ОСНОВНОЙ ВЫВОД Внедрение искусственного интеллекта в бизнес в России к 2030 году принесёт совокупный экономический эффект в 7,9–12,8 трлн рублей в год — до 5,5% прогнозируемого ВВП страны. Однако финансовые профили ключевых технологических направлений кардинально различаются. Генеративный ИИ (GenAI) требует до 4–5% ИТ-бюджета и высоких предельных издержек на инференс (около 95% организаций застревают в «ловушке пилотов» и не получают измеримого ROI от GenAI в моменте), тогда как зрелые рекомендательные системы (RecSys) и компьютерное зрение (CV) уже показывают стабильный вклад в EBITDA на уровне 1,0–2,0% в передовых отраслях. Главный барьер масштабирования ИИ — дефицит аппаратной инфраструктуры (в РФ доступно не более 5 тыс. карт класса Tesla A100) и незрелость данных. Победу в этой гонке одержат компании класса Future-built, которые распределяют бюджет по формуле «10–20–70» и оцифровывают риски через RAID-анализ портфеля ИИ-инициатив.

1. Макроэкономический масштаб: экономический эффект от ИИ в России к 2030 году

Прогнозируемый масштаб макроэкономического влияния искусственного интеллекта на российскую экономику демонстрирует тектонический сдвиг. Предыдущий пятилетний прогноз, рассчитанный до 2028 года, оценивал общий реализованный экономический эффект от ИИ в пределах 4,2–6,9 трлн. рублей (до 4% влияния на ВВП). Актуализированные в 2025 году оценки, учитывающие экспоненциальное развитие генеративных систем, повысили целевой ориентир до 7,9–12,8 трлн. рублей ежегодно к 2030 году (до 5,5% прогнозируемого ВВП страны). Этот финансовый приток сопоставим по масштабу с совокупной годовой чистой прибылью всей российской банковской системы.

Такой эффект кардинально отличается от классического ИТ-импортозамещения прошлых лет. Российский рынок внедрения искусственного интеллекта в сегменте B2B-решений (коммерческая выручка сторонних поставщиков от продажи готовых лицензий, облачного GPU-IaaS и услуг консалтинга, без учёта внутренней разработки корпоративных гигантов) вырос со скромных 30 млрд. рублей в 2019 году до оценочных 433 млрд. рублей в 2024–2025 годах. Экономический эффект от ИИ складывается из двух фундаментальных компонентов:

• Прямой операционный эффект (до 90% текущего влияния) — жёсткое сокращение операционных расходов (Opex), оптимизация логистических цепочек, снижение объёмов производственного брака и высвобождение непроизводительного времени сотрудников.
• Эффект генерации новой ценности — увеличение выручки за счёт радикального сокращения времени вывода новых продуктов на рынок (time-to-market), гиперперсонализации клиентских предложений и запуска принципиально новых ИИ-native сервисов.

2. Инфраструктурный потолок против юнит-экономики: глобальная гонка за вычислительными мощностями

В отличие от классического программного обеспечения (SaaS), маржинальность которого стремительно растёт при масштабировании из-за того, что предельные издержки обслуживания каждого нового пользователя близки к нулю, экономика искусственного интеллекта подчиняется иным законам. Масштабирование ИИ линейно увеличивает операционные затраты (OPEX) за счёт вычислительных мощностей, требуемых для обработки каждого индивидуального запроса (инференса), а также постоянных расходов на поддержку конвейеров данных (DataOps). В результате крупные ИТ-компании и корпоративные холдинги оказываются вовлечены в беспрецедентную инфраструктурную гонку вооружений.

