Архив рубрики ~Лента новостей~

95% ИИ-проектов «не дают эффекта», а лидеры зарабатывают на ИИ миллиарды. Разница начинается с умения управлять и считать. Вот методика, под которой подписались 13 крупнейших банков страны

95% ИИ-проектов «не дают эффекта», а лидеры зарабатывают на ИИ миллиарды. Разница начинается с умения управлять и считать. Вот методика, под которой подписались 13 крупнейших банков страны
95% ИИ-проектов «не дают эффекта», а лидеры зарабатывают на ИИ миллиарды. Разница начинается с умения управлять и считать. Вот методика, под которой подписались 13 крупнейших банков страны

«95% корпоративных пилотов ГенИИ не показали измеримого эффекта в доходах» — это MIT, август 2025-го; в сентябре близкую картину дал BCG, к ним добавился PwC в глобальном опросе топ-менеджмента компаний. А Сбер за тот же 2025 год отчитался о 475 млрд рублей эффекта от ИИ — и он не один: МТС, Норникель, X5, ВТБ тоже публично называют миллиарды. Полный рейтинг — ниже в статье.

Формально противоречия нет: кто-то же должен попадать в успешные 5%. Но когда туда попадает почти весь крупнейший бизнес страны — от банков до металлургов, — это не статистика везения, а закономерность. Лидеров отличает не качество нейросетей, а качество управления ИИ-трансформацией: стратегия, приоритизация портфеля, готовность закрывать слабые пилоты. И в фундаменте этого управления лежит одна базовая способность — честно считать эффект. Без неё ИИ-стратегией невозможно управлять, и рынок платит за это десятками миллиардов рублей плохих решений в год.

В ноябре 2025-го тринадцать крупнейших финансовых организаций страны впервые подписали единую методику расчёта финансового эффекта от ИИ — её совместно собирали Альянс в сфере ИИ и Ассоциация ФинТех, а я лидировал эту разработку. Сразу оговорюсь: методика создавалась для финансовой индустрии, и фокус статьи — на ней; но большинство принципов и ошибок учёта универсальны и переносятся на любую отрасль. Ниже — её суть на одной странице, пять ошибок учёта, из-за которых «эффект не сходится», и чек-лист, по которому теперь можно проверить любой ИИ-проект за 10 минут.

95% — это не про ИИ. Это про управление, которое начинается с учёта

Если читать только заголовки, можно подумать, что мы живём в эпоху самой дорогой технологической ошибки в истории.

  • MIT NANDA в августе 2025-го опубликовали отчёт «The GenAI Divide»: из 300 корпоративных пилотов 95% не принесли измеримого эффекта на P&L.
  • BCG в сентябрьском «Build for the Future 2025» заявил, что только небольшая «верхушка» компаний реально извлекает деньги из ИИ, остальные 60% — в зоне стагнации.
  • PwC в Global CEO Survey: 56% компаний не увидели от ИИ ни роста выручки, ни снижения затрат; и только 12% получили оба эффекта.

У этого провала есть ёмкое имя. Самый громкий из отчётов — MIT «The GenAI Divide» — описывает происходящее так:

«Подавляющее большинство корпоративных ИИ-пилотов застревает в «чистилище пилотов»: они не доходят до продакшна и никогда не двигают P&L»

MIT NANDA, «The GenAI Divide: State of AI in Business 2025»

Десятки миллиардов долларов вложений — и проекты, которые ни живы, ни мертвы: их бесконечно «пилотируют», но в годовой отчёт они так и не попадают. На этом фоне легко поверить, что у ИИ эффекта нет в принципе.

А теперь — другая картина из того же года. Перед этой статьёй я собрал в один рейтинг публичные заявления крупного российского бизнеса об эффекте от ИИ — по отчётности МСФО, годовым отчётам и официальным заявлениям компаний. Такую сводку, насколько я знаю, до этого не публиковал никто:

Рейтинг «Где деньги, ИИ?»: финансовый эффект от ИИ у крупного российского бизнеса, 2024–2025Рейтинг «Где деньги, ИИ?»: финансовый эффект от ИИ у крупного российского бизнеса, 2024–2025

Десять компаний открыто называют суммы — от 200 млн до 475 млрд рублей в год. Но главная колонка здесь даже не рубли, а доля от прибыли до налогообложения: у Сбера эффект от ИИ — уже пятая часть прибыли, у МТС, Норникеля и X5 — 4–5%. И обратите внимание: это давно не только банки. Металлурги, ритейл, телеком, девелопер.

