Почему реальный ROI AI‑проектов ниже заявленной эффективности?

Реальный ROI AI‑проектов vs заявленная эффективность: почему обещания в презентациях рушатся на продакшне

Цифры из презентаций по AI почти всегда выглядят лучше реальности. В слайдах — высокий ROI и быстрая окупаемость. В работе — задержки, рост затрат и слабый эффект. Это видно и по данным исследования get experts (5453 респондента).

Проблема не в моделях. Ошибка в расчётах. Компании берут неверный baseline, не считают полный TCO игнорируют реальный adoption сотрудников. В итоге выгоду считают до того, как появляется управляемая система использования.

Отсюда разрыв: пилот выглядит успешным, но денег не приносит. Только около 5% компаний получают измеримую ценность на уровне всей организации. Реальный time-to-value растягивается на 9–18 месяцев. После учёта рисков ожидаемый ROI падает — иногда до 40% от изначальных оценок.

Это не частные ошибки, а системная модель оценки. Дальше разберём, где именно возникает искажение и что проверять в первую очередь.

Где возникает разрыв между ожиданием и результатом

AI‑проекты продают как быстрый способ сократить затраты. Логика проста: автоматизация даёт экономию, значит ROI быстрый. На этом уровне и принимают решения.

Но в операционной среде эта логика ломается. Эффект не масштабируется так же быстро, как в пилоте. Затраты растут, а использование остаётся фрагментарным.

Ключевая проблема — в допущениях. Расчёты строят на идеальных сценариях, где модель сразу используется всеми и без дополнительных издержек. В реальности этого не происходит.

Отсюда и разрыв: презентационная модель показывает прибыль, а фактическая — затраты и задержку эффекта.

Почему расчёт ROI ломается на практике

Как считают ROI в презентациях

Сначала задают идеальный baseline. Процесс ускорился, ручной труд снизился, экономия очевидна.

Затем улучшения модели принимают как гарантированный результат. Без учёта поведения людей и системы.

Так появляется ложная связка: если модель работает, значит есть экономический эффект.

Где расчёт искажается

Во‑первых, ценность редко масштабируется. Только около 5% компаний получают эффект на уровне всей организации. Остальные остаются на уровне пилотов.

Во‑вторых, эффект запаздывает. Реальный time‑to‑value — 9–18 месяцев. Это ломает сценарий «быстрой окупаемости».

В‑третьих, риск снижает результат. При risk‑adjusted подходе ROI падает примерно до 40% от оптимистичных оценок.

Дальше — расходы. Полный TCO часто не считают.

Интеграция, поддержка данных, безопасность, доработка процессов — всё это увеличивает бюджет в 2–3 раза.

Отдельно — inference. В пилоте это десятки долларов. При масштабе — до $50 000. Это меняет экономику проекта.

И наконец, adoption. Если сотрудники не используют систему, эффекта нет. Порог — 60–70%. Ниже — проект фактически провален.

Пример расчёта

В пилоте экономия выглядит так:

• baseline: экономия $100 000 в год

• затраты: $20 000

• ROI: +400%

После выхода в продакшн картина меняется:

• полный TCO вырастает до $60 000

• adoption — 50%, значит реализуется только половина эффекта

• фактическая экономия: $50 000

Итог:

• ROI ≈ −17%

Модель работает. Экономики — нет.

К чему это приводит

Компания получает локальный успех без системной выгоды.

Бюджеты растут, инфраструктура усложняется, а эффект не масштабируется. Руководители видят улучшения в тестах, но не в финансовых показателях.

Это снижает доверие к инициативам искажает инвестиционные решения.

Что из этого следует

Проблема не в технологии. Проблема в модели оценки.

Пока baseline, TCO и adoption считаются формально, заявленный ROI будет расходиться с реальностью.

Типичные сценарии провала после пилота

Пилот успешен, масштаб — нет

Вы считаете эффект на тесте и переносите его на всю компанию.

В продакшне появляются интеграции, поддержка и обучение. Срок окупаемости сдвигается.

Итог: проект тормозят, доверие падает.

Внедрение есть, использования нет

Вы запускаете решение, но не контролируете adoption.

Сотрудники работают по‑старому. Инструмент используют эпизодически.

Итог: затраты есть, эффекта нет.

Масштабирование ломает экономику

В пилоте модель стоит $100 в месяц.

При росте нагрузки расходы на inference растут до десятков тысяч.

Итог: проект обсуждают как источник затрат, а не ценности.

Что проверить перед запуском проекта

Чтобы не повторить этот сценарий, меняйте подход к расчётам.

• Проверьте baseline: он должен отражать реальный процесс, а не идеальный

• Посчитайте полный TCO: включая интеграции, поддержку, данные и масштаб

• Оцените adoption: кто и как будет использовать систему, и что мешает

• Смоделируйте нагрузку: как меняются затраты при росте

Это переводит проект из «пилота с гипотезой» в управляемую инвестицию.

Как считать ROI без иллюзий

AI‑проекты часто продают эффект до того, как он становится операционным. Из расчётов выпадают baseline, полный TCO и реальный adoption. Поэтому пилоты выглядят лучше, чем бизнес‑результат.

Чтобы избежать этого, проверьте модель до запуска:

• baseline отражает текущую реальность, а не идеальный процесс

• в TCO включены все операционные расходы

• есть план достижения adoption не ниже 60–70%

• ROI посчитан с учётом рисков, а не в оптимистичном сценарии

Так расчёт становится проверяемым. Разрыв между ожиданием и фактом снижается.

Реальный ROI AI‑проектов vs заявленная эффективность можно оценить только через операционные метрики. Всё остальное — презентация, а не экономика.

Вопросы по расчёту ROI AI