Ограничения physical-слоя: почему ИИ — это «новая нефть»

Глобальный масштаб затрат на аппаратное обеспечение ИИ выглядит поражающе. Согласно оценкам New Street Research, крупнейшие технологические гиганты — Alphabet, Amazon, Meta и Microsoft — только за 2024 год совокупно инвестировали 104 млрд. долларов США в строительство ИИ-дата-центров. С учётом затрат меньших игроков и других отраслей, суммарный объём мировых капитальных затрат в дата-центры для ИИ в период с 2023 по 2027 год может превысить 1,4 трлн. долларов США. Эти гигантские инвестиции финансируются не только стартапами, но и крупнейшими облачными провайдерами (гиперскейлерами), которые более чем вдвое увеличили свои ежегодные капексы с момента релиза ChatGPT. Так, в 2025 году ежегодный capex Google превысил рекордные 150 млрд. долларов США, включая обязательства на сумму 40 млрд. долларов для дата-центров в Техасе, в то время как инвестиции Microsoft в ИИ-инфраструктуру одной только Индии достигли 17,5 млрд. долларов. Проекты вроде «Stargate» стоимостью от 100 до 500 млрд. долларов, анонсированные консорциумами OpenAI, SoftBank и Oracle, подтверждают, что экономика передового ИИ жёстко связана с возможностью финансирования огромных физических мощностей.

В то же время физические пределы кремниевых пластин и энергоэффективности заставляют ИТ-директоров пристально следить за энергопотреблением. Требуемая электрическая мощность для обучения передовых моделей растёт экспоненциально: если оригинальная архитектура Transformer в 2017 году требовала минимальных вычислительных ресурсов (около 670 долларов на аренду облачного времени), то обучение GPT-4 в 2023 году потребовало более 100 млн. долларов. Сколько стоит обучение модели уровня GPT-4 сегодня? Стоимость обучения модели Llama 3.1-405B в 2024 году составила уже около 170 млн. долларов, а кастомные запуски высокопроизводительных сетей уровня GPT-5 требуют от 50 тыс. новейших карт NVIDIA H100 в течение 120 дней непрерывной работы при совокупных расходах от 224 до 612 млн. долларов.

Российский рынок аппаратных ресурсов: дефицит GPU и суверенитет

Для российского бизнеса преодоление инфраструктурного дефицита осложняется жёсткими санкционными ограничениями и усложнённым параллельным импортом графических чипов. По оценкам ВЫГОН Консалтинг, общее количество серверных карт класса Tesla A100, фактически доступных и развёрнутых для высокопроизводительных расчётов в России, составляет не более 5 тыс. единиц. Для сравнения, 15 месяцев беспрерывной работы всего этого совокупного парка отечественных GPU будет достаточно лишь для одного цикла обучения базовой модели уровня GPT-4. Чтобы обучить собственную мега-модель размером более 1 трлн. параметров, требуется единовременно задействовать не менее 25 тыс. видеокарт новейшего поколения класса NVIDIA H100 или Blackwell. Именно дефицит GPU для ИИ-проектов делает создание отечественных базовых моделей с нуля прерогативой лишь крупнейших экосистемных игроков.

Ежегодные суммарные затраты на создание и поддержку ИИ-технологий в РФ распределены неравномерно: лидеры рынка, такие как Сбер, Яндекс и МТС, инвестируют от 10 до 100 млрд. рублей в год в развитие собственных моделей. Тем не менее, текущих консолидированных инвестиций в генеративный ИИ в стране достаточно для поддержки лишь одной-двух мега-моделей мирового уровня. Для среднего и крупного коммерческого бизнеса покупка собственных кластеров GPU стоимостью от 10 млн. долларов США за 1 тыс. карт Tesla A100 экономически нецелесообразна. Бизнес вынужден использовать инфраструктуру облачных провайдеров (IaaS/GPUaaS) по ставкам от 1 до 4 долларов США за один GPU-час, либо ориентироваться на глубокую оптимизацию и дообучение (Supervised Fine-Tuning) готовых моделей с открытым исходным кодом (open-source), что снижает затраты на разработку на порядки.

3. Экономический портрет технологий: сравнительный анализ рентабельности

Анализ прикладной ценности искусственного интеллекта показывает, что экономический потенциал различных ИИ-технологий часто обратно пропорционален их текущему уровню зрелости на рынке. Чтобы помочь руководителям рационально распределить ИТ-бюджеты, мы сопоставили четыре ключевые технологии: генеративный ИИ, компьютерное зрение (CV), речевые технологии/NLP и рекомендательные системы (RecSys). Эти выводы опираются на масштабные исследования «Яков и Партнёры» и СберУниверситета, проведённые в 2025 году.