За кадром рейтинга — ещё десятки компаний, которые называют цифры по отдельным проектам: от 1 млрд ₽ на одном цифровом двойнике месторождения у «Газпром нефти» до 433 млн ₽ в месяц на чат-боте поддержки у Т-Банка.

Все цифры — из отчётности и официальных заявлений; там, где прибыль не раскрыта, доля посчитана оценочно (источники — в подписи к графику). Если читать отчёт MIT буквально, все эти компании — те самые «везучие 5%». Но аномалия, в которую попадает почти весь крупнейший бизнес страны, — уже не аномалия. Это закономерность, у которой есть причина.

Причина скучнее, чем хотелось бы и евангелистам, и скептикам: лидеры управляют ИИ как инвестиционным портфелем, и в основе этого управления — дисциплина учёта. Умение считать эффект — далеко не единственное их отличие, но ключевое из измеримых: без него невозможно ни приоритизировать проекты, ни вовремя закрывать неудачные, ни масштабировать удачные. Проблема в том, что единой методики такого учёта у рынка до недавнего времени попросту не было — каждая компания изобретала её сама, и поэтому одни и те же 100 миллионов рублей у одного банка превращались в «эффект получен», а у другого — в «эффект не подтвердился».

Кстати, этот разрыв — не первый в истории. В 1987-м нобелевский лауреат Роберт Солоу иронизировал:

«Компьютерную эпоху видно повсюду — кроме статистики производительности».

Роберт Солоу, The New York Times Book Review, 1987

Парадокс Солоу разрешился лишь к концу девяностых, когда компании перестали просто закупать технологии и начали перестраивать под них процессы — и мерить отдачу. С ИИ происходит та же история, просто в ускоренной перемотке: у одних он уже в P&L, у других — пока только в презентациях.

Почти год ушёл на то, чтобы собрать этот стандарт. Я лидировал проект на площадке Альянса в сфере ИИ совместно с Ассоциацией ФинТех, и главным было даже не написать формулы, а свести за один стол финансовые блоки тринадцати организаций — у каждой свои модели, своя бухгалтерия, свои представления о том, что вообще считать эффектом, — и довести их до общих формулировок. Это, честно говоря, было сложнее, чем сама математика. К ноябрю 2025-го методику подписали Сбер, Т-Банк, Альфа-Банк, ВТБ, Газпромбанк, Россельхозбанк, Московская биржа, ВСК, ДОМ.РФ, МКБ, ВЭБ.РФ, Капитал Лайф Страхование и ПСБ. То, что я ниже расскажу, — выжимка из 88 страниц, переведённая с языка финдиректоров на язык бизнес-лидеров. Если у вас есть хотя бы один ИИ-пилот в компании — это для вас.

Что такое финэффект от ИИ на самом деле: восемь типов вместо одной цифры

Главный месседж методики, который ломает многим картину мира: ROI от ИИ — это не одна цифра. Это сумма восьми разных эффектов, у каждого своя формула и своя строка в P&L. Краткий пример кейса для каждого типа — на иллюстрации.

Восемь типов финансового эффекта от ИИВосемь типов финансового эффекта от ИИ

1. Рост доходов — операционный доход растёт.

2. Снижение операционных расходов — OPEX сокращается.

3. Высвобождение штатной численности (ПШЕ) — экономия на ФОТ.

4. Снижение операционных рисков — меньше штрафов и потерь.

5. Высвобождение ликвидности — деньги быстрее возвращаются в оборот.

6. Восстановление / недосоздание резервов — реальное влияние на кредитный риск.

И ещё два — с косвенным влиянием:

7. Учётные эффекты резервов — без изменения фактического риска, но с временным влиянием на P&L.

