Почему AI-проекты не дают ROI и рушат P&L

Почему AI‑проекты не дают ROI и влияние на P&L: обещания против экономики внедрения

AI‑проекты часто не дают ROI и не меняют P&L. Причина не в модели. Сбой происходит в экономике внедрения.

Компании недосчитывают полный TCO при масштабе и не доводят adoption до нужного уровня. Отсюда разрыв: красивые кейсы есть, а в отчёте — нет. Лишь около 5% компаний получают измеримую ценность на уровне всей организации.

Простой пример. Пилот стоит около $100 в месяц и показывает точность. При масштабировании на 10 000 пользователей стоимость inference доходит до ~$50 000. Добавляются интеграции, поддержка и риски. Если adoption ниже 60–70%, экономия не покрывает эти расходы.

В итоге TCO растёт в 2–3 раза, сроки эффекта растягиваются до 9–18 месяцев, а в первые 1–3 месяца value фактически равна нулю. С учётом риск‑коррекции ROI может падать с 340% до ~40% или уходить в минус.

Вывод простой: решения по AI нужно считать как инвестиции. С полным TCO, прогнозом adoption и понятным временем до результата.

Где ломается связь пилота и прибыли

Пилот создаёт ощущение контроля. Модель работает, метрики растут. Кажется, масштаб даст тот же эффект.

Руководители переносят результаты PoC на всю компанию. Это ошибка. Пилот проверяет модель, но не экономику.

Контраст виден в цифрах. В пилоте — ~$100 в месяц и локальная польза. В масштабе — до ~$50 000 при 10 000 пользователей плюс интеграции и поддержка. При этом в первые 1–3 месяца value ≈ 0.

Если adoption остаётся ниже 60–70%, эффект не покрывает расходы. В результате P&L не меняется.

Проблема в фокусе. Команды смотрят на точность модели игнорируют TCO и поведение пользователей. Поэтому инвестиция превращается в эксперимент.

Почему масштаб ломает экономику AI

От пилота к реальным затратам

Пилот измеряет точность и локальную выгоду. Его принимают за экономику всей компании. Это неверно.

На масштабе появляются новые статьи: интеграция, безопасность, инфраструктура, поддержка, обучение. В PoC их нет. Здесь TCO резко растёт и становится основной переменной.

Три причины провала

Первая — скрытые расходы. Они увеличивают TCO в 2–3 раза и меняют знак прибыли.

Вторая — нелинейная стоимость inference. $100 в пилоте превращаются в ~$50 000 при 10 000 пользователей. Эксплуатация съедает выгоду.

Третья — задержка ценности. Time‑to‑value составляет 9–18 месяцев. В первые 1–3 месяца value ≈ 0, но затраты уже растут. При adoption ниже 60–70% эффект не возникает.

Эти факторы усиливают друга. Рост TCO снижает запас прибыли. Задержка value увеличивает риск. Низкий adoption обнуляет результат.

Мини‑фреймворк расчёта ROI

1. Полный TCO = инфраструктура + интеграции + поддержка + комплаенс.

2. Валовая value = ожидаемая экономия × уровень adoption.

3. Динамика = учёт задержки: 1–3 мес ≈ 0; 4–6 мес: 10–20%; 7–12 мес: 40–70%; зрелость: 70–90%.

4. Risk‑adjusted value ≈ базовая value × 0.34 (0.7×0.7×0.7).

5. ROI = (risk‑adjusted value − TCO) / TCO.

Так видно, где проект становится убыточным ещё до масштаба.

Что видят ответственные за P&L

Финдиректор видит счета вместо экономии. Продукт — несбывшиеся прогнозы. У data‑команд накапливаются гипотезы без связи с результатом: в одном кейсе 57 гипотез и почти нулевая корреляция.

Оптимистичные оценки размываются. ROI в сотни процентов сжимается долей или уходит в минус.

Ключевой вывод

Проблема не в моделях. Она в экономике внедрения. Без полного TCO, сценариев adoption и учёта времени до value проект не дойдёт до P&L.

Три сценария, где проект теряет экономику

Пилот успешен, но бюджет растёт

Вы — продуктовый лидер. Пилот показал точность и позитивные отзывы.

На масштабе всплывают интеграции с CRM, поддержка данных и обучение. Эти расходы не были в модели. В первые месяцы value ≈ 0, бюджет растёт, эффект откладывается.

Фокус должен быть на экономике масштаба, а не на пилоте.

Масштабирование раздувает счета

Вы — CIO. Переводите inference в продакшн для тысяч пользователей.

Стоимость растёт непропорционально: с десятков долларов до десятков тысяч. Инфраструктура съедает выгоду, план по ROI рушится.

Нужно считать стоимость эксплуатации заранее.

Ограничения домена обнуляют эффект

Вы — Head of Data. Много гипотез и быстрые эксперименты.

В одном кейсе — 57 гипотез и почти нулевая корреляция с результатом. Дополнительно до 70% потерь вне зоны влияния из‑за комплаенса и внешних факторов.

Даже хорошая модель не меняет P&L. Нужен отбор гипотез с учётом TCO, adoption и ограничений домена.

Как отбирать проекты, которые дойдут до P&L

Проблема ясна: экономика ломается на масштабе. Значит, отбор проектов должен идти от экономики.

Три практических правила:

— Считайте полный TCO до запуска. Если скрытые расходы удваивают бюджет, проект под вопросом.

— Закладывайте adoption не ниже 60–70%. Ниже — нет бизнес‑эффекта.

— Учитывайте задержку value. Если проект не выдерживает 9–18 месяцев до эффекта, ROI не сложится.

С этими условиями оптимистичный ROI проходит риск‑коррекцию (≈34%) и остаётся положительным. Без них цифры 340% сжимаются до ~40% или ниже.

Такой подход снижает число пилотов «ради галочки» и оставляет инициативы, которые реально попадут в P&L.

Пилот и масштаб живут в разной экономике. Ожидание, что точность модели автоматически даст ROI, не работает.

Рабочий подход — считать AI как инвестицию. Нужны полный TCO, сценарии adoption и реальный график появления value.

Это меняет решения по бюджету. Видны расходы, которые увеличивают TCO в 2–3 раза. Понятны риски по inference и порогу adoption. Учитывается задержка 9–18 месяцев и риск‑коррекция, которая сжимает ROI до реалистичных значений.

Инструменты важны постольку, поскольку сокращают время до value и делают расходы предсказуемыми. Если решение не влияет на эти параметры, оно не улучшит P&L.

Вывод: без расчёта полной стоимости и управляемого adoption AI остаётся дорогим экспериментом.

Вопросы по ROI AI‑проектов