Четыре драйвера ИИ-рентабельности

Генеративный ИИ (GenAI)

Генеративный ИИ является безусловным лидером по темпам роста: доля российских компаний, внедривших технологию хотя бы в одну функцию, подскочила с 54% в 2024 году до 71% в 2025 году. На его развитие направляется наибольшая доля корпоративных ИТ-бюджетов (около 4% в среднем по рынку и до 5% в технологически зрелых отраслях). Ожидаемый экономический эффект к 2030 году оценивается в диапазоне от 1,6 до 2,7 трлн. рублей в год, а прогнозируемый рост EBITDA компаний составляет в среднем 4%. При этом GenAI является ключевым драйвером создания принципиально новых продуктов и ценности для клиентов (44% компаний связывают рост своей выручки именно с продуктовым наполнением). Однако высокая стоимость инференса и потребность в непрерывном фактчекинге модельных результатов ограничивают масштабирование технологии в узких отраслевых сегментах: около 95% организаций застревают в «ловушке пилотов» и не получают измеримого ROI генеративного ИИ в моменте из-за высоких эксплуатационных расходов и инфраструктурного дефицита.

Компьютерное зрение (CV)

Компьютерное зрение представляет собой одно из ключевых и капиталоёмких направлений (17% совокупного экономического эффекта ИИ). Внедрение CV-решений напрямую влияет на операционную эффективность в физических процессах (производство, логистика, безопасность). Средняя доля инвестиций в CV составляет 2,8% в обычных секторах и до 4,1% в продвинутых, а в тяжёлой металлургической промышленности она достигает рекордных 5,2% от всего ИТ-бюджета. Высокие вложения обусловлены капексным характером технологии (79% компаний называют высокую стоимость оборудования и камер ключевым барьером) и сложностью подготовки размеченных визуальных датасетов. Несмотря на это, CV обеспечивает максимальный измеряемый эффект в промышленности — средний финансовый результат оценивается в размере 1,0–1,2% от годовой EBITDA за счёт автоматизации контроля качества и предотвращения аварий.

Речевые технологии и обработка естественного языка (NLP)

Речевые технологии и NLP — высокодифференцированный и зрелый сегмент рынка. Средняя годовая выручка российских вендоров речевых технологий составляет около 570 млн. рублей, что существенно выше показателей разработчиков других ИИ-направлений (в среднем 350 млн. рублей). Спрос поддерживается стабильным развитием голосовых ассистентов и интеллектуальных роботов колл-центров (80% вендоров в этом сегменте работают с банками и страховыми компаниями). Компании продвинутых отраслей направляют на NLP около 3% ИТ-бюджета, ожидая роста EBITDA на уровне до 4% в 2025–2026 годах за счёт сокращения издержек на массовые клиентские коммуникации (оптимизация колл-центров до 30–40% AHT) и автоматическую обработку документации. Ключевым барьером остаётся сложность интеграции с унаследованными ИТ-системами.

Рекомендательные системы (RecSys)

Рекомендательные системы — самая технологически зрелая технология на российском рынке (58% компаний внедрили её более 3 лет назад). Порог входа в RecSys минимален: технология не привязана к сложной физической инфраструктуре (как CV-камеры или NLP-телефония), а её алгоритмы оперируют структурированными числовыми логами. 29% опрошенных компаний заявили, что вообще не столкнулись со сложностями в процессе интеграции RecSys. Средняя доля ИТ-бюджетов здесь ниже — около 1,7%, поскольку базовые инвестиции уже были сделаны в предыдущие циклы автоматизации. Исключением является электронная коммерция (e-commerce), где RecSys является ядром коммерческой модели. В этом секторе доля инвестиций в рекомендательные системы составляет около 4,0% ИТ-бюджета, а извлекаемый финансовый эффект приближается к 21,1% годовой EBITDA (у лидеров e-commerce и ритейла).

4. Отраслевая поляризация: где лежат триллионы рублей

Влияние искусственного интеллекта на операционную рентабельность распределено по экономике неравномерно. Чтобы руководители могли реалистично оценить потенциал внедрения ИИ в бизнес, мы разделили лидеров рынка по двум метрикам: абсолютному размеру финансового эффекта (в рублёвом выражении) и удельному эффекту (влиянию на маржинальность EBITDA).