8. Снижение расходов на капитал — за счёт оптимизации RWA.

К ним добавляются стратегические эффекты: NPS / CSAT / CSI, время до результата (time-to-X), loss prevention, «виртуальный P&L» от «ненайма» сотрудников. Они не идут напрямую в строчку дохода, но в долгосрочной оценке — критичны.

Что это значит на практике. Когда CDO приходит к CFO с одной общей цифрой «эффекта от ИИ» и не показывает разбивку по этим восьми категориям — это первый звоночек, что внутри сидит та или иная ошибка учёта (к пяти самым частым перейдём чуть ниже). Когда разбивка есть — разговор сразу превращается из «верю / не верю» в нормальный диалог про допущения.

Пять кейсов из методички: как реально считаются миллиарды

Я выбрал пять кейсов с разными типами эффекта — чтобы было видно, что одна формула на всё не работает, и каждая категория эффекта имеет свою механику. Все цифры — из публичной версии методики, можно проверить.

1. Т-Банк, чат-бот в поддержке клиентов — 433 млн ₽ в месяц. Тип эффекта: снижение OPEX через высвобождение времени операторов. Формула из методики: Δt = (время операторов в контроле / клиенты в контроле − время операторов в тесте / клиенты в тесте) × клиенты в тесте, далее Экономия = Δt × стоимость секунды оператора. Холдаут-контроль (1% клиентов — сразу на операторов, 99% — сначала на бота), поминутный учёт, точная стоимость секунды. Поэтому цифре можно верить.

2. Альфа-Банк, скоринговая модель определения дохода — +23 процентных пункта к ожидаемой доходности (∆eROE). Тип эффекта: снижение расходов на капитал. Формула из методики: eROE = ожидаемая чистая прибыль / (RWA × CAR). Без модели — 35%, с моделью — 58%, разница ∆eROE = 23 п.п. Точнее оценка дохода заёмщика → ниже RWA → меньше потребление капитала. Модель валидировали с ЦБ.

3. MOEX, AutoML для регулярной отчётности — 10,67 млрд ₽ в год. Тип эффекта: высвобождение ПШЕ. Формула из методики: Фин. эффект = кол-во моделей × чел.-дней на расчёт × расчётов в год. В цифрах: 1500 моделей × 5 чел.-дней × 52 расчёта = 390 тыс. чел.-дней/год = 1611 ПШЕ = 10,67 млрд ₽. ROI на горизонте трёх лет — тысячи процентов: математика низкого знаменателя, инвестиции в платформу невелики относительно эффекта.

4. Сбер, B2B-кампании продаж — 182 млн ₽ за 2023 год. Тип эффекта: рост доходов. Формула из методики: Финансовый эффект = Σ_i Σ_j ΔКонверсии_i × БазаЛидов_j × P&L_ij. Простая структура, но с честной контрольной группой и без двойного учёта с другими моделями.

5. Газпромбанк, модель BARCELONA — 150 млн ₽. Тип эффекта: рост доходов через клиентскую сегментацию. Формула из методики: Кол-во привлечённых клиентов × LTV клиента = Итоговый эффект. Модель определяет склонность клиентов к Премиум-пакету. Даже «классические» ML-задачи дают сотни миллионов — когда их считают по методике, а не на глаз.

Пять ошибок, из-за которых ваш ROI от ИИ скорее всего завышен минимум на треть

Кейсы выше — это как считается правильно. Теперь — как ломается. Два года в Сбере на позиции Chief AI Transformation Officer, теперь в Альянсе — за это время я видел сотни расчётов эффекта от ИИ. Часто бывает, что команда приносит уверенную годовую цифру, а после верификации по методике цифра худеет на треть, иногда вдвое. Почти никогда это не злой умысел: просто в расчёт зашита одна из пяти ошибок ниже. Если про какую-то из них вы подумаете «ну да, у нас как раз так» — считайте, что статья окупилась.

