Представьте типичную картину. Компания полгода запускает ИИ-пилот: чат-бот для поддержки, модель для скоринга заявок, генерация описаний товаров. Демо собирает аплодисменты, руководство довольно, бюджет потрачен. А через квартал выясняется, что сэкономленные часы никто не считал, интеграция с CRM съела ещё столько же, а рост конверсии совпал с сезонной акцией — и непонятно, ИИ тут вообще при чём. Деньги ушли, эффект растворился.
Ниже — разбор типичных провалов, из-за которых ROI внедрения ИИ оказывается отрицательным, и что делать иначе. Это не про то, «какой ИИ выбрать», а про то, как посчитать деньги до того, как они потрачены.
Провал №1: пилот запускают, не определив метрику
Как выглядит: в презентации проекта написано «повысить эффективность поддержки с помощью ИИ». Что это значит в рублях — не сказано.
Почему возникает: ИИ продаёт себя сам. Демо красивое, язык модели убедительный, и кажется, что эффект очевиден. Но «очевиден» — не метрика.
Чем заканчивается: после пилота никто не может доказать, что стало лучше, и проект тихо закрывают — или, что хуже, масштабируют, потому что «жалко бросать».
Как исправить: до старта зафиксируйте одну главную метрику в деньгах и одну проверочную. Для поддержки это не «удовлетворённость», а, например, стоимость обработки одного обращения. Для отдела продаж — не «скорость ответа», а конверсия заявки в сделку и средний чек. Подробнее об этом — в статье ИИ в продажах и маркетинге.
Провал №2: эффект ИИ путают с общим ростом
Как выглядит: после запуска рекомендательной системы выручка выросла на 12%. Команда празднует. Но в том же месяце шла рекламная кампания, а до этого был сезонный спад.
Почему возникает: соблазн присвоить себе весь рост велик, а выделить вклад одного инструмента — работа.
Чем заканчивается: экономика AI-проектов строится на завышенных цифрах, следующее внедрение обещает ещё больше, а разочарование приходит позже и больнее.
Как исправить: нужна контрольная группа. Если это возможно, часть трафика или заявок обрабатывается без ИИ — и вы сравниваете две группы за один и тот же период. Если контроль невозможен, берите сравнение «до/после» на сопоставимом периоде и вычитайте всё, что менялось параллельно: акции, сезонность, изменения цен.
Это та же логика, что в A/B-тестах и прогнозах: без базы сравнения любая цифра — самообман.
Провал №3: скрытые косты съедают расчёт
Как выглядит: посчитали стоимость модели и разработки, получили окупаемость за 4 месяца. А на деле проект тянет деньги ещё год.
Почему возникает: в смету не попали вещи, которые не видны на демо.
Что обычно забывают:
| Статья расходов | Что это на практике |
|---|---|
| Данные | Разметка, очистка, приведение к единому виду — часто дороже самой модели |
| Интеграции | Подключение к CRM, 1С, внутренним системам, поддержка API |
| Поддержка | Мониторинг качества, обновление модели, реакция на «поехавшие» ответы |
| Люди | Обучение сотрудников, изменение процессов, сопротивление |
Окупаемость искусственного интеллекта считается по полной стоимости владения, а не по цене пилота. Реальный срок окупаемости часто в 2–3 раза длиннее первоначальной оценки — именно из-за этих статей.
Провал №4: нет бизнес-кейса, есть только техническое желание
Как выглядит: «Давайте попробуем LLM, все же пробуют». Через полгода — вопрос «а зачем мы это сделали».
Почему возникает: технология интересна сама по себе, и это подменяет вопрос о деньгах.
Чем заканчивается: бюджет потрачен, а бизнес-кейс для ИИ так и не появился. Компания делает вывод «ИИ не работает» — хотя не работал расчёт. Подробнее об этом — в статье AI-автоматизация бизнеса.
Как исправить: перед запуском ответьте на пять вопросов.
- Какую конкретную задачу решаем и сколько она стоит сейчас?
- Какая метрика покажет, что стало лучше, и где я её вижу?
- Что изменится в процессе и кто будет этим пользоваться?
- Сколько стоит владение решением в год, включая данные и поддержку?
- Что мы делаем, если через N месяцев метрика не сдвинулась?
Если на пятый вопрос нет ответа — это не проект, а эксперимент без выхода.
Как считать ROI до старта
Простая формула, которую стоит держать в голове:
ROI = (экономия + дополнительная прибыль − полные затраты) / полные затраты × 100%
Возьмём пример. Автоматизация обработки обращений: 2000 обращений в месяц, обработка вручную — 12 минут, час оператора стоит 600 ₽. ИИ снимает 40% рутины. Подробнее об этом — в статье AI-автоматизация и агенты.
- Экономия: 2000 × 12 мин × 40% = 160 часов ≈ 96 000 ₽ в месяц.
- Затраты: разработка 400 000 ₽ + поддержка и данные 30 000 ₽/мес.
- Окупаемость разработки: около 5 месяцев (с учётом поддержки — чуть дольше).
Цифры условные, но видно главное: без экономии в рублях и без учёта поддержки ROI не считается. И проверьте, что 40% рутины — это реалистичная доля, а не желаемая.
Пути освоения: что выбрать
Тема внедрения ИИ в компании устроена так, что теория без практики не работает, а практика без рамки — дорогая.
- Самостоятельно по статьям и кейсам. Дёшево, но нет обратной связи: некому указать, что ваш расчёт построен на завышенной метрике. Ошибки обнаруживаются уже после бюджета.
- Свой пилот «на живом». Лучшая школа, но цена ошибки — реальные деньги компании. Подходит, если есть запас и наставник.
- Структурированный курс. Даёт рамку: как считать, какие метрики брать, где ловушки. Стоит времени и денег, зато ошибки отрабатываются на учебных расчётах, а не на бюджете.
Курс AI-трансформация бизнеса разбирает именно эти расчёты на примерах — от диагностики зрелости до ROI и дорожной карты — и даёт обратную связь по вашим решениям, чтобы пилот считался в деньгах до старта, а не после. Подробнее об этом — в статье [AI-солопренёр](https://asibiont.com/course/ai-business-transformation](/blog/ai-soloprener-biznes-silami-odnogo-cheloveka-kak-na-samom-dele-rabotaet-odinochnoe-predprinimatelstvo-s-ai-i-gde-lomaetsya-skhema).
Если убирать пилоты, которые не окупаются, начинать стоит не с выбора модели, а с одного вопроса: сколько рублей принесёт или сэкономит этот проект и когда. Всё остальное — детали, которые решаются после честного ответа.