Между тратами и результатом: почему ИИ не работает на маржу

Глобальные инвестиции в искусственный интеллект продолжают расти, однако данные KPMG показывают, что разрыв между расходами на ИИ и измеримой бизнес-ценой стремительно увеличивается. Главный вывод первого квартального опроса Global AI Pulse звучит жёстко: несмотря на то что организации по всему миру планируют в среднем потратить $186 млн на ИИ в ближайшие 12 месяцев, лишь 11% добились стадии развёртывания и масштабирования ИИ-агентов, приносящих корпоративные результаты.

При этом центральный вывод исследования не в том, что ИИ провалился: 64% респондентов утверждают, что технологии уже приносят ощутимые бизнес-результаты. Проблема в том, что слово «ощутимые» в этом предложении берёт на себя слишком много тяжёлой работы. Расстояние между постепенным приростом продуктивности и той компаундирующей операционной эффективностью, которая реально сдвигает показатели маржи, для большинства организаций остаётся огромным.

Лидеры и остальные: в чём принципиальная разница

В отчёте KPMG проводится чёткое разделение между «лидерами ИИ» — организациями, которые масштабируют или активно эксплуатируют агентный ИИ — и всеми остальными. Разрыв в результатах между этими двумя когортами поразителен. Steve Chase, глобальный руководитель направления ИИ и цифровых инноваций в KPMG International, отметил: «Первые результаты Global AI Pulse подтверждают, что больше тратить на ИИ — не то же самое, что создавать ценность. Лидирующие организации выходят за рамки простого обеспечения инструментами: они разворачивают ИИ-агентов для переосмысления процессов и изменения того, как принимаются решения и как работа организуется в масштабе предприятия».

Среди лидеров ИИ 82% сообщают, что технологии уже приносят ощутимую бизнес-цену. Среди их коллег этот показатель падает до 62%. Двадцатипунктовый разрыв может показаться незначительным в отрыве от контекста, но он быстро накапливается, если учесть, что он отражает не просто лучшие инструменты, а принципиально иную философию развёртывания. Организации из числа тех 11% разворачивают агентов, которые координируют работу между функциями, направляют решения без человеческого посредничества на каждом этапе, выявляют сквозные инсайты из операционных данных почти в реальном времени и сигнализируют об аномалиях до того, как они перерастут в инциденты.

Где ИИ стоит дороже: география инвестиций

Цифры инвестиций в данных KPMG заслуживают пристального внимания. Взвешенная глобальная средняя в $186 млн на организацию звучит внушительно, но региональная вариативность рассказывает более интересную историю. Лидер — регион ASPAC с $245 млн, за ним следуют Америки ($178 млн) и EMEA ($157 млн). Внутри ASPAC организации, включая компании из Китая и Гонконга, инвестируют в среднем $235 млн; в пределах Америк — американские компании выходят на $207 млн.

Эти цифры отражают запланированные расходы на лицензирование моделей, вычислительную инфраструктуру, профессиональные услуги, интеграцию, а также аппарат управления рисками и комплаенса, необходимый для ответственной эксплуатации ИИ в масштабе. Вопрос не в том, много ли это — $186 млн или мало, — а в том, какая доля этих средств направляется на операционную инфраструктуру, без которой извлечение ценности из самих моделей невозможно.

Скрытые издержки: почему инфраструктура ИИ обходится дороже, чем планировалось

Данные опроса указывают на то, что большинство организаций по-прежнему недооценивают расходы на эту категорию. Затраты на вычисления и лицензирование видны и относительно легко укладываются в бюджет. Фрикционные же расходы — инженерные часы, затрачиваемые на интеграцию ИИ-выходов с устаревшими ERP-системами, задержки, вносимые конвейерами retrieval-augmented generation, построенными поверх плохо структурированных данных, и затраты на комплаенс при ведении аудиторских следов решений, принятых с помощью ИИ, в регулируемых отраслях, — как правило, проявляются поздно в цикле развёртывания и нередко превышают первоначальные оценки.

Хороший пример — интеграция векторных баз данных. Многие агентные рабочие процессы зависят от возможности в реальном времени извлекать релевантный контекст из больших неструктурированных репозиториев документов. Построение и поддержка инфраструктуры для этого — выбор между провайдерами вроде Pinecone, Weaviate или Qdrant, встраивание и индексация проприетарных данных, управление циклами обновления при изменении базовых данных — добавляет существенную инженерную сложность и постоянные операционные расходы, которые большинство компаний не учитывает при планировании бюджета.