Пять ошибок учёта эффекта от ИИ Пять ошибок учёта эффекта от ИИ 

Ошибка №1. «До и после» без контрольной группы

Самая частая. Команда внедрила модель скоринга — конверсия в кредит выросла с 12% до 15%. Финансисты умножают +3 п.п. на средний чек, и вот они, 180 миллионов «эффекта от ИИ».

Беда в том, что за эти же шесть месяцев конкурент закрыл два региона, регулятор поднял ключевую ставку, маркетинг запустил новую кампанию, а сезонность сама по себе тянула конверсию вверх. Сколько из тех 3 п.п. — реально от модели?

Без контрольной группы — узнать невозможно. Поэтому в методике первый, приоритетный метод оценки — A/B-тест. Если A/B невозможен (бывает) — квази-эксперимент: synthetic control, difference-in-differences, propensity score matching. И только в крайнем случае — моделирование «как было бы».

Ошибка №2. Gross вместо Net

Команда показывает выручку, которую принесла модель. Команда не показывает: зарплаты дата-сайнтистов, амортизацию серверов, лицензии, стоимость инфраструктуры мониторинга, ФОТ команды, которая модель поддерживает и переобучает.

В методике это называется «чистый (net) подход», и это, наверное, главный её принцип. Дословно:

«В оценку ИИ-проектов необходимо включать все затраты на создание и поддержку. Считаем, что чистый подход самый правильный для расчёта финансового эффекта от ИИ».

Простой тест: если в презентации эффект указан одной цифрой без вычета ФОТ + инфраструктура + внешние расходы — перед вами маркетинг, а не оценка.

Ошибка №3. Двойной учёт

Это любимая ошибка больших компаний. В банке есть скоринговая модель V1, есть антифрод-модель, есть модель приоритизации звонков. Каждая команда показывает свой эффект на одной и той же сделке. Сложите — получите ROI больше 100%.

Методика прямо требует «механизмов, исключающих двойной учёт результатов». На практике это означает: одна сделка — один эффект, поделённый между моделями по согласованной аллокации. В реальности модели работают каскадом — и просто сложить эффекты математически некорректно. На одну эту главу у нас ушло три месяца споров — потому что у каждого банка свой каскад и свои интуиции. Но результат того стоил: это контринтуитивно, зато математика наконец сходится.

Ошибка №4. Неправильный бейзлайн

«Эффект ИИ» считают как разницу с тем, что было ДО ИИ. То есть с состоянием, когда менеджеры вручную отбирали клиентов из Excel.

А правильный бейзлайн в методике — это «лучшая ближайшая альтернатива процесса TO BE». Если вместо ML-модели можно было поставить простое BI-правило или регламент — именно с ним и нужно сравнивать. Иначе в финансовую оценку от ИИ зашивается оценка эффекта от автоматизации в принципе. А автоматизация — это не ИИ, это просто хорошая дисциплина процессов, и у неё свой ROI.

Ошибка №5. Эффекты «без денег» оценивают на глаз

Лояльность, NPS, employee experience, репутация — это всё реальные эффекты. Но если их «оценивает на глаз» автор инициативы, получается анекдот: «мы повысили NPS на 5 пунктов, это даёт нам 80 миллионов дополнительной выручки в год». Откуда 80 миллионов? «Ну, чувствуется».

В методике для этого описана техника «курса размена»: через A/B-тест замерить, сколько денег (в кэшбэке, скидке или промокоде) клиент готов «менять» на пункт метрики лояльности. И уже этот курс применять к улучшению NPS от ИИ. Получается не магия, а нормальная экономика.

Чек-лист «Финэффект на одной странице»

Распечатайте, повесьте у себя над монитором, прикладывайте к каждой презентации ИИ-проекта. Если хотя бы один пункт не закрыт — эффект завышен или занижен (а это, на самом деле, такая же проблема). PDF-версию можно скачать в конце статьи.

Чек-лист «Финэффект на одной странице»Чек-лист «Финэффект на одной странице»

☐ AS IS и TO BE описаны явно, с лучшей ближайшей альтернативой в качестве бейзлайна.

☐ Выбран один из восьми типов эффекта (или явная их комбинация с разбивкой).

