GreenCore 
Тендеры и лиды
Информация
В российском IT сегодня уже сложно представить крупную компанию, которая хотя бы не экспериментировала с искусственным интеллектом. Генеративный AI постепенно выходит из категории «интересно попробовать» и становится частью корпоративной повестки: по исследованию «Яков и Партнёры» и Яндекса, 71% опрошенных компаний уже используют генеративный ИИ хотя бы в одной функции, а 46% компаний внедрили или тестируют AI-агентов. Потенциальный экономический эффект от ИИ для российской экономики к 2030 году оценивается в 7,9–12,8 трлн рублей в год.
На этом фоне возникает довольно неприятный парадокс. Команда может построить работающую модель, успешно интегрировать её в корпоративную систему, добиться высокой точности, пройти нагрузочные испытания и даже получить восторженные отзывы пользователей — а затем выяснить, что проект не создаёт экономической ценности. Более того, иногда он оказывается дороже того процесса, который должен был оптимизировать.
И это, на наш взгляд, одна из главных проблем российского рынка AI на текущем этапе. Мы довольно быстро научились доказывать, что искусственный интеллект технически применим. Теперь гораздо сложнее доказать, что его применение имеет смысл для конкретного бизнеса.
По данным исследования Selectel, проведённого среди более 400 представителей российских компаний, только 15% организаций среди использующих AI уже отмечают снижение издержек, а 11% — влияние на рост выручки или появление новых источников дохода. При этом 20% пока не видят значимого эффекта вообще. Среди основных барьеров уже работающие с AI компании называют высокую стоимость внедрения, сложность оценки окупаемости и интеграцию в существующие бизнес-процессы.
Получается довольно показательная картина: проблема постепенно перемещается из области «можем ли мы сделать AI?» в область «зачем нам его делать?».
Самая распространённая ошибка начинается с неправильной точки отсчёта. Компания находит технологию, которая кажется перспективной, после чего пытается подобрать под неё задачу. Получается классический сценарий: «У нас есть LLM, давайте найдём, куда её применить».
С точки зрения CTO это особенно опасно. У технической команды естественным образом появляются свои KPI: latency, accuracy, throughput, стабильность, количество обработанных запросов, доля успешных ответов. Все эти показатели важны, но ни один из них сам по себе не отвечает на главный вопрос руководителя бизнеса: стало ли компании от этого решения лучше?
Можно построить прекрасного AI-ассистента, который отвечает на запросы сотрудников за две секунды с точностью 95%. Но если сотрудник тратит на проверку его ответа больше времени, чем раньше тратил на самостоятельный поиск информации, проект технически успешен, а экономически бессмысленен.
То же самое происходит с автоматизацией. Допустим, AI способен обработать 80% входящих документов без участия человека. На презентации это выглядит великолепно. Но если для работы системы требуется отдельная инфраструктура, несколько ML-инженеров, специалисты по данным, постоянное дообучение, контроль качества и ручная обработка оставшихся 20%, итоговая стоимость операции может оказаться выше исходной.
Именно поэтому AI-проект нельзя оценивать только через стоимость модели или API. Экономика складывается из инфраструктуры, разработки, интеграции, хранения и подготовки данных, мониторинга, информационной безопасности, поддержки, обучения сотрудников и стоимости самого изменения бизнес-процесса. Эксперты, опрошенные «Открытыми системами», также рекомендуют начинать экономическую оценку AI-инфраструктуры именно с TCO, а не с цены отдельных вычислительных ресурсов или API.
Есть и ещё один фактор, который часто недооценивают: стоимость ошибки. Если AI используется для генерации внутренних текстов, ошибка может означать дополнительную минуту проверки. Если система участвует в финансовом, юридическом, производственном или клиентском процессе, цена одной ошибки может быть совершенно другой.
Поэтому настоящий ROI AI-проекта начинается не с вопроса «сколько стоит модель?», а с вопроса «какую экономическую переменную мы хотим изменить?».
Наша система сама подберет вам исполнителей на услуги, связанные с разработкой сайта или приложения, поисковой оптимизацией, контекстной рекламой, маркетингом, SMM и PR.