Абсолютные гиганты: сектора с максимальным денежным эффектом

Более 60% всего прогнозируемого экономического эффекта от ИИ к 2030 году (около 5–8 трлн. рублей) будет сгенерировано в пяти крупнейших по выручке и масштабу операций секторах российской экономики:

• Металлургия и горная добыча (20% совокупного эффекта). Драйверы — оптимизация обогатительных фабрик и плавильных процессов на базе предиктивных моделей, системы видеоконтроля качества руды (CV), ИИ-диспетчеризация беспилотных карьерных самосвалов.
• Банкинг и страхование (15% совокупного эффекта). Драйверы — сквозное внедрение генеративного ИИ во фронт-офисе (персонализация предложений), NLP для обработки кредитных заявок, скоринг и предиктивное моделирование рисков, борьба с фродом и голосовые помощники.
• Электронная коммерция (E-commerce) (9% совокупного эффекта). Драйверы — автогенерация карточек товаров и рекламных креативов через GenAI, динамическое ценообразование, персонализированная выдача RecSys, прогнозирование спроса на складах.
• Строительство и недвижимость (8% совокупного эффекта). Драйверы — предиктивная аналитика спроса и цен на жильё, автоматический аудит проектной документации, применение компьютерного зрения для контроля за ходом строительных объектов.
• Транспорт и логистика (8% совокупного эффекта). Драйверы — автоматическая оптимизация маршрутов доставки, роботизация распределительных центров, предиктивное обслуживание подвижного состава и мультимодальная оптимизация.

Удельные лидеры: качественный скачок EBITDA

Если исключить масштаб отраслей и оценить, как сильно внедрение ИИ увеличивает прибыльность бизнеса относительно его выручки, то на первый план выходят высокоцифровизированные, ориентированные на конечного потребителя (B2C) индустрии. Максимальный удельный эффект ИИ на EBITDA зафиксирован в следующих секторах:

• E-commerce: средний полученный эффект за 2024 год составил 8,3% EBITDA, а ожидаемый результат на горизонте года достигает рекордных 21,1% EBITDA.
• Банкинг и страхование: полученный эффект — 7,2% EBITDA, ожидаемый — 11,1% EBITDA.
• Телеком и медиа: полученный эффект — 6,4% EBITDA, ожидаемый — 17,6% EBITDA.
• ИТ и технологии: полученный эффект — 4,3% EBITDA, ожидаемый — 13,5% EBITDA.

Для digital-ориентированных отраслей интеграция ИИ является вопросом выживания и сохранения рыночной доли. Эти компании обладают готовой инфраструктурой сбора данных и культурой экспериментов, что позволяет им масштабировать технологии во фронт-офисе и клиентском сервисе, напрямую увеличивая конверсию и лояльность клиентов.

Инвестиционные циклы: кейс компьютерного зрения в металлургии

При планировании инвестиций руководителям важно учитывать циклический характер затрат на ИИ. Ярким примером этого феномена выступает металлургическая отрасль в России. Исторически металлурги лидировали по инвестициям в системы компьютерного зрения (CV), направляя на них рекордные 5,2% своего ИТ-бюджета. Это было связано с капексной фазой: компаниям требовалось закупить физическое оборудование (промышленные камеры высокого разрешения, датчики температуры, сетевые маршрутизаторы) и интегрировать их в опасные производственные зоны.

Однако в 2026 году металлургические компании запланировали резкое сокращение инвестиций в компьютерное зрение — сразу на 2 процентных пункта (при среднем снижении по рынку всего на 0,3 п. п.). Данный шаг объясняется достижением «технологического потолка»: физическая инфраструктура полностью построена и развёрнута, а этап капекса сменился фазой дешёвой эксплуатации и операционной донастройки алгоритмов. Это доказывает, что временное снижение затрат на ИИ в конкретной отрасли часто указывает не на падение интереса к технологии, а на достижение её зрелости и переход к этапу извлечения чистой прибыли из уже сделанных инвестиций.