☐ Метод замера: A/B → квази-эксперимент → моделирование. В этом порядке, не наоборот.

☐ Учтены все затраты: ФОТ команды, инфраструктура, внешние лицензии и подрядчики.

☐ Заложен консерватизм: минимальный прогноз доходов, максимальный — расходов.

☐ Сделана проверка на двойной учёт с другими моделями в каскаде.

☐ Настроен мониторинг ML-метрик: критические модели — раз в 3 месяца, важные — раз в 6, остальные — раз в 12.

☐ Раз в год — «обратный» A/B: заменить текущую версию модели на старую и пересчитать инкремент.

☐ Финансовый блок валидировал методологию ДО запуска пилота, а не после.

☐ Эффект разнесён между владельцем процесса, центром компетенций A/B и независимыми аналитиками.

Скачать чек-лист в PDF → нажмите сюда.

Три неудобных вывода, которые я вынес лично за это время

Первое. Самая дорогая уязвимость в оценке ИИ — конфликт интересов. Тот, кто предложил инициативу, обычно сам же считает её эффект — так устроено в девяти компаниях из десяти, с которыми я разговариваю. Дело не в злом умысле: человек, который год защищал проект, физически не может смотреть на его цифры нейтрально. Простое разделение «кто предлагает» / «кто валидирует» добавляет к точности оценки больше, чем все формулы, вместе взятые.

Второе. Дисциплина учёта — не вся AI-стратегия, но её несущая конструкция. Стратегия — это ещё приоритизация, инфраструктура, люди, перестройка процессов. Но каждое из этих решений опирается на ответ на один вопрос: «сколько это принесло на самом деле?». Лучшая модель в мире без честного замера — это слайды. Слабая модель с честным замером — это деньги. Именно поэтому методика начинается не с формул, а с принципов.

Третье. Топ-результаты получают те, кто управляет ИИ как инвестиционным портфелем. Верхние 5% из данных «GenAI Divide» — это не компании с «лучшими нейросетями». Это компании с выстроенным циклом управления: посчитали эффект → закрыли то, что не работает → удвоили ставку на то, что работает → встроили в процессы. Честный учёт — не вся эта система, но именно он делает каждый шаг цикла возможным: нельзя управлять портфелем, не зная, какой проект зарабатывает, а какой просто работает.

So what? Пять действий на эту неделю

Если вы досюда дочитали — спасибо. И вот что можно сделать прямо сейчас, не откладывая:

  1. Возьмите два проекта — самый «успешный» и самый «провальный» — и пройдитесь по чек-листу выше и по восьми типам эффекта. С большой вероятностью первый окажется завышенным, а второй — недооценённым в той же пропорции. После пересчёта оба окажутся не там, где вы думали.
  2. Зафиксируйте бейзлайн ДО запуска следующего пилота. Письменно, на одной странице, с подписью владельца процесса и финансиста. После — будет поздно: каждый увидит то, что хочет увидеть.
  3. Отделите эффект ИИ от эффекта автоматизации. Если ту же задачу решает BI-правило, простой регламент или скрипт без машинного обучения — сравнивайте именно с ним, а не с «как было в 2018 году».
  4. Разнесите роли. Тот, кто предлагает инициативу, не должен в одиночку считать её эффект. Минимум три участника: владелец процесса, центр компетенций A/B и финансовый блок. Конфликт интересов убирается оргструктурой, а не формулами.
  5. Скачайте полную методику — она открытая и бесплатная, PDF лежит на сайте Альянса в сфере ИИ. 88 страниц, 11 кейсов, формулы и чек-листы. Это первый русскоязычный документ такого уровня, и его собирала вся отрасль. И это только начало: сейчас мы расширяем методику за пределы финансового сектора — на все ключевые индустрии (проект АФИИНА). Релиз — позже в этом году, анонс будет в моём канале.

И один практический вопрос напоследок — для комментариев.

Какой из восьми типов эффекта в вашей компании не считается вообще никогда? Напишите внизу, какой именно и почему. Самые частые ответы я разберу отдельным постом — с разбором, как этот эффект всё-таки посчитать.

