Как управлять инвестициями в ИИ, когда окупаемость невозможно рассчитать

Искусственный интеллект стал двигателем конкурентоспособности. Поэтому перед руководителями стоит важный вопрос: как финансировать и оценивать проекты, где линейная окупаемость часто остается за горизонтом предсказуемости?

Традиционные финансовые модели, которые основаны на четких метриках оценки результативности работы компании и прогнозируемых сроках возврата инвестиций, рушатся при столкновении с нелинейностью ИИ-разработки.

Валентина Шумилова, ведущий эксперт по внедрению ИИ и бизнес-консультант, утверждает: настало время заменить финансовое планирование на стратегию «бюджета на неопределенность».

Устаревшие метрики в мире нелинейных технологий

Корпоративные финансы привыкли работать с известными переменными. Если вы покупаете новый станок, вы знаете его производительность, время окупаемости и потенциальный прирост выпускаемой продукции. ИИ-проекты — научно-исследовательские работы с высокой долей риска. Вы не можете точно сказать, через сколько месяцев модель машинного обучения снизит отток клиентов на 5%, или какой именно прорыв произойдет в оптимизации логистики.

Статистика подтверждает сложность. Хотя ИИ имеет потенциал для добавления триллионов долларов к мировой экономике, по данным Gartner и McKinsey, от 70% до 85% корпоративных проектов в области генеративного искусственного интеллекта не выходят за рамки пилотных версий. Основная причина провала — неспособность связать первоначальные затраты с ощутимым, измеримым результатом в короткие сроки.

Классический показатель окупаемость инвестиций здесь бессилен, поскольку он требует гарантированного результата. Попытка применить его к ИИ приводит к тому, что компании либо отказываются от прорывных идей из-за их «рискованности», либо затягивают эксперименты до полного истощения бюджета.

Инновационный фонд

Если традиционный бюджет — карта, где отмечены все дороги, то бюджет на ИИ должен быть картой с пометкой: «Здесь можно строить дорогу». Предпринимателям необходимо выделять так называемый «инновационный фонд» или «бюджет на неопределенность». Это капитал, предназначенный не для гарантированного результата, а для исследования ландшафта возможностей.

Этот фонд оперирует по принципу рискованных инвестиций: мы финансируем портфель гипотез. Нам не нужно, чтобы каждый проект оказался успешен. Наша цель — максимизировать скорость обучения системы при минимизации стоимости проверки гипотез.

ИИ, в отличие от большинства других технологий, позволяет очень быстро генерировать и проверять гипотезы. Например, в разработке программного обеспечения, использование ИИ-инструментов или специализированных программных систем на основе большой языковой модели позволяет команде за неделю протестировать функционал, на который раньше ушли бы месяцы. Даже если гипотеза (например, «ИИ берет на себя 80% скучной работы по описанию того, как работает код») оказывается ошибочной, вы получаете важные данные о границах применимости технологии.

Компании, которые успешно внедряют ИИ, тратят до 20% своего первоначального бюджета на исследования и разработки именно на те проекты, которые в итоге оказываются «тупиковыми» или требуют полной переориентации. Эти деньги — цена обучения.

Смещение фокуса

Главная ошибка при внедрении ИИ — ждать немедленной прибыли. ИИ является приобретением новой организационной компетенции. Когда компания инвестирует в ИИ, она, в первую очередь, инвестирует в:

1. Умение команды структурировать, очищать и размечать данные для обучения моделей.
2. Навыки развертывания, мониторинга и поддержания моделей в процессе создания информации.
3. Готовность сотрудников и руководства принимать неудачу как часть процесса.

Если через год вы не увидите 300% окупаемости инвестиций, но при этом ваша команда научилась работать с векторными базами данных и вводить готовую программу машинного обучения в рабочее состояние, чтобы она начала делать предсказания или принимать решения, вы уже выиграли. Эти знания станут основой для прорывных решений в будущем.

