Скрытая стоимость не использования ИИ, честный подсчёт

Я читаю три таких статьи в неделю. Большинство звучат одинаково. Питч это какая то версия беги или умри. Ссылка на Kodak появляется к четвёртому абзацу. Ссылка на Blockbuster к шестому. Читателю говорят что любой бизнес который не разворачивает генеративный ИИ прямо сейчас исчезнет с рынка за восемнадцать месяцев. Этот фрейминг неверен, и хуже того, он бесполезен для операторов принимающих бюджетные решения. Паттерн который я вижу в разговорах с основателями и операционными директорами в том что FUD производит обратный эффект. Получается либо паралич либо паническая трата, и обе тратят больше денег чем просто бездействие ещё квартал.

Так что попробую другую версию. Есть реальная стоимость игнорирования этой технологии, но она уже и конкретнее чем говорят паникёры. Из нескольких продакшен внедрений с которыми я помогал, и из разговоров с операторами которые ведут свои, я думаю честная картина такая. Небольшое число процессов становится измеримо быстрее или дешевле когда вы вставляете LLM в цикл. Большинство нет. Компании которые выигрывают в 2026 это не те кто купил больше всех кредитов, это те кто разобрался какие из их конкретных процессов попадают в маленькое ведро, и хватило дисциплины игнорировать остальные.

Драфтинг, поиск, классификация. Это три категории где дельта продуктивности достаточно большая и стабильная чтобы вы могли защитить число перед CFO. Исследование GitHub по Copilot от 2022, оригинальное рандомизированное контролируемое, нашло что разработчики использующие инструмент выполнили задачу написания сервера примерно на 55 процентов быстрее контрольной группы. У исследования есть ограничения. Задача узкая, выборка само отобранная, более поздние полевые исследования по реальному PR throughput показали меньше, скорее 10 до 25 процентов чистого времени цикла в зависимости от языка и сениорности. Но даже на нижней границе, на команде в пятнадцать инженеров вы получаете эквивалент одного или двух дополнительных headcount пропускной способности в год за цену per seat лицензии.

Клиентская поддержка первого уровня это второй очевидный. Klarna публично объявила в начале 2024 что их ассистент на OpenAI обрабатывает две трети чатов поддержки в первый месяц, эквивалент семисот full time агентов. Это число обошло интернет сто раз. Менее отчитано что к середине 2025 Klarna сдала назад, сказала что местами просела качество поддержки, и объявила что снова нанимает живых агентов. Честное чтение не в том что ИИ провалился. ИИ хорошо обрабатывал объём и плохо обрабатывал нюанс, и правильный ответ был гибридная модель а не оригинальная полная замена. Intercom Fin берёт около 99 центов за резолюцию и заявляет рейты резолюции в районе 50 процентов на запросах первого уровня. Эти числа реальны. Ловушка в предположении что они обобщаются дальше первого уровня.

Третье это внутренний поиск и классификация документов. Всё что раньше требовало чтобы knowledge worker прочитал длинный документ и ответил на структурированный вопрос. Триаж страховых клеймов, суммаризация sales звонков с обновлением полей CRM, разметка красных флагов в контрактах, intake RFP. Экономика тут не такая драматичная как у драфтинга кода, но стабильная. Обычно можно взять процесс который занимал пятнадцать минут и довести до двух с retrieval пайплайном плюс моделью поменьше. Умножьте на год. Плейбук клиентской поддержки разбирает специфичную для саппорта версию этого расчёта в деталях, а заметка про измерение ROI ИИ покрывает что реально считать и что игнорировать.

Большинство вещей которые консультанты говорят что ИИ вам стоит, ИИ вам не стоит. Высокоставочное суждение, новое рассуждение, оригинальная стратегическая работа, ручное ремесло, всё где узкое горлышко это мудрость а не пропускная способность информации. Не существует версии 2026 где маленькая архитектурная фирма с двумя партнёрами проигрывает полностью автоматизированному конкуренту. Узкое горлышко этой фирмы никогда не было скоростью набора чертежей, это было суждение наработанное за двадцать лет проектов.

Самое сильное свежее свидетельство по этому это отчёт MIT NANDA State of AI in Business 2025, который получил много прессы за фразу что 95 процентов корпоративных пилотов генеративного ИИ не показывают измеримого влияния на P&L. Честное чтение не в том что ИИ не работает. Честное чтение в том что большинство энтерпрайзов разворачивают его плохо, в местах где он не нужен, без измерения, без интеграции в реальный процесс. 5 процентов которые сработали обычно следовали тому же паттерну. Один конкретный процесс, чёткие baseline метрики, интеграция в систему учёта, ответственный за число. Скучные вещи. Скучные вещи это то что работает.

“

Если заголовочное число в питче вендора звучит как будто решит весь ваш P&L, вендор либо врёт либо говорит про процесс которого у вас нет.

Я не говорю это часто публично потому что это плохо для нашего бизнеса, но вот. Есть операторы с которыми я разговаривал, где правильный ответ на нужно ли нам начать использовать ИИ был нет, не сейчас, не в этом году. Три паттерна. Первый, у бизнеса меньше двадцати сотрудников и партнёрская экосистема в их вертикали ещё не произвела SaaS который чисто оборачивает релевантный LLM вызов. Строить самим стоит больше чем неэффективность которую это уберёт. Подождите шесть месяцев готовый инструмент. Второй, бизнес в регулируемой вертикали где overhead на disclosure и аудит пропускания клиентских данных через третью модель превышает экономию на труде. Бэк офис в здравоохранении и части регулируемых финансовых услуг постоянно попадают в это ведро. Третий, бизнес в моменте организационной нестабильности где change capacity уже истрачен. Накладывать AI rollout поверх ERP миграции или смены лидерства это просить о провале который отравит колодец для следующей попытки.

Ни один из этих трёх паттернов не постоянный. Правильный ход это пересмотреть через два квартала, не объявлять постоянное воздержание. Но FUD плейбук обращается с любой задержкой как с катастрофой, и это неверно. Задержка иногда это благоразумие.

Ни один из них не плохой продукт. Паттерн в том что маркетинг вендоров всегда переходит реальную развернутую ценность на 30 до 50 процентов. Если строите решение о покупке вокруг пресс релиза запуска, будете разочарованы. Если строите вокруг кейсов через шесть до двенадцати месяцев после запуска, получите гораздо точнее число. McKinsey публикует продолжающуюся версию этой калибровки в опросе State of AI, который стоит читать не ради заголовочных цифр внедрения но ради раздела где реально захватывается долларовая ценность.

Когда операторы привлекают нас, первый разговор почти никогда не про выбор модели или вендора. Он про то какой один процесс выбрать. Мы сильно отговариваем от желания делать три вещи одновременно. Один процесс, один владелец, одно baseline число, девяносто дней до развернутой системы которой команда пользуется без подсказок. Если получилось, второе легче профинансировать и легче определить. Если не получилось, у вас один ограниченный провал из которого учиться а не портфель частичных пилотов которые никто не может интерпретировать. Девяносто дневный план внедрения проходит через то что на самом деле содержит этот первый цикл. Заметка по стоимости внедрения покрывает что ожидать в счёте чтобы бюджетный разговор был реальным.

Если хотите проговорить какой это должен быть процесс в вашем конкретном случае, это в основном то чем мы занимаемся. Без презентации, без оценки AI зрелости, просто рабочая сессия по вашим реальным операциям.