Никита Худов — заместитель генерального директора Альянса в сфере ИИ. Лидировал разработку отраслевой методики оценки финансового эффекта от ИИ — совместного проекта Альянса в сфере ИИ и Ассоциации ФинТех. До этого — Chief AI Transformation Officer в Сбере, старший консультант в Bain & Company. Преподаёт курс «AI for Business» в МИЭФ ВШЭ. Ведёт телеграм-канал @AGI_Boardroom — про деньги и смысл в эпоху искусственного интеллекта.

Источник: vc.ru

❌ Нет похожих статей с такими тегами

Оцените материал:

Поделиться
Понравилась статья? Расскажите другим
ВКонтакте
Читайте также
Новости робототехники Компания Waymo приостановила поездки по автомагистралям по всей стране после распоряжения Департамента транспортных средств Калифорнии. Новости робототехники Это простое изменение предотвращает застревание роев роботов. Новости робототехники Как я готовил робота-собаку Unitree Go2 на удаленке к МТС True Tech Champ Новости робототехники Гибкие роботизированные манипуляторы учатся предсказывать свои следующие движения. Новости робототехники Выращенные в лаборатории мышцы мышей позволяют крошечным роботам прыгать, плавать, ходить и хватать предметы. Новости робототехники Колесные, летающие и шестиногие роботы остаются на правильном пути благодаря новому методу обучения. Новости робототехники Мягкая роботизированная рыба сочетает в себе высокоскоростное плавание и трехмерную маневренность. Новости робототехники БИОЛОГ: НЕУМЕРЕННОЕ ИСПОЛЬЗОВАНИЕ ГАДЖЕТОВ НЕОБРАТИМО МЕНЯЕТ ЛИЧНОСТЬ РЕБЁНКА Новости робототехники Искусственный интеллект в БПЛА: преимущества и риски Новости робототехники Новая система искусственного интеллекта поможет машинам более детально понимать трехмерное пространство. Новости робототехники Ростех показал кобота с «умным» зрением Новости робототехники ДНК-роботы могли бы доставлять лекарства и выслеживать вирусы внутри вашего тела. Новости робототехники Человекоподобные роботы, играющие в футбол, забили важный гол в области робототехники, продемонстрировав высокую координацию движений. Новости робототехники Специалист по робототехнике утверждает, что безопасность человекоподобных роботов должна быть первостепенной задачей. Новости робототехники Компания Waymo приостановила поездки по автомагистралям по всей стране после распоряжения Департамента транспортных средств Калифорнии. Новости робототехники Это простое изменение предотвращает застревание роев роботов. Новости робототехники Как я готовил робота-собаку Unitree Go2 на удаленке к МТС True Tech Champ Новости робототехники Гибкие роботизированные манипуляторы учатся предсказывать свои следующие движения. Новости робототехники Выращенные в лаборатории мышцы мышей позволяют крошечным роботам прыгать, плавать, ходить и хватать предметы. Новости робототехники Колесные, летающие и шестиногие роботы остаются на правильном пути благодаря новому методу обучения. Новости робототехники Мягкая роботизированная рыба сочетает в себе высокоскоростное плавание и трехмерную маневренность. Новости робототехники БИОЛОГ: НЕУМЕРЕННОЕ ИСПОЛЬЗОВАНИЕ ГАДЖЕТОВ НЕОБРАТИМО МЕНЯЕТ ЛИЧНОСТЬ РЕБЁНКА Новости робототехники Искусственный интеллект в БПЛА: преимущества и риски Новости робототехники Новая система искусственного интеллекта поможет машинам более детально понимать трехмерное пространство. Новости робототехники Ростех показал кобота с «умным» зрением Новости робототехники ДНК-роботы могли бы доставлять лекарства и выслеживать вирусы внутри вашего тела. Новости робототехники Человекоподобные роботы, играющие в футбол, забили важный гол в области робототехники, продемонстрировав высокую координацию движений. Новости робототехники Специалист по робототехнике утверждает, что безопасность человекоподобных роботов должна быть первостепенной задачей.

Оставить комментарий