Экономия или выручка: куда направить ИИ в первую очередь
В июне 2026 года аналитическая команда Exponential View выпустила отчёт The State of the AI Economy – независимую попытку измерить, за что компании реально платят в экономике ИИ. Авторы построили модель доходов по 1 000+ компаниям на основе отчётности, очистили цифры от двойного счёта и получили картину без маркетинга: генеративный ИИ вышел на темп $175 млрд годовой выручки. Мы уже писали, почему $700 млрд капзатрат Big Tech на ИИ в этом году не выглядят пузырём – этот отчёт о выручке смотрит на ту же экономику с другой стороны, со стороны тех, кто эти деньги платит.
Внутри отчёта есть слайд, который полезнее всех громких цифр. Команда EV проанализировала заявления компаний S&P 500 об эффекте ИИ на звонках с инвесторами. Результат: 7 из 10 заявленных эффектов – про экономию и эффективность. Сокращение затрат – 25%, экономия времени – 23%, рост пропускной способности – 22%. А рост выручки – всего 6%.
ИИ вполне способен приносить деньги напрямую. Просто компании, которые уже отчитываются о результатах перед инвесторами, в массе своей начали с другого конца. И у этого выбора есть простая математика, которую стоит понимать каждому менеджеру, выбирающему первую задачу для ИИ.
Математика маржи: почему минус миллион ценнее плюс миллиона
Exponential View приводит расчёт, который легко проверить на салфетке. Возьмём компанию с выручкой $10 млн, затратами $7 млн и прибылью $3 млн – маржа 30%.
Сценарий первый: ИИ сэкономил $1 млн затрат. Выручка $10 млн, затраты $6 млн, прибыль $4 млн. Маржа – 40%.
Сценарий второй: ИИ принёс $1 млн дополнительной выручки. Выручка $11 млн, затраты $7 млн, прибыль $4 млн. Маржа – 36%.
Одинаковый эффект в долларах, но экономия даёт на 4 процентных пункта больше маржи. И это ещё щедрое допущение: в расчёте новая выручка приходит с нулевой себестоимостью. В реальности дополнительные продажи тянут за собой дополнительные затраты, и разрыв увеличивается.
Для менеджера отсюда следует практический вывод. Проект «ИИ сократил время подготовки отчётов на 30 часов в месяц» финансовый директор оценит быстрее и охотнее, чем проект «ИИ должен увеличить конверсию». Первый считается по факту, второй требует доказывать атрибуцию: а точно ли конверсия выросла из-за ИИ, а не из-за сезона, скидки или нового баннера?
Мы уже разбирали, как построить бизнес-кейс для ИИ на данных Google Cloud – там 88% ранних пользователей заявляли положительный ROI, но выборка была смещена в пользу успешных. Отчёт EV подтверждает тот же тезис другим путём: работающие бизнес-кейсы строятся вокруг измеримой экономии, и на этот раз это видно в отчётности публичных компаний, а не в вендорском опросе.
Сколько это стоит: порог входа ниже, чем кажется
Второй отрезвляющий факт из отчёта – реальные масштабы трат. По данным Ramp Economics Lab (платёжные данные 70 000 компаний США), медианная компания тратит на ИИ единицы долларов в месяц на сотрудника. Uber установил инженерам лимит $1 500 в год – и даже этот скромный по меркам зарплат потолок помещает компанию в топ-10% по расходам на ИИ на сотрудника.
Для сравнения: весь AI-бюджет Uber на 5 000 инженеров – около $90 млн в год при затратах на персонал $14 млрд. Меньше процента. ИИ в структуре расходов пока погрешность, и это хорошая новость для менеджера: первый проект не требует строки в бюджете, которую нужно защищать на комитете. Требует он другого – правильно выбранной задачи.
При этом разрыв между теми, кто пробует, и теми, кто ждёт, уже измерим. Компании из топ-25% по доле AI-расходов нарастили выручку с конца 2022 года на 92 процентных пункта больше, чем компании без AI-трат вовсе. Честная оговорка, которую сами авторы делают в примечании: это корреляция. Возможно, быстрорастущие компании просто раньше пробуют новое. Но тот же паттерн – ранние последователи обгоняют остальных – повторялся в волне автоматизации 2000–2016 годов, и там разрыв составил 37 процентных пунктов. Разрыв, впрочем, не появляется сам собой: по данным Epoch AI и Ipsos, 62% пользователей ограничивают ИИ одной-двумя задачами, и без осознанного выбора первого процесса компания рискует остаться в этом большинстве.