5. Стоимость внедрения ИИ в бизнес: проприетарные системы против Open-Source

Экономика ИИ-инициатив тесно увязана с глобальным дефицитом вычислительных мощностей и стоимостью аренды физического оборудования. При стоимости обучения передовой модели уровня GPT-4, превышающей $100 млн., создание моделей с нуля силами внутренней разработки экономически нецелесообразно для 99% коммерческих компаний.

В этих инфраструктурных условиях корпоративный сектор выработал единственно смысловую и экономически обоснованную стратегию: тотальный отказ от разработки базовых моделей с нуля в пользу дообучения внешних моделей с открытым исходным кодом (Open-Source).

• Стандарты рынка: около 86% российских компаний, использующих генеративный ИИ, и 100% вендоров, работающих с ИИ-агентами (Agentic AI), используют и дообучают внешние open-source-модели (семейства LLaMA, Qwen, DeepSeek). Лишь 29% заявляют об использовании «собственных» базовых моделей.
• Юнит-экономика дообучения: создание модели с нуля уровня 2024–2025 годов требует бюджетов от 500 млн. до 100+ млрд. рублей. Напротив, дообучение open-source модели под специфические отраслевые задачи требует всего от 100 тыс. до 100 млн. рублей и реализуется за 3–6 месяцев.

Сколько стоит обучение модели уровня GPT-4: структура затрат

Хотя стоимость использования моделей стремительно падает, затраты на их первичное предобучение (pre-training) продолжают расти. Руководители должны чётко отличать эти две статьи расходов. В то время как инференс доступен любому стартапу, разработка флагманской базовой модели «с нуля» остаётся прерогативой гигантов. В структуре стоимости создания мега-моделей (на примере GPT-3 стоимостью 22 млн. долларов США) около 63% бюджета приходится на непосредственные расходы на вычислительные мощности (капекс и облачная аренда), 21% — на финальное обучение, а 16% — на заработную плату ML-инженеров и R&D-персонала. При этом расходы на датасет составляют 0%, поскольку обучение велось преимущественно на очищенных открытых интернет-данных.

Попытки создания отраслевых проприетарных моделей с нуля требуют от консорциумов компаний от 500 млн. до 100 млрд. рублей инвестиций, что делает дообучение существующих open-source моделей наиболее рациональной финансовой стратегией для 99% коммерческих компаний.

6. Финансовый контур масштабирования: как рассчитать ROI от внедрения искусственного интеллекта

Главным барьером на пути окупаемости ИИ остаётся «ловушка пилотов». Около 95% компаний не фиксируют измеримой финансовой отдачи от инвестиций в генеративный ИИ из-за методологической слабости: традиционные модели оценки (ROI) не учитывают создание нематериальных активов и риск-составляющую.

Для наведения финансового порядка ведущие российские организации разработали единые стандарты в рамках Альянса в сфере ИИ и Ассоциации ФинТех. Данный подход базируется на следующих принципах:

• Принцип строго инкрементального эффекта: эффект должен рассчитываться исключительно как прирост относительно лучшего альтернативного сценария.
• Учёт каннибализации доходов: рост продаж одного продукта не должен приводить к падению продаж смежных каналов или брендов.
• Разграничение ролей при оценке эффектов: заказчик от бизнеса формулирует гипотезу ценности, технический владелец отвечает за точность алгоритмов, а представитель финансовой функции проводит независимую валидацию эффекта.
• Регулярность пересчёта P&L: оптимальная периодичность переоценки — раз в 12 месяцев для эффектов, связанных с высвобождением ФОТ и оптимизацией OPEX, и не реже раза в 6 месяцев — для высокодинамичных эффектов изменения доходов и коммерческой конверсии.

Оцифровка рисков: фреймворк RAID (Risk-Adjusted Intelligence Dividend)

Для получения реалистичной картины финансового результата CFO обязан внедрить показатель RAID. Эта методика рассчитывает чистый доход от ИИ, вычитая из инкрементального эффекта вероятностные потери от рисков, которые сама же ИИ-модель и создаёт (галлюцинации, ошибки принятия решений, комплаенс-риски и регуляторные штрафы):

RAID = Инкрементальный эффект ИИ – вероятностные убытки от ИИ-рисков (Risk Delta)

Показатель «Risk Delta» количественно оценивает изменение рискового профиля компании при переходе от полностью ручного процесса к алгоритмическому. Если внедрение модели снижает вероятность человеческой ошибки или мошенничества, Risk Delta имеет положительное значение и добавляет ценность проекту. Если модель создаёт угрозу утечки конфиденциальных данных или регулярных сбоев, Risk Delta вычитается из прибыли. Переход к RAID-оценке позволяет сбалансировать краткосрочные операционные выгоды ИИ с долгосрочной финансовой безопасностью.

