70% российских предприятий пока не окупили инвестиции в ИИ

Консалтинговая компания TRIADA Partners (бывшие партнеры и консультанты Mckinsey & Company) проанализировала данные по использованию технологий искусственного интеллекта более 10 компаний-клиентов, крупнейших бизнесов на российском рынке в сегментах горной добычи, металлургии, нефтегазовой и строительной отрасли. Согласно данным исследования, около 70% корпораций на текущий момент не окупили инвестиции в технологии искусственного интеллекта, в частности, генеративного.

Искусственный интеллект, и особенно генеративный AI (Generative AI - модели ИИ для создания нового контента), переживает стремительный рост, сопоставимый по значимости с появлением интернета:

• К 2025 году более 70% российских компаний внедрили генеративный ИИ хотя бы в одной бизнес-функции
• С 2020 г. инвестиции в GenAI выросли в 17 раз и превысили $30 млрд в год
• По прогнозам, инвестиции в GenAI увеличатся на 60% в течение следующих 3 лет

Однако! Несмотря на миллиардные инвестиции, большинство компаний еще не получает выгоды от внедрения ИИ в целом, и генеративного в частности:

• По данным BCG, 75% компаний пока не видят окупаемости инвестиций в ИИ
• По данным MIT, 95% корпоративных GenAI-инициатив не дают позитивного ROI

На текущий момент средний срок ожидаемой окупаемости инвестиций в ИИ-технологии для российских компаний составляет в среднем два-три года. Но по прошествии этого периода многие бизнесы все еще не могут компенсировать понесенные затраты.

Стоимость готовых ИИ-решений (модель и поддержка) у вендоров сегодня превышает десятки и даже сотни миллионов рублей, а также обязывает компании делиться с вендором данными, что вызывает опасения в вопросах безопасности и реальной ценности сделки для обеих сторон.

Модель:

• In-house: технически сложно для нецифровой компании
• Outsource: малые кастомные модели ($200-500k), средние корпоративные модели ($1-5 млн), серьезные LLM-модели, как GPT4/5 ($10+ млн)
• Open source: бесплатно, но далее потребуются лицензии на доп. сервисы
• Дополнительно нужно потратиться на блоки серверов ($200-500k на 8 карт), и обновление / дообучение модели ($5-50k)

Инфраструктура (перестройка IT-ландшафта, облака, лицензии) и интеграция с имеющимися системами:

• Хостинг модели: облачные серверы $1-10k в месяц
• Интеграция с другими системами и процессами: $10-50k

Сбор, очистка и структурирование данных:

• Создание высококачественного датасета обойдется $10-90k

Затраты на персонал: разработчики и обучение пользователей - до $400k в год
Перестройка процессов и ролей (связка «человек + ИИ») - $50-80k
Риск-менеджмент - $25-50k в год
Тестирование и эксплуатация, включая энергопотребление - $50-70k в год

Сегодня у российских компаний есть два пути внедрения генеративного ИИ:

Первый: купить готовое решение (модель и поддержка) у вендоров - лидеров российского или мирового рынка, но, во-первых, стоимость таких решений пока очень высокая - десятки или даже сотни миллионов рублей, и во-вторых, необходимо делиться с вендором данными, что вызывает опасения в отношении и реальной ценности сделки для обеих сторон (уникальный датасет может помочь значительно улучшить модель вендора).

Второй: использовать бесплатную модель open source – модель бесплатна, инвестиции потребуются только в инфраструктуру (50-100 млн руб.) – многие компании сегодня предпочитают идти этим путем.

TRIADA Partners выделили 7 ключевых компонентов для внедрения искусственного интеллекта для крупных промышленных предприятий:

1. Единая стратегия и координация ИИ-проектов:
Без общей стратегии и цифровой дорожной карты разные отделы могут внедрять ИИ параллельно и разрозненно, что приводит к конфликтующим решениям.
Пример: Unilever внедрил ИИ в масштабах всей цепочки поставок (прогнозы спроса, транспорт, склады), что позволило получить комплексный эффект: повышение общей эффективности оборудования (OEE) на 3%, повышение производительности труда на 5% и снижение затрат на 8%.

2. Увеличение масштаба внутри корпорации:
Одиночные пилоты не дают системного эффекта - нужно охватить все ключевые и поддерживающие функции (производство, маркетинг, HR, закупки, финансы, юристы). Масштабирование требует пересмотра операционной модели: дизайн процессов, выстраивание новой архитектуры.
Пример: Toyota сначала отработала решения на внутренних процессах, а затем тиражировала их на глобальном уровне.

3. Коммерциализация и вывод ИИ-решений на рынок:
Успешные корпоративные разработки могут стать самостоятельным продуктом или сервисом для внешнего рынка, а корпорации могут предлагать ИИ-платформы для партнёров и клиентов.
Пример: Сбер превратил свою разработку GigaChat в предложение для госорганов и бизнеса.

4. Приоритизация кейсов с ощутимым эффектом:
Компаниям стоит фокусироваться только на кейсах, которые решают конкретные бизнес-проблемы и дают быстрый измеримый результат.
Пример: Maersk, для которой топливо является основным источником затрат, оптимизировала с помощью ИИ маршруты и склады, сократив расход топлива на 12% (экономия $150 млн в год), и повысив коэффициент использования контейнеров 30%.

5. Чёткие цели и KPI:
Для каждого проекта нужно разработать измеримые показатели, напрямую привязанные к бизнес-эффекту.
Пример: ABO Wind - компания, работающая в сфере зеленой энергетики, совместно с IBM внедрила инструмент на основе ИИ для оптимизации документации с четкими KPI: повышение эффективности и мониторинга заявок.

6. Адаптация организационной структуры под ИИ
Лучшая практика – это гибридная модель, когда создается центр ИИ-экспертизы (Center of Excellence) для разработки методологии, стандартов и обучения, и формируются проектные команды в бизнес-единицах для внедрения в конкретных процессах. Каждая инициатива при этом реализуется кросс-функциональной командой (бизнес-заказчик, ИТ-архитектор, дата-сайентист и др.).
Пример: Walmart создал CoE для координации усилий в ИИ, что позволило повысить оборачиваемость запасов на 30% и снизить затраты цепочки поставок на 20%.

7. Инвестиции в инфраструктуру и данные
Ключевой фактор - обеспечение современного ИТ-фундамента и готовности данных к внедрении ИИ-решений.
Пример: Visa за последние десять лет инвестировала 3,5 млрд долларов в инфраструктуру данных, чтобы гарантировать поддержку внедрения ИИ