Представьте небольшой бизнес, где после каждой оплаты клиенту уходит письмо. Сначала это был шаблон на три строки: спасибо, реквизиты, сроки. Потом кто-то решил, что письмо должно быть «живым», и подключил генерацию текста. Счёт за токены капает, настройка стоила денег, а результат для клиента почти не изменился. Это не история провала технологии — это история о том, что задачу поставили не туда.
Автоматизация окупается не по факту наличия ИИ, а по снижению полного объёма работы и рисков. Если на месте шаблона оказалась дорогая модель, вопрос не в том, хороша ли модель, а в том, кто считал экономику и что именно он посчитал.
Подписка — это не стоимость автоматизации
Частая ошибка в расчётах — сравнивать цену подписки с зарплатой сотрудника. Сюда же относится сравнение цены одного запроса к модели с месячным фондом оплаты труда. В такой арифметике ИИ почти всегда выигрывает, потому что половина расходов осталась за кадром. Модное слово «нейросотрудник» здесь только мешает: оно создаёт ощущение, что нанимать нужно целиком человека или целиком машину, а на деле автоматизируется конкретная операция внутри бизнес-процесса.
В методике AWS по экономике агентного ИИ расходы разложены на пять групп: труд, нестабильность человеческой производительности, технологии и инфраструктуру, упущенные возможности, риски и дефекты. В технологическую часть входят не только лицензии, но и интеграция, мониторинг, поддержка, отношения с поставщиком. Уже из этого списка видно, что подписка — лишь одна из строк расходов.
Отдельная статья расходов — то, что происходит после запуска. NIST в профиле рисков генеративного ИИ прямо перечисляет: мониторинг системы, сбор обратной связи, возможность отменить или пересмотреть результат, реагирование на инциденты, восстановление, управление изменениями и корректный вывод системы из эксплуатации. Это не бюрократия ради бюрократии, а цена того, что модель может ответить уверенно и неправильно.
Конфабуляция — известный риск генеративной модели. NIST называет так ситуацию, когда система уверенно выдаёт ложное, ошибочное или внутренне противоречивое содержание. Плюс automation bias: люди склонны доверять автоматическому ответу сильнее, чем следовало бы. В бизнес-процессе это означает, что проверяющий человек не исчезает — он просто перестаёт быть внимательным, если у него нет причины вчитываться.
Отсюда практическое правило из той же методики AWS: человека оставляют в контуре там, где возможный ущерб от ошибки выше стоимости человеческой проверки. Звучит очевидно, но на практике этот пункт легко пропустить. Токены посчитали, интеграцию посчитали, а цену одного неверного платежа или одного неверного письма — нет.
Пять задач, где легко переплатить
Ниже — типовые случаи, а не приговор. Итог всегда зависит от частоты операции, зарплат, цены ошибки, требований безопасности и того, что у компании уже есть. В одной ситуации описанное решение будет ошибкой, в другой — единственно разумным.
Фиксированное уведомление
После получения оплаты клиенту нужно отправить один утверждённый текст. Здесь достаточно триггера «оплата получена → отправить шаблон». Генерация добавляет вариативность, запросы к модели и необходимость контролировать формулировки, а клиент всё равно получает примерно одно и то же. Нейросеть уместна, если текст должен каждый раз собираться под историю клиента: что он покупал, на каком этапе находится, что у него зависло. Тогда это уже не уведомление, а коммуникация, и правило с ней не справляется.
Простая таблица
Еженедельный свод продаж по филиалам, процент выполнения плана, подсветка отклонений. Формулы, сводная таблица или небольшой скрипт дают воспроизводимый результат, который не меняется от запуска к запуску. Языковая модель здесь оправдана в двух случаях: если исходные данные приходят неструктурированными и их сначала нужно распознать, либо если к цифрам требуется словесное объяснение причин. Считать проценты через модель — платить за вариативность там, где нужна точность.
Разовый перевод
Одно письмо от поставщика, которое нужно прочитать на другом языке. Для разового перевода обычно достаточно готового переводчика или чат-инструмента — подключать API, делать интерфейс, настраивать журналирование и проверку качества ради одного письма вряд ли стоит. Логика меняется, когда поток документов постоянный, появляется словарь терминов и измеримая экономия времени. Разовый перевод и переводческий конвейер — две разные задачи с разной стоимостью внедрения.
Согласование денег
Платежи до определённой суммы уходят одному руководителю, выше — финансовому директору. Маршрутизация по сумме и роли — это детерминированное правило, а не интеллектуальная задача. Модель может подготовить резюме заявки или отметить аномалию, но окончательное решение по рискованному платежу остаётся за ответственным человеком. Более того, в такой схеме ИИ не сокращает работу, а добавляет слой, который нужно проверить. Иногда это оправданно, иногда — просто ещё одна строчка в процессе.
