Главное про AI - Вадим Жартун

они добавляют 25–40% к стоимости лицензий и инференса (inference — работа модели по генерации ответа на запрос; счёт за такие «вызовы» модели выставляет провайдер). Нет в TCO отдельной строки «подготовка данных» и «сопровождение после запуска» — бюджет занижен как минимум на четверть. Ту же оценку 25–40% мы увидим дальше, в разделе про интеграцию.

КАТЕГОРИИ ЗАТРАТ В СТРУКТУРЕ TCO AI

1: Инфраструктура и оборудование. Графические процессоры, локальные или арендованные мощности, хранилище, сеть, охлаждение — это CAPEX (capital expenditure — капитальные, разовые вложения в железо) или OPEX (operational expenditure — ежемесячная аренда). «У нас же облако» — классическая отговорка. Облачные расходы быстро обгоняют собственный дата-центр (локальный сервер компании, в IT-жаргоне часто именуемый «ЦОД», центром обработки данных), как только нагрузка растёт.

2: Лицензии и подписки. Подписки на модели через API (application programming interface — программный интерфейс, через который приложения обмениваются данными с моделью), лицензии на платформы (Microsoft Copilot, Google Vertex, AWS Bedrock — облачные платформы Google и Amazon для запуска AI-моделей; в России чаще используются Yandex Cloud и SberCloud). Это операционные расходы. Демо-доступ бесплатный. Продакшн-тарифы — совсем другие.

3: Данные и подготовка. Очистка, разметка, построение пайплайнов, выгрузка из устаревших систем, синтетика, наборы для оценки. В компаниях эту работу списывают на «задачу IT», но IT не владеет предметной областью — и результат выходит формальный.

4: Интеграция. API-шлюзы (программы-посредники между вашими системами и моделью), доработки ERP (системы планирования ресурсов предприятия — 1C, SAP и т. п.), CRM (системы управления клиентами — Bitrix24, AmoCRM и т. п.), helpdesk (служба поддержки), единый вход (single sign-on, SSO — одна учётная запись для всех систем), аудит, логирование, шифрование. «Подключим через API» — любимая фраза, за которой живут 25–40% стоимости всего решения.

5: Сопровождение и MLOps. Мониторинг качества, переобучение, обновления, дрейф модели (постепенное снижение качества модели со временем), исправления, дежурный инженер. В пилоте этим занимается энтузиаст на общественных началах. В продакшне нужен выделенный инженер.

6: Безопасность, комплаенс (соответствие требованиям закона и регуляторов), юристы. Защита от утечек, оценка рисков, политика данных, регуляторика (GDPR — General Data Protection Regulation, Общий регламент ЕС по защите данных; отраслевые нормы), юридический review. Регуляторные требования в генеративном AI подскочили с 28% до 38% как основной барьер — за один год.

7: Люди, обучение, управление изменениями. Обучение пользователей, пересборка процессов, потеря продуктивности в переходный период, найм ролей. «Люди и так разберутся» — типовая причина провала пилотов.

ТОЧКА ПЕРЕЛОМА: ОБЛАКО ДОРОЖЕ СОБСТВЕННОГО СЕРВЕРА

Миф «облако всегда дешевле» держится ровно до пилота. Дальше начинается другая арифметика: по разным отраслевым оценкам, локальное решение при нагрузке от десятков миллионов токенов в месяц и выше обходится дешевле. (Токен — минимальная единица текста, на которую модель разбивает запрос; для английского языка 1 токен ≈ 0,75 слова, для русского обычно чуть меньше.) Этот переход нельзя проскочить мимо: пилот в облаке дал результат, нагрузка в продакшне вырастает — и счёт за API приходит заново согласовывать с финансовым директором.

Перед защитой проекта у руководства пройдитесь по пяти вопросам — это фильтр, через который не проходит сырая заявка.

ВОПРОСЫ ПЕРЕД ЗАЩИТОЙ ПРОЕКТА У РУКОВОДСТВА

Прежде чем идти к генеральному директору с финансовой презентацией, проект должен ответить на пять вопросов. Это минимальный фильтр: нет ответа хотя бы на один с цифрами — проект не готов к защите. И пять вопросов — это пять разных людей в вашей организации: у каждого своя зона ответственности.

1: Сколько стоит лицензия и инференс? Это то, что знает вендор.

2: Сколько стоит интеграция с нашими системами? Это оценивает наша IT-команда.

3: Сколько стоит подготовка данных? Это оценивает владелец процесса, не вендор.

4: Сколько стоит переходный период, когда сотрудники учатся? Часто 20–30% производительности в первые 3 месяца.

5: Сколько стоит поддержка после запуска? Это 15–25% от первоначальных затрат ежегодно.

На все пять вопросов есть ответ с цифрами — проект можно защищать. На один-два есть «ну, примерно» — это ещё не проект, а только надежда на него.

ПИЛОТНЫЙ ЗАПУСК: ЖИВОЙ ПРОЕКТ ПРОТИВ МЁРТВОГО

В IT-практике три термина часто смешивают, и от смешения расползается бюджет. Proof of concept (PoC) — проверка технической возможности: «можем ли мы вообще сделать такое решение». Занимает дни или недели. Измеряется просто: получилось или не получилось.

MVP (minimum viable product) — минимально работающий продукт, который уже можно дать реальному пользователю и собрать обратную связь. Это не эксперимент, а ранняя версия сервиса.

Пилот — пробное внедрение AI в одном процессе на 30–90 дней, с реальными пользователями, метрикой и владельцем. Пилот ближе к MVP, чем к PoC: его цель не «проверить технологию», а «проверить, работает ли решение в нашем контексте». На временной шкале PoC измеряют неделями, MVP — месяцами, пилот — 90 днями.

Если в вашей компании «пилотом» называют трёхдневный эксперимент в Jupyter-ноутбуке, это ещё не пилот по смыслу этой главы. Это PoC, и для него действуют другие правила.

ЛОВУШКА «ИСПОЛЬЗУЮТ, НО ДЕНЕГ НЕ ВИДЯТ»

McKinsey State of AI 2025 даёт цифру, к которой мы ещё вернёмся в этой главе (в разделах про быстрые победы и про масштабирование она играет ту же роль): 88% организаций регулярно используют AI хотя бы в одной функции, 64% говорят, что AI помогает инновациям, но материальный эффект на EBIT видят только 39%. И даже у этих 39% речь почти всегда о менее чем 5%. Компании тратят, внедряют, обучают людей — а финансовый итог статистическая погрешность.

Это и есть та самая ловушка, в которую попадает большинство: энтузиазм есть, а отдачи нет.

Исследование MIT 2025 года показало ту же картину с другой стороны: 95% корпоративных AI-инициатив не превращаются в ощутимый возврат вложенных денег. Причина не в плохих моделях и не в слабых данных — в отсутствии AI Operating Model, то есть организационной способности довести пилот до результата. Нужны выделенная роль владельца, согласованный бюджет, регулярная обратная связь и эскалация. В компаниях есть энтузиазм, есть технологии, есть выделенный бюджет — но нет машины, которая превращает эксперимент в работающий процесс. Большая часть «использования» — десятки изолированных пилотов в карманах отделов, которые не складываются в общую картину. Почему они зависают — разберём в разделе «что делать, если пилот удался, а масштабирование буксует».

БОЛЬШОЙ ПИЛОТ ПЕРЕСТАЁТ БЫТЬ ПИЛОТОМ

Миф «пилот нужно делать