Обходится ли ИИ компаниям дороже, чем ИТ-специалисты?

Может ли ИИ обходиться российской компании дороже, чем работа штатных ИТ-специалистов — на эту тему рассуждает Андрей Эли, директор по информационной безопасности, Hoff Tech, резидент бизнес-клуба Кибердома.

Утверждать, что люди в целом дешевле ИИ, неправильно. Применительно к отдельным проектам можно сказать, что ИИ обходится дороже работы штатных ИТ-специалистов.

Сравнивать нужно не зарплату сотрудника со стоимостью одного запроса к модели, а полную стоимость выполнения конкретной операции человеком и системой на базе ИИ. В эту стоимость входят токены или лицензии, инфраструктура, подготовка данных, интеграция, информационная безопасность, сопровождение, проверка результатов и цена возможной ошибки.

Это примерно, как сравнивать стоимость экскаватора и бригады строителей. Экскаватор способен заменить часть ручного труда, но сам он не выберет, где строить дом, не подготовит площадку и не примет результат. С ИИ происходит то же самое.

ИИ не лечит компанию

ИИ стоит воспринимать не как лекарство, а как катализатор. Он не исправляет компанию, а ускоряет то, что в ней уже происходит.

Если процессы понятны, данные приведены в порядок, а ответственность распределена, ИИ поможет работать быстрее и масштабировать сильные стороны, но если внутри беспорядок, документы противоречат друг другу, системы не связаны, а владельцев процессов невозможно найти, нейросеть не наведёт порядок. Она превратит существующий беспорядок в автоматизированный хаос. Причём масштабироваться этот хаос будет с машинной скоростью.

Поэтому две компании могут внедрить одну и ту же модель и получить разные результаты. Одна сократит время обработки документов в несколько раз. Другая потратит месяцы на пилот и тихо закроет его после вопроса финансового директора: «А где деньги?» Часто проблема не в самой модели. Компания пытается автоматизировать процесс, который сначала стоило просто привести в порядок.

Из чего складывается стоимость ИИ

На демонстрации нейросеть выглядит почти бесплатным сотрудником. Она не спит, не уходит в отпуск, отвечает за секунды, а каждый отдельный запрос стоит недорого, но когда решение переносят в промышленную эксплуатацию, вокруг этого «бесплатного сотрудника» появляется ещё одна ИТ-команда.

Кто-то должен подготовить данные, интегрировать модель с корпоративными системами, настроить права доступа, контролировать качество ответов и следить за расходами.

Компания покупает не просто модель. Она строит вокруг неё новый производственный контур. И чем сложнее задача, тем дороже этот контур.

Несколько копеек или рублей за запрос выглядят прекрасно, пока моделью пользуются пять человек. В промышленной эксплуатации появляются тысячи пользователей, длинный контекст, повторные обращения, проверочные вызовы и цепочки ИИ-агентов.

Один запрос пользователя может запустить десятки обращений к модели: получить данные, составить план, обратиться к корпоративным системам, проверить результат и исправить ошибку.

С точки зрения пользователя это одна операция. С точки зрения инфраструктуры — целая цепочка вычислений. Gartner рекомендует компаниям моделировать окупаемость проектов исходя из расходов, которые могут оказаться в четыре раза выше текущих. Одна из причин — распространение сложных агентных сценариев, увеличивающих расход вычислительных ресурсов на каждую выполненную задачу.

Сначала данные, потом магия

До внедрения ИИ компании приходится провести инвентаризацию источников, удалить дубли, исправить ошибки, унифицировать форматы и привести справочники к единому стандарту. Нужно определить, какие данные считаются достоверными, кто отвечает за их обновление и кому разрешено их использовать. Это и есть нормализация данных, о которой часто забывают на красивых демонстрациях.

На практике один клиент может быть записан в трёх системах по-разному, даты хранятся в нескольких форматах, а актуальная инструкция лежит рядом с пятью устаревшими версиями.

Особенно заметна эта проблема в системах с RAG, где нейросеть формирует ответы на основе корпоративных документов. Если база знаний содержит дубли, противоречия и устаревшую информацию, модель не исправит их. Она соберёт из них убедительный, но неправильный ответ.

ИИ не отменяет правило «мусор на входе — мусор на выходе». Он лишь делает мусор на выходе быстрее, убедительнее и дороже.

Результат всё равно приходится проверять

Чем выше цена ошибки, тем дороже человеческий контроль. Если нейросеть ошиблась в черновике рекламного текста, ничего страшного не произошло. Если она неверно классифицировала платёж, изменила конфигурацию системы или заблокировала легитимного клиента, стоимость ошибки может превысить всю ожидаемую экономию.

Поэтому рядом с ИИ часто остаётся человек, который проверяет результат. Если сотрудник раньше готовил документ 30 минут, а теперь получает черновик за минуту и ещё 25 минут его перепроверяет, экономический эффект выглядит не так впечатляюще.

Если после внедрения ИИ человек тратит столько же времени на проверку ответа, сколько раньше тратил на выполнение задачи, то автоматизирован не процесс. Автоматизирована иллюзия.

Эту проблему показывает исследование MIT Project NANDA. Около 95% изученных корпоративных пилотов генеративного ИИ не продемонстрировали измеримого влияния на показатели прибыли и убытков. Это не означает, что модели технически не работали. Компании не смогли превратить их работу в заметный финансовый результат.

Gartner также отмечает, что по итогам 2025 года не менее половины проектов генеративного ИИ были остановлены после пилота. Среди причин — плохие данные, растущие затраты, недостаточный контроль рисков и неясная бизнес-ценность.

Что это означает для России

ИИ выгоден там, где есть большой объём однотипных операций: классификация документов, первичная обработка обращений, внутренний поиск, подготовка типовых ответов, генерация тестов и помощь разработчикам, но если операций немного, задачи нестандартные, а цена ошибки высокая, содержание ИИ-инфраструктуры может обойтись дороже работы специалистов.

У российского рынка есть дополнительная особенность. Зарплата инженера формируется локально, а стоимость оборудования и вычислительных мощностей ближе к глобальной.

Добавим ограничения на использование зарубежных сервисов, требования к размещению данных и необходимость разворачивать модели внутри собственного контура. Решение, которое зарубежная компания подключает по подписке, у нас иногда превращается в отдельный инфраструктурный проект.

По оценке ИСИЭЗ НИУ ВШЭ, для массового внедрения ИИ к 2035 году российским предприятиям потребуется примерно в 12 раз увеличить совокупные годовые затраты на эти технологии. Значительная часть средств понадобится для оборудования, программного обеспечения и инфраструктуры.

ИИ не отменяет ИТ-бюджет. Он меняет его структуру и добавляет новые статьи расходов.

Как считать экономику

Считать нужно полную стоимость: модель и вычисления + подготовка данных + интеграция + инфраструктура + безопасность + сопровождение + человеческая проверка + стоимость ошибок.

Затем эту сумму нужно делить не на количество запросов к модели, а на количество полезных результатов, которые бизнес принял без повторной работы.

Иногда ИИ позволит обслуживать растущий объём задач без расширения штата. Иногда обычная автоматизация и наведение порядка в процессах дадут больший эффект. А иногда квалифицированный специалист останется самым дешёвым и надёжным решением.

Поэтому нельзя утверждать, что ИИ в России в целом станет дороже ИТ-специалистов. Но период безусловной веры в его дешевизну заканчивается. ИИ дешевле человека только в презентации, где забыли посчитать данные, интеграцию, контроль качества и цену ошибки. Иначе получится очень современный, технологичный и дорогой способ ничего не изменить.