Заполнить заявку
13755 тендеров
проведено за восемь лет работы нашего сайта.
Российская специфика делает вопрос экономики AI ещё интереснее. Крупные компании зачастую не могут просто взять внешний AI-сервис и отправить туда корпоративные данные. Возникают требования к безопасности, локализации, контролю данных, инфраструктуре и интеграции с существующим IT-контуром.
В результате архитектура AI-проекта может оказаться значительно тяжелее самого первоначального эксперимента. В декабре 2025 года «Коммерсантъ» писал, что российский рынок генеративного ИИ может вырасти в пять раз, до 58 млрд рублей, причём основной спрос формируют крупные компании, делающие ставку на внутренние решения из-за требований безопасности данных. Это формирует более капиталоёмкую инфраструктуру по сравнению с классической глобальной облачной моделью.
При этом рынок уже переходит от экспериментов к реальной эксплуатации. Исследование Selectel показывает, что 35% российских компаний увеличили потребление вычислительных ресурсов и сервисов для AI за последний год. Одновременно треть компаний, использующих AI, уже внедряет его в реальные бизнес-процессы, а 28% находятся на стадии пилотов.
Это означает, что ошибка «давайте сначала сделаем, а экономику посчитаем потом» становится всё дороже.
Особенно хорошо это видно на инфраструктуре. Пока AI работает в пилоте, компания может использовать относительно небольшие мощности. После перехода в production меняется всё: растёт количество пользователей, объём данных, число запросов, требования к latency и доступности. Если модель используется в цепочке из нескольких AI-агентов, количество вызовов может увеличиваться ещё сильнее. И тогда первоначальная оценка стоимости проекта начинает расходиться с реальной эксплуатационной экономикой.
Это принципиально важный момент. Проект, который экономически оправдан при 1 000 запросах в день, не обязательно будет оправдан при миллионе. Аналогично модель, которая выгодна при работе с одним процессом, может стать невыгодной после распространения на десять подразделений.
В итоге возникает ситуация, которую мы считаем одной из наиболее характерных для текущего российского AI-рынка: компания успешно внедряет технологию, а затем обнаруживает, что масштабирование этой технологии стоит дороже, чем получаемый эффект.
Не технология определяет бизнес-процесс, а бизнес-процесс определяет технологическое решение.
Это соответствует и тому подходу, который GreenCore применяет в других сложных корпоративных проектах. В кейсе по автоматизации согласования товарных позиций для «Газпром недра» задачей была не разработка очередного интерфейса или отдельного сервиса, а устранение конкретного ограничения бизнес-процесса: разрозненных систем, ручных операций, непрозрачного согласования и высокой нагрузки на сотрудников. В результате удалось ускорить процесс согласования на 43%.
Та же логика применима к AI.
Если взять процесс, найти в нём наиболее дорогой или медленный участок, определить стоимость текущей операции и только после этого решить, нужен ли там искусственный интеллект, вероятность получить экономический результат значительно выше.
Сначала нужно зафиксировать baseline: сколько стоит процесс сейчас, сколько времени занимает операция, сколько людей в ней участвует, сколько ошибок возникает, какие потери создаёт задержка и какие показатели должны измениться после внедрения.
Например: «Мы хотим сократить стоимость обработки одного документа на 40% при сохранении уровня качества не ниже 98%». Это уже совершенно другой разговор, чем «мы хотим внедрить LLM для обработки документов».
Дальше CTO может сравнить несколько вариантов. Оставить процесс как есть. Автоматизировать его классическими алгоритмами. Использовать готовую ML-модель. Подключить LLM. Построить собственную модель. Комбинировать несколько технологий.
Компания GreenCore именно поэтому в своих проектах делает акцент не на самой технологии, а на архитектуре решения, интеграциях и бизнес-эффекте. На сайте компании этот принцип сформулирован достаточно прямо: задача заключается не просто в реализации технического решения, а в построении системы, которая позволяет бизнесу быстрее принимать решения, масштабироваться и запускать новые продукты.
