ИИ сегодня есть у многих, но измеримая отдача — у единиц. При этом тезис «ИИ не окупается» неверен: у компаний, дошедших до отдачи, возврат инвестиций виден и растёт. Выхлоп доказан, но пока достаётся меньшинству, даже при равном по рынку уровне доступа к моделям. И именно это равенство позволяет предположить, что окупаемость определяет не технология, а операционное управление: выигрывают те команды, кто перестроил работу вокруг агентов, а не прикрутил копайлоты к старым процессам.

Хочется интерпретировать эти цифры как «ИИ не окупается», но это не так, и здесь кроется самая интересная тема для размышлений. По опросу Omdia для Snowflake большинство компаний, дошедших до отдачи, фиксируют положительный возврат инвестиций в среднем около 49%, то есть примерно 1,49 рубля на вложенный рубль.

Можно сделать вывод, что вектор дискуссии вокруг ИИ сместился. Раньше спорили, «работает ли ИИ» и «какая модель лучше». Сегодня доступ к сильным моделям перестал быть разделителем: их продают по подписке и через программный интерфейс, но, как мы видим, пока небольшой процент бизнесов видит реальную окупаемость. McKinsey называет эту малую группу изначально построенными вокруг ИИ (AI-native) и описывает её через семь рабочих принципов, сразу оговаривая, что это не чек-лист лучших практик, а связная система: каждый принцип тянет за собой следующий. Важнее самого списка другое: лидеры изученных McKinsey компаний пришли к этим семи правилам независимо, в разных отраслях и под разным конкурентным давлением. Совпадение такого рода обычно подтверждает наличие структуры и ее работоспособность.

Что происходит у большинства и почему не видно окупаемости?
Как принято: подключаем копайлот, ускоряем сотрудникам отдельные задачи, считаем сэкономленные часы — и отчитываемся о прогрессе.
Как на самом деле: HBR называет это «ловушкой микропродуктивности» — отдельные операции и правда идут быстрее, но рабочий процесс и способ создания ценности не переосмыслены, поэтому результаты подключения ИИ не отражаются на P&L (отчёт о прибылях и убытках). Внедрение агентов, замечают авторы, работает как рентген организации: оно подсвечивает, где процесс держится на неписаном знании отдельных сотрудников и ручных стыковках. Выигрывают те, кто анализирует результаты «снимка» и отлаживает процессы, описывая и формализуя недостающие компоненты, а не пытаются прикрутить ИИ поверх старого, незапротоколированного знания.

Цена этой ошибки уже посчитана. По данным Bain, в среднем компании закладывают в бизнес-кейс экономию 11–20%, а получают лишь 0–10%; большинство отстающих в ответ снова увеличивают бюджет на ИИ. Деньги растут, отдача — нет: компании автоматизируют сломанные процессы и финансируют новые пилоты из экономии, которая на самом деле так и не материализовалась. Это и есть разрыв в операционной модели в чистом виде: попытка купить результат там, где его нужно спроектировать.

У тех, кто прошёл этот путь, эффект измерим. McKinsey по AI-центричным организациям называет снижение операционных затрат на 20–40% и прирост EBITDA-маржи (прибыль до вычетов) на 12–14 процентных пунктов; на острие — AI-native-компании, выходящие к большой выручке малыми командами. На уровне отдельного процесса разрыв нагляднее всего: Bain приводит Amazon, где обработку регуляторного обновления по НДС агент сократил с 26 до 2 минут — на 92%.

При этом «перестроиться вокруг ИИ» не значит «отдать всё машине». BCG формулирует правило «10-20-70»: 10% усилий приходится на алгоритмы, 20% на технологии и данные, 70% на людей, процессы и оргизменения. Большинство застревает ровно потому, что вкладывается в первые 30% и недооценивает 70%. Симметрично выглядит и зрелость ответственного ИИ: по оценке Accenture, лишь около 2% компаний полностью встроили управление рисками ИИ (responsible AI) в повседневную работу, притом что за регулирование выступают почти все. Технологию купить легко; перестроить 70% и довести управление рисками до эксплуатации — трудно, и без этого ценность остаётся в карманах отдельных пилотов.

Для российского корпоративного сегмента (enterprise) вывод даже удобнее, чем кажется. Если разрыв проходит не по доступу к передовым моделям (frontier), а по зрелости операционной модели, то ограничения периметра перестают быть приговором. AI-native-подход строится на том, что санкции и чужие облака не отнимут: на собственных данных, экспертизе и процессах компании. Коробочный SaaS-копайлот конкурент купит на том же рынке и у того же поставщика, а защищённое преимущество из проприетарных данных и доведённого до эксплуатации процесса купить негде.

Стоит не гнаться за самой мощной моделью, а строить управляемый слой знаний на своих данных, держать всё в собственном или суверенном контуре с понятной позицией информационной безопасности и наращивать автономию агентов контролируемо. При этом полностью автономные многоагентные системы пока остаются направлением для развития. Сегодняшняя проверенная база складывается из трёх вещей: управляемый слой знаний, поиск и ответы по корпоративным данным, отлаженная промышленная эксплуатация моделей под капотом, поверх которых автономия расширяется по мере доказанной надёжности. На практике первый этап чаще упирается в расчистку и структурирование источников: пока у данных нет владельца, прав и понятной актуальности, агенту не на что опереться. Отдельный фильтр — выбор первого процесса. Перестройку не начинают там, где треть случаев решается исключениями и «согласовано голосом»: претензии VIP-клиентов, реструктуризация, спорные комиссии. На таком материале агент не наберёт статистику качества, а команда получит первый громкий инцидент вместо первой победы. Начинают там, где правила записаны, а ошибка дешёвая. Собственный контур при этом н решает вопрос доверия, но замедляет итерации, потому что каждое обновление модели и переоценка качества проходят внутренние согласования. Без быстрого цикла «поменяли, перемерили» такой агент рискует застыть дорогим поисковиком.

Из отечественных примеров: в агрохолдинге «Таврос» развёрнут корпоративный LLM-портал (портал на языковых моделях) на платформе Kolmogorov: внутри собственного контура заказчика, с разграничением доступа, ограничителями и аудитом запросов, с поиском и ответами по своей базе знаний (пресс-релиз CNews). Это ещё не автономный мультиагент, но именно с такого «скучного» доверенного слоя знаний эффект начинает доходить до бизнеса, а не оседать в демонстрациях. Для РФ-контура это не компромисс, а преимущество: «человек в контуре» и инкрементальное доверие здесь не вынужденная мера: в чувствительных отраслях служба информационной безопасности требует их сама — и то самое пятое правило McKinsey, встроенное в архитектуру с первого дня.

ИИ есть уже у многих компаний, и теперь сам тезис «у нас есть ИИ» больше никого особенно не выделяет. Отличает другое: перестроили вы операционную модель вокруг агентов или прикрутили копайлоты к старым процессам.