Шаг 1. Определите ценностную метрику
Прежде чем считать ROI, нужно ответить на вопрос: что именно улучшается? Есть три категории ценности ИИ-проекта: экономия труда — ИИ выполняет задачи, которые раньше делали люди; улучшение качества — меньше ошибок, выше конверсия, лучше пользовательский опыт; новая выручка — возможности, которые без ИИ технически недостижимы.
Самая частая ошибка — смешивать все три категории в одном расчёте без разграничения. Результат — завышенная цифра ROI, которая рассыпается при первом же аудите. Выберите одну первичную метрику и считайте вокруг неё.
Шаг 2. Измерьте базовую линию
ROI — это всегда сравнение с альтернативой. Прежде чем считать выгоду, нужно зафиксировать текущее состояние: сколько часов тратится на задачу сейчас, какова текущая стоимость одной единицы работы, какой процент ошибок или потерь происходит без ИИ.
Базовая линия должна быть измерена, а не угадана. Если у вас нет данных о текущем состоянии — начните с их сбора ещё до запуска любого пилота. Измерение само по себе часто вскрывает проблемы, которые вы не ожидали найти.
Шаг 3. Компоненты затрат — полный список
Команды часто считают только очевидные статьи и удивляются итоговой сумме. Полный список затрат включает:
- Данные: очистка, разметка, хранение, пайплайны. Это часто 30–50% бюджета на первом этапе.
- API / compute: стоимость inference при целевом объёме запросов. Посчитайте её при пиковой нагрузке.
- Разработка: инженерное время на интеграцию, промптинг, RAG-систему, UI если нужен.
- Тестирование и качество: создание eval-сетов, ручная проверка результатов до выхода в прод.
- Поддержка: мониторинг, обновление промптов, реагирование на деградацию модели при обновлениях провайдера.
- Обучение команды: люди должны понять, как работать с новым инструментом и когда его не доверять.
Шаг 4. Цена ошибки
ИИ ошибается. Вопрос не «ошибётся ли», а «сколько стоит ошибка и с какой частотой она происходит». Это критически важно для расчёта реального ROI.
Если ИИ обрабатывает 1000 заявок в день с точностью 95%, значит 50 заявок в день обрабатываются неправильно. Посчитайте: сколько стоит исправить каждую такую ошибку? Сколько стоит пропущенная ошибка, которую никто не заметил? Эти числа должны войти в расчёт.
Для задач с высокой ценой ошибки (медицина, юриспруденция, финансы) формула ROI выглядит принципиально иначе — там нужно считать ожидаемые потери, а не только экономию.
Шаг 5. Expected-value фреймворк
Вместо одной «оптимистичной» цифры ROI стройте три сценария:
- Базовый: модель работает с предполагаемой точностью, объём задач — как сейчас, интеграция идёт по плану.
- Пессимистичный: точность ниже ожидаемой, часть пользователей не принимает систему, возникают технические сложности.
- Оптимистичный: всё идёт лучше плана, удаётся применить систему на смежные задачи.
Взвесьте каждый сценарий вероятностью. Ожидаемый ROI = сумма (вероятность × ROI сценария). Если даже при пессимистичном сценарии проект не уходит в минус — это хороший знак.
Где:
Экономия = часы_сэкономленные × стоимость_часа × объём_задач
Стоимость_ошибок = (1 − точность) × объём × цена_одной_ошибки
Полные_затраты = данные + compute + разработка + поддержка
Типичные ловушки завышения ROI
После работы с десятками ИИ-проектов мы видим одни и те же ошибки в расчётах:
- «100% автоматизация»: почти никогда не достигается. Всегда есть edge cases, которые требуют человека. Закладывайте 70–85% как реалистичный потолок для большинства задач.
- Игнорирование maintenance: первый год — это разработка. Со второго года — поддержка, мониторинг и обновления. Это не ноль.
- Счёт по полной ставке: если сотрудник освобождается от задачи, он не исчезает. Он делает что-то другое. ROI есть только если это «что-то другое» имеет реальную ценность.
- Игнорирование adoption: люди используют новые инструменты постепенно. Первые несколько месяцев эффективность ниже расчётной.