочих задач попадает в scope AI?
Baseline? Измерена ли продуктивность до внедрения?
Control group? Есть ли случайное распределение доступа?
Workflow redesign? Перестроен ли процесс под AI?
QA? Как измеряется качество AI-результатов?
Initial vs Recurring? Разделены ли initial investment и recurring cost?
Dollars, not time? Измеряется ли $ или time?
Долгосрочное наблюдение? Есть ли план мониторинга на 12+ месяцев?

10. Что это значит для бизнеса

AI уже способен создавать локальный productivity gain. Это подтверждено RCT и production studies. Но локальная производительность сама по себе не является финансовым результатом. Экономическая ценность появляется только тогда, когда ускорение отдельной задачи превращается в рост throughput, снижение необходимых ресурсов, рост revenue или иное измеримое изменение unit economics.

Эта мысль имеет практическое следствие. Перед AI-проектом нужно определить не только:

«Какую задачу AI ускорит?»

но и:

«Через какой механизм это ускорение попадёт в P&L?»

Если такого механизма нет, даже реальный productivity gain может иметь нулевой ROI.

10.1. Что можно делать сегодня

Мерить до внедрения. Baseline продуктивности, time per task, error rate, throughput. Без baseline невозможно измерить эффект.
Определять Applicable Fraction. Не «AI для всех задач», а конкретная доля задач, к которым AI применим.
Разделять Initial и Recurring. Не смешивать интеграцию (one-time) с лицензией (recurring) в одной цифре.
Выбирать задачи по критериям. Structured, повторяемые, с чётким output. Не high-context, creative, strategic.
Перестраивать workflow. AI как часть нового процесса, а не инструмент поверх старого.
Измерять P&L-показатели. Revenue, cost, headcount, margin. Не «user satisfaction».
Ограничивать scope. Не «AI для всей компании», а конкретный пилот с измеримым эффектом.

10.2. Чего ожидать через 1–3 года

Данные пока указывают (не утверждают):

Расходы на AI продолжат расти (Gartner: +44% в 2026).
Доля компаний с измеримым P&L-эффектом вырастет, но останется небольшой (сейчас 5–12%, ожидаемый рост до 20–30% к 2028).
Разрыв между perceived и measured productivity сохранится, пока большинство организаций не начнёт измерять P&L-показатели, а не user satisfaction.
AI как компрессор квалификации (раздел 5.4) может стать значимым фактором workforce economics, но для этого нужны данные, которых пока нет.

10.3. Открытые вопросы

Каков реальный P&L-эффект AI через 3–5 лет после внедрения? Долгосрочных данных нет.
Как AI-агенты (autonomous systems) изменят unit economics? Ранние данные обещают, но не доказывают.
Станет ли AI-инфраструктура (GPU, inference) самостоятельной статьёй затрат, сопоставимой с headcount? Atlanta Fed показывает, что расходы растут, но структура ещё не стабилизировалась.
Как изменится workforce mix при widespread AI adoption? Гипотеза compression (раздел 5.4) пока не подтверждена независимыми данными.

Источники

Первичные (найдены и проверены)

MIT Media Lab / NVIDIA. «The GenAI Divide: State of AI in Business 2025.» August 2025. — 95% пилотов без P&L-эффекта.
Gartner. Press release, June 2025. — Прогноз $2.52T AI spending к 2026.
Brynjolfsson, Li, Raymond. «Generative AI at Work.» NBER working paper 31161, 2023. — RCT, 5 179 операторов.
METR. «Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity.» July 10, 2025. — RCT, 16 разработчиков.
Federal Reserve Bank of Atlanta. «AI Spending by U.S. Businesses.» May 2026. — $1,358/employee (2025), $2,068 (2026F).
PwC. «CEO Survey 2025.» — n=4 454.
McKinsey. «The State of AI: Global Survey.» 2025.
BCG. «AI at Work 2025.»
JAMA. «AI Scribes for Clinicians.» 2023.
Stanford HAI. «AI Index Report 2025.» — $252.3B private investment (2024).

Вторичные (цитаты из первоисточников, первоисточник не проверен)

OpenAI ARR ~$20B — media estimate, no public filing.
Anthropic ARR ~$8B — media estimate, no public filing.
Deloitte AI support ROI — vendor-reported, no independent verification.
Microsoft Copilot productivity claims — vendor-reported.
GitHub Copilot productivity claims — vendor-reported.
Menlo Ventures: 76% AI use cases are bought — secondary citation.

Конфликт интересов

Deloitte, Microsoft, GitHub — поставщики решений, данные о ROI их продуктов vendor-reported.
Gartner, McKinsey, BCG — консалтинговые компании с коммерческим интересом в росте AI-рынка.
OpenAI, Anthropic — вендоры, данные об ARR не подтверждены публичными отчётами.