К примеру, крупная строительная компания выделила команду для экспериментов с ИИ в области предиктивного обслуживания строительной техники. Через 18 месяцев стало ясно, что полностью автоматизировать ремонт и предотвращение поломок пока не удается с нужной точностью. Однако команда, работая над этим, разработала внутренний готовый шаблон для быстрого анализа данных с датчиков машин и обнаружения потенциальных сбоев в работе оборудования. 

Шаблон не давал прямой окупаемости за счет сокращения затрат на ремонт, но сократил время на плановые осмотры и ручную диагностику техники на 30% на других объектах. Инвестиция окупилась не тем, что планировалось изначально, а за счет вторичного применения приобретенных навыков и созданных инструментов.

Механизм экономии

Парадоксально, но самая большая экономия в ИИ-бюджете достигается за счет быстрого прекращения бесперспективных проектов. В традиционном управлении проектами существует сильное искушение «дожимать» то, во что уже вложено время и деньги (эффект невозвратных издержек). 

«Бюджет на неопределенность» требует коротких контрольных точек:

• Фаза 1 (3 месяца). Доказательство концепции. Достигнут ли минимальный уровень точности на тестовых данных? Если нет, проект закрывается.
• Фаза 2 (6 месяцев). Минимум жизнеспособного продукта. Модель работает в изолированной среде? Если процесс объединения требует слишком большого вмешательства в существующую архитектуру, проект замораживается или переносится в отдельную нишу исследования.

По статистике, более 80% ИИ-проектов в России не приносят ожидаемых результатов. Это вдвое выше, чем частота неудач среди классических ИT-проектов. Если проект не демонстрирует, что он на пути к прорыву, его закрытие экономит месяцы дорогостоящей работы высококвалифицированных специалистов.

Готовность руководства к 50% провала

Самый сложный аспект — психологический и культурный. Руководство, привыкшее к отчетности о 90% успеха в операционной деятельности, должно принять, что в инновационной сфере уровень успеха в 50% — это отличный результат.

Если из десяти экспериментов с ИИ один становится прорывом, который приносит кратный доход или создает новый продукт, этот успех покроет затраты на девять неудач.

К примеру, компания решила протестировать, можно ли использовать генеративный ИИ для оптимизации планирования ресурсов и логистики на крупных строительных объектах. Они запустили 10 пилотных проектов на 10 разных участках строительства.

• Проект 1 (планирование бетонных работ): модель не смогла корректно учесть сложные погодные условия и специфику доставки, что привело к задержкам. Провал.
• Проект 4 (управление поставками арматуры): модель оказалась блестящей в прогнозировании оптимального времени и объема поставок, минимизировав простой и затраты на хранение в 5 раз. Успех.
• Проект 7 (оптимизация маршрутов тяжелой техники): модель требовала слишком много ручной корректировки из-за постоянно меняющихся условий на стройплощадке. Нейтральный результат (заморожен).

Если бы компания требовала 100% успеха, она бы отказалась от этого направления из-за первых двух провалов. Принятие 50% неудачи как нормы позволяет выявить Проект 4.

ИИ как необходимость

ИИ — это больше не опциональный ИТ-проект, который можно отложить до лучших времен. Это изменение операционной модели.

Не внедрять ИИ означает потерять возможность понимать, как меняются рыночные правила игры. Компании, которые сегодня формируют бюджет на неопределенность и активно экспериментируют, завтра будут диктовать стандарты.

По информации Accenture, к 2025 году более 75% компаний из списка Fortune 500 будут использовать ИИ для оптимизации ключевых бизнес-процессов. Те, кто откладывает инвестиции из-за невозможности предсказать показатель возврата вложенных средств, рискуют обнаружить, что их конкуренты уже накопили критическую массу опыта. Это делает их собственные будущие попытки догнать рынок непомерно дорогими и, возможно, безнадежными.

Управление инвестициями в ИИ требует смелости отойти от финансовых рамок и принять философию постоянного, управляемого риска. Бюджет на неопределенность — плата за право оставаться востребованным в будущем.