Редкий сложный спор
Претензия стратегического клиента с нестандартным договором и длинной историей переписки. Такое случается несколько раз в год. Низкая частота затрудняет окупаемость интеграции и постоянного контроля, но итог зависит от ценности самой задачи, цены ошибки и расходов на внедрение: дорогая, но редкая проблема тоже может оправдать ИИ-поддержку. ИИ здесь полезен как помощник: найти нужные документы, собрать хронологию, подготовить черновик. Автономным арбитром в таком споре он быть не должен — и дело не в возможностях модели, а в том, кто потом отвечает за решение.
Где интеллектуальная автоматизация отрабатывает
Обратная сторона той же логики: есть класс задач, где правило просто не работает. Формулировки клиентов не совпадают, документы приходят в разных форматах, решение зависит от нескольких источников. Там ИИ перестаёт быть дорогой заменой шаблона.
Список выглядит примерно так: большой поток разнородных обращений, извлечение сведений из писем, договоров и заявок, подготовка черновиков ответов с обязательной проверкой человеком, классификация и маршрутизация при сильном разбросе формулировок, поиск по большой внутренней базе знаний, помощь новичкам в поддержке, многоступенчатые процессы с исключениями.
Что говорят измерения: в эксперименте с профессиональными письменными заданиями доступ к ChatGPT сократил среднее время выполнения примерно на 40%, а оценка качества независимыми проверяющими выросла на 18%. Это результаты Шакеда Ноя и Уитни Чжан, опубликованные в Science. Важно, что речь идёт о конкретном классе заданий, а не об офисной работе вообще.
В исследовании службы поддержки крупной компании на 5 179 сотрудниках ИИ-помощник дал в среднем рост числа решённых обращений в час на 14%. У менее опытных сотрудников прирост составил около 34%, у самых опытных был минимальным. Это работа Эрика Бриньолфссона, Даниэля Ли и Линдси Рэймонд. Проще говоря, выигрыш сильнее там, где человек ещё не набил руку.
И третий пример — про границы. В эксперименте с 758 консультантами BCG участники с GPT-4 выполняли подходящие задания в среднем на 25,1% быстрее и закрывали на 12,2% больше задач. Но на сложном управленческом задании, которое оказалось за пределами возможностей модели, пользователи ИИ на 19% реже приходили к правильному решению. Один и тот же инструмент в одном процессе помогает, в другом — мешает.
Как проверить гипотезу, не потратив лишнего
Порядок действий здесь скучный, но он экономит больше денег, чем любая оптимизация промптов.
- Посчитать частоту: сколько раз в месяц задача вообще возникает.
- Замерить фактическое время человека — вместе с ожиданием, поиском и исправлениями, а не только чистое выполнение.
- Определить цену одной ошибки и допустимую частоту ошибок.
- Проверить, не решается ли задача формулой, шаблоном или обычным скриптом.
- Прогнать ограниченный тест ИИ на реальной выборке, сохранив контрольную группу без ИИ.
- Сложить полный чек: настройка, интеграция, проверка результатов, мониторинг, обучение сотрудников, поддержка.
- Сравнивать не демонстрацию, а стоимость одного принятого и проверенного результата.
Если после четвёртого пункта задача решается правилом, дальше можно не идти. Если не решается — есть смысл считать экономику всерьёз. Рабочая схема чаще выглядит как «сначала правило, потом ИИ поверх него», а не как «сразу агент на всё».
Прежде чем считать деньги, полезно руками потрогать разные инструменты и понять, где заканчивается шаблон и начинается модель. Для этого удобны агрегаторы: например, SyntX AI, по описанию сервиса, собирает в одном интерфейсе больше сотни инструментов для текста, изображений, видео, музыки, голоса и работы с документами. Это способ познакомиться с разными моделями, а не доказательство окупаемости и не гарантия экономии по сравнению с прямыми тарифами — сравнивать всё равно придётся самому.
Попробовать инструменты можно по ссылке: https://syntx.ai/welcome/0NIuivsM
Вопрос в таких проектах стоит не как «человек или нейросеть», а как «где заканчивается правило и начинается интерпретация». Фиксированное уведомление, таблица с формулами, маршрутизация платежа по сумме — всё это уже решено без модели, и добавлять её туда значит платить за то, чего в процессе не требовалось. Дорогая нейросеть на месте шаблона — не провал технологии, а ошибка в точке приложения. И признать это нормально: стоимость ИИ-автоматизации считается по снижению полного объёма работы и рисков, а не по галочке «у нас теперь есть ИИ».