Для AI это особенно важно, потому что искусственный интеллект добавляет к традиционной разработке ещё один слой неопределённости. Модель может менять поведение, данные могут меняться, качество ответа зависит от контекста, а стоимость эксплуатации зависит от нагрузки.
Поэтому AI-система должна проектироваться как часть существующего IT-ландшафта, а не как автономная технологическая игрушка.
И здесь опыт GreenCore с корпоративными системами и интеграциями становится особенно релевантным. Если AI подключается к HR-контру, ERP, CRM, документообороту или внутренним базам знаний, его экономику нельзя считать отдельно от этих систем. Иногда именно интеграция оказывается более дорогой частью проекта, чем сама модель.
Есть ещё одна причина, почему AI-проекты часто оказываются экономически неудачными. За технический результат обычно отвечает IT, а за экономический эффект — формально никто.
CTO отвечает за то, чтобы система работала. Бизнес-заказчик — за то, чтобы процесс был реализован. Финансовый директор смотрит на бюджет. Но вопрос «получили ли мы тот эффект, ради которого всё это начинали?» часто остаётся между зонами ответственности.
В результате AI-проект официально считается успешным: система запущена, пользователи есть, SLA выполняется, команда закрыла backlog. Только компания продолжает тратить на неё деньги и не понимает, насколько изменился финансовый результат.
Чтобы этого не происходило, мы бы вводили для каждого AI-проекта три уровня метрик.
Первый — технические. Точность, latency, доступность, стоимость inference, количество запросов, ошибки модели.
Второй — операционные. Время обработки, количество ручных операций, производительность сотрудников, количество ошибок, скорость прохождения процесса.
Третий — финансовые. Стоимость операции, экономия FTE, снижение потерь, дополнительная выручка, маржинальность, EBITDA или другой показатель, который действительно имеет значение для конкретного бизнеса.
Только третий уровень позволяет ответить на вопрос о ROI.
Причём эффект нужно считать не только до запуска, но и после него. Это особенно важно, потому что первоначальные расчёты AI-проектов почти всегда строятся на предположениях. После запуска выясняется реальное количество пользователей, реальные расходы на инфраструктуру, доля ручной проверки, фактическое качество модели и влияние на процесс.
По данным Selectel, 20% компаний пока не видят значимого эффекта от AI, а среди ключевых препятствий уже внедрившие технологию компании называют именно стоимость, сложность оценки окупаемости и интеграцию.
При этом потенциал технологии действительно огромен. По оценке «Яков и Партнёры» и Яндекса, компании, использующие генеративный ИИ, ожидают сокращения операционных затрат и роста выручки, а средний ожидаемый прирост EBITDA от генеративного ИИ оценивается примерно в 4%. Яндекс также сообщает, что 78% компаний уже отмечают экономический эффект от использования ИИ, а в передовых отраслях совокупный эффект оценивается до 8% EBITDA.
То есть проблема не в том, что AI не создаёт денег. Проблема в том, что деньги появляются не автоматически.
AI-проект может быть великолепным инженерным решением и при этом плохой инвестицией. Может демонстрировать впечатляющую точность, но не менять экономику процесса. Может сокращать ручной труд, но требовать настолько дорогой инфраструктуры, что экономия исчезает. Может успешно работать в пилоте и становиться убыточным при масштабировании.
Поэтому зрелый подход CTO к AI сегодня заключается не в том, чтобы внедрить как можно больше искусственного интеллекта. Он заключается в способности отличить технологическую возможность от экономически оправданного решения.
И, пожалуй, главный вопрос перед запуском очередного AI-проекта должен звучать не «что мы можем автоматизировать с помощью нейросети?», а гораздо прозаичнее:
«Какой показатель бизнеса должен измениться настолько, чтобы компания была готова платить за эту технологию каждый месяц?»
Если ответа нет, начинать разработку ещё рано.
Если ответ есть и он выражается в конкретных деньгах, времени, потерях или выручке — тогда уже имеет смысл обсуждать архитектуру, модели, инфраструктуру и способ внедрения.