Формула «10–20–70» и управление изменениями

Опыт лидеров ИИ-рынка показывает, что успешная окупаемость практически не зависит от математической сложности самой нейросети. Передовые компании класса Future-built жёстко распределяют ресурсы проекта по формуле «10–20–70»:

• 10% — алгоритмы ИИ и базовая разработка нейросетевых моделей.
• 20% — технологии, облачная и локальная инфраструктура данных, пайплайны (DataOps/MLOps).
• 70% — управление изменениями (Change Management), переобучение сотрудников, адаптация бизнес-процессов и изменение регламентов под новые форматы взаимодействия.

Ловушка линейных масштабов: экономика ИИ-продуктов при выходе на внешний рынок

Многие компании, разработав успешную внутреннюю ИИ-систему (например, RAG-поиск по регламентам или собственный скоринг), стремятся коммерциализировать её на внешнем рынке по модели B2B SaaS. На этом этапе финансовый департамент сталкивается с фундаментальными отличиями экономики ИИ от классического ПО:

• Высокие предельные издержки на обработку запроса. Каждый запрос к LLM через API требует оплаты токенов и аренды вычислительных мощностей, что линейно увеличивает OPEX. Удвоение пользовательской базы приводит к пропорциональному росту затрат на инференс, лишая ИИ-продукт классической автоматической экономии от масштаба.
• Постоянный технический долг. В отличие от традиционного софта, который можно «написать и забыть», ИИ-модели требуют постоянных инвестиций на переобучение (в связи с дрейфом данных), непрерывный мониторинг точности и поддержку DataOps.
• Моделирование юнит-экономики. CFO должен жёстко сопоставлять стоимость привлечения клиентов (CAC) с их пожизненной ценностью (CLTV) с учётом динамики предельных вычислительных затрат на инфраструктуру, чтобы контролировать маржинальность бизнеса в реальном времени.

Тектонические сдвиги в структуре затрат: инференс и синтетические данные

Снижение стоимости инференса в 280 раз является скрытым катализатором рынка. Согласно данным Stanford AI Index 2025, стоимость отправки запроса к модели, демонстрирующей уровень производительности GPT-3.5 на популярном бенчмарке MMLU, рухнула с $20,00 за миллион токенов в ноябре 2022 года до всего $0,07 в октябре 2024 года (на примере Gemini 1.5 Flash 8B). На GPQA Diamond стоимость миллиона токенов упала с $15,00 в мае 2024 года до $0,12 к декабрю 2024 года (Phi 4). Epoch AI оценивает удешевление инференса от 9 до 900 раз в год.

Преодоление барьера разметки данных происходит за счёт перехода к синтетическим данным, генерируемым более мощными языковыми моделями (например, семейством NVIDIA Nemotron-4 340B). Gartner прогнозирует, что уже к 2025–2026 годам до 60% данных в ИИ-проектах будут синтетическими, а сам рынок вырастет до $2,3 млрд. к 2030 году при CAGR 31%.

7. Чек-лист для руководителя: Быстрый аудит ИИ-портфеля

Для оперативной оценки жизнеспособности текущих инициатив по внедрению искусственного интеллекта генеральному директору рекомендуется адресовать своей команде следующие вопросы:

• «Каково соотношение расходов в нашем ИИ-портфеле по формуле 10-20-70? Какую долю бюджета мы заложили на переобучение сотрудников и изменение регламентов?»
• «Оценили ли мы предельную стоимость инференса при масштабировании нашей ИИ-системы на всю клиентскую базу? Как рост объёма запросов повлияет на наши Opex-затраты?»
• «Каков показатель Risk Delta для наших ключевых ИИ-внедрений? Проведена ли количественная оценка рисков галлюцинаций модели, регуляторного комплаенса и модельных ошибок?»

