Сэкономить на ИИ вместо сотрудников не получилось. Это всё чаще признают уже не только представители бизнеса, но и крупнейшие мировые банки.

"Умные помощники" нещадно тянут деньги из кубышки и к тому же отупляют ещё не уволенных сотрудников. Те скидывают агентам самые элементарные задачи, чем перегружают заложенные на ИИ бюджеты. Итог предсказуемо печальный: экономия выходит сомнительная, если не отрицательная.

Почему рассыпался миф об "умной" экономии? Кто из компаний-гигантов не побоялся вернуться к "заводским настройкам" с обычным наймом сотрудников? И как вообще формируется стоимость ИИ-архитектуры? Сейчас всё объясним.

Кейс JPMorgan
JPMorgan Chase & Co. — американский многонациональный банк, пятый по размеру в мире. Руководство банка тоже поддалось ИИ-лихорадке, чтобы с меньшим числом сотрудников выполнять больший объём работы.

Но по итогам квартальных отчётов выяснилось, что при затратах на поддержание ИИ-сервисов в $2 млрд в год банк экономит… тоже около $2 млрд. Потому что работяги не запариваются и отдают на аутсорс даже самые простые задачи, а количество ежедневных запросов приближается к полумиллиону. Цифры привёл СЕО Джейми Даймон.

Говорит, что дальше будет лучше. Но "нулевой" результат JPMorgan — чуть ли не самый удачный кейс. Потому что его коллеги пока уходят даже не в ноль, а в минус.

Кто ещё просчитался
Bank of America и Goldman Sachs тоже признают, что "финальная экономика ИИ-технологий ещё не до конца понятна". До этого гиганты, вроде Coca-Cola, Unilever, Ford, McDonald's, также закупили лицензии, наняли промпт-инженеров, запустили пилот. А через полгода обнаружили, что потенциальный профит не покрывает даже базовые счета.

Техдиректор Uber ещё в апреле израсходовал весь бюджет, заложенный на использование ИИ в 2026 году. А по словам вице-президента Nvidia Брайана Катандзаро, в его команде расходы на вычислительные мощности стали кратно превышать бюджет на оплату труда.

Почему так получается
Оплатить подписку на новейшие модели — мало. За фразой "мы внедряем ИИ" стоит не одна цифра, а как минимум шесть параллельных статей расходов:

• Модель. Подписка на ChatGPT/Claude или оплата по токенам. Разница между "премиум" и "эконом"-моделями — в 5–25 раз за один и тот же запрос.

• Железо. Один GPU-чип H100 = $30 тыс. и 700 ватт. Сервер из 8 чипов = $300 тыс. и 10 кВт. Плюс охлаждение, сеть, место в дата-центре, электричество (30–40% всей стоимости).

• Данные. Собрать, почистить, разметить. Обычно требуется команда в 5–15 человек и десятки тысяч часов ручной работы. 80% провалов — именно из-за "глючных" данных, а не плохой модели.

• Люди. ML-инженеры, промпт-инженеры, дата-инженеры, юристы по AI-compliance, безопасники. $150–400 тыс./год каждый. Команда для среднего внедрения — 20–50 человек, $10–25 млн зарплаты в год.

• Интеграция. Подключить ИИ к старым внутренним системам компании занимает год-два и десятки миллионов баксов.

• Скрытое. Проверка галлюцинаций, штрафы за ошибки, обучение сотрудников, устаревание моделей, "токенмаксинг" — когда сотрудники без лимитов гоняют дорогую модель и счёт вырастает в разы.

Побаловались и хватит
Крупная консалтинговая компания Gartner приводит занятные данные: только 20% инициатив, связанных с внедрением ИИ, показывают отдачу в первый год и только 2% показывают реальную трансформацию бизнес-процессов.

Из-за этого в конце прошлого года треть компаний, которые "погорячились" с оптимизацией штата, поспешила вернуть часть уволенных сотрудников на прежние позиции. Среди них оказались, например, шведская финтех-компания Klarna и американская Ford.

Впрочем, откатываться в доИИшные времена всё равно никто не планирует. Потенциал этого инструмента ещё не исчерпан, поэтому большинство вкладывается в него на перспективу. А насколько оправданны надежды, возложенные на ИИ, покажет только время.

Читай шире с Mash Room

Mash Room — в "МАКС"