8. Часто задаваемые вопросы (FAQ)

Почему нельзя просто уволить 20–30% бэк-офиса после внедрения генеративного ИИ и получить мгновенный эффект на ФОТ?

Это одна из главных экономических иллюзий менеджмента. Практика показала, что ожидания сокращения ФОТ от внедрения ИИ в российском бизнесе рухнули с 49% до 12%. В условиях жёсткого демографического дефицита кадров прямое сокращение штата экономически невыгодно и ведёт к потере уникальных компетенций. Компании Future-built перенаправляют высвободившееся за счёт ИИ время сотрудников на решение новых задач и масштабирование бизнеса.

Дообучение open-source моделей вместо разработки ИИ с нуля: стоит ли создавать собственную базовую языковую модель?

С финансовой точки зрения разработка базовой модели с нуля нецелесообразна для большинства компаний: она требует миллионов долларов ($100–600 млн.) и годовых циклов разработки. Российским и глобальным стандартом является дообучение готовых open-source моделей (LLaMA, Qwen, DeepSeek) и их развёртывание в гибридном контуре с использованием RAG-технологий. Это гарантирует полную конфиденциальность данных при стоимости внедрения в 500–1000 раз дешевле разработки с нуля.

Компьютерное зрение требует огромных CAPEX на установку камер. Окупится ли эта технология в нашей отрасли?

Окупаемость CV напрямую зависит от масштаба и рискоёмкости ваших процессов. В тяжёлой промышленности (металлургия, добыча, химия) эффект от компьютерного зрения является максимальным на рынке (до 1–1,2% EBITDA) за счёт автоматизации контроля качества и предотвращения аварий. Для лёгких отраслей (ритейл, сфера услуг) аналогичный эффект персонализации проще и дешевле получить через внедрение рекомендательных систем (RecSys).

Как рассчитать ROI от внедрения искусственного интеллекта и учесть риски модели?

Классический показатель ROI искажает картину, поскольку не учитывает нематериальные активы и риск-профиль ИИ-решения. Финансовому директору стоит применять фреймворк RAID: из инкрементального эффекта (прироста относительно лучшей альтернативы) вычитается Risk Delta — вероятностные убытки от ошибок модели, галлюцинаций и регуляторных штрафов. Такой расчёт даёт реалистичную, а не «бумажную» оценку возврата инвестиций и защищает бюджет от эффекта «ловушки пилотов».

9. Источники

• «Искусственный интеллект в России — 2025: тренды и перспективы» — совместное исследование консалтинговой компании «Яков и Партнёры» и компании «Яндекс», 2025 г.
• «Финансы в эпоху ИИ: финансовый директор как стратегический партнёр бизнеса» — аналитический отчёт Школы Финансов СберУниверситета, март 2026 г.
• «Методология оценки финансовой эффективности ИИ-проектов» — единый отраслевой стандарт Альянса в сфере ИИ и Ассоциации ФинТех, 2025 г.
• Stanford University Human-Centered Artificial Intelligence (HAI) — «Artificial Intelligence Index Report 2025» и «Artificial Intelligence Index Report 2026».
• Hernan Huwyler (2025) — «The Risk-Adjusted Intelligence Dividend (RAID): A Quantitative Framework for Measuring AI Return on Investment Integrating ISO 42001 and Regulatory Exposure».
• «Управление экономикой ИИ и скрытый технический долг алгоритмических систем» — исследовательские материалы MIT Sloan School of Management, 2025 г.
• «Использование генеративного ИИ для обеспечения технологического суверенитета в ТЭК РФ» — отраслевой доклад «ВЫГОН Консалтинг», 2024 г.
• New Street Research (2024–2025) — глобальные оценки капитальных затрат гиперскейлеров на инфраструктуру ИИ-дата-центров.
• Исследование рынка Больших данных и Искусственного интеллекта в России — 2025 / Презентация АФТ.
• «Искусственный интеллект в России — 2023: тренды и перспективы» / Исследование «Яков и Партнёры», 2023.
• The GenAI Divide: State of AI in Business 2025 / Исследование MLQ.ai.