Проверьте ИИ на 9 реальных задачах менеджера в бесплатном модуле – увидите на практике, какие задачи он закрывает уверенно, а где результат придётся переделывать.
Доступ сразу после регистрации
Как выбрать первую задачу: четыре шага
Из данных отчёта складывается конкретный алгоритм. Он не требует бюджета и занимает одну-две недели.
Шаг 1. Инвентаризация повторяющихся процессов
Выпишите процессы своей команды, которые повторяются еженедельно или чаще и съедают ощутимые часы: статус-отчёты, разбор входящих обращений, подготовка резюме встреч, сверка данных между системами, первичный анализ документов. Важно: на этом шаге не оценивайте, справится ли ИИ. Только частота и часы. Про два самых частых кандидата – статус-отчёты и обращения клиентов – у нас есть отдельные разборы с готовыми промптами: автоматизация отчётов и статусов и разбор входящих обращений.
Шаг 2. Оценка по математике маржи
Для каждого процесса ответьте на три вопроса. Сколько часов в месяц он стоит команде? Можно ли измерить результат до и после (часы, штуки, дни цикла)? Что случится при ошибке ИИ – её поймает проверка человеком или она уйдёт клиенту?
Приоритет получают задачи с большими часами, простой метрикой и дешёвой ошибкой. Рост продаж, клиентские коммуникации без проверки, всё с высокой ценой ошибки – во вторую волну.
Шаг 3. Пилот с зафиксированной базой
Перед стартом запишите базовую метрику: «подготовка еженедельного отчёта занимает 4 часа», «разбор 50 обращений – полтора дня». Без зафиксированной базы через месяц вы не докажете эффект даже самому себе. Пилот – 2–4 недели, один процесс, один-два человека.
Шаг 4. Отчёт в терминах P&L
Результат переводится в деньги умножением сэкономленных часов на стоимость часа сотрудника. «Экономим 22 часа в месяц, это N рублей в год» – формулировка, после которой разговор о масштабировании начинается сам. Отчёт EV показывает: именно так о результатах говорят компании, которым инвесторы верят.
Первый шаг удобно отдать самому ИИ. Промпт ниже структурирует инвентаризацию – подставьте свои данные и запустите прямо здесь или в ChatGPT, Claude, GigaChat.
Проверка на реальном примере
Как это выглядит в цифрах. Допустим, руководитель проектного офиса из 12 человек провёл инвентаризацию и получил топ-3: еженедельные статус-отчёты (16 часов в месяц на команду), резюме встреч с фиксацией решений (10 часов), первичный разбор входящих запросов от смежных отделов (20 часов).
По критериям из шага 2 выигрывает разбор запросов: больше всего часов, результат легко посчитать в штуках и времени ответа, ошибка дешёвая – классификацию проверяет человек до ответа. Статус-отчёты идут вторым пилотом: часов меньше, но метрика прозрачная.
Через месяц пилота: разбор запросов ускорился с полутора дней до трёх часов на партию, проверка человеком оставлена. Экономия – около 14 часов в месяц. При стоимости часа специалиста 2 500 рублей это 420 000 рублей в год с одного процесса. Цифра скромная и именно поэтому убедительная: её не нужно защищать, её можно показать.
Разбор обращений, статус-отчёты и резюме встреч – три из 9 задач бесплатного модуля курса. Попробуйте на готовых примерах, прежде чем запускать пилот на своих данных.
Доступ сразу после регистрации
Аргумент для руководства
Останется разговор с руководителем, который спросит: «А почему мы занимаемся экономией мелочей, когда конкуренты внедряют ИИ в продажи?» На этот случай у отчёта EV есть готовый ответ из трёх пунктов.
Первый: так делают почти все, кто уже получил результат – 7 из 10 задокументированных эффектов в S&P 500 относятся к экономии и эффективности. Второй: экономия даёт больший прирост маржи на тот же доллар эффекта и не требует спорной атрибуции. Третий: стоимость ИИ продолжает падать – средняя цена за миллион токенов снизилась с $17 до $2 меньше чем за два года. Stanford AI Index насчитал похожее падение – инференс подешевел в 280 раз за два года, – и каждый освоенный сейчас процесс с каждым кварталом будет обходиться дешевле.
Второй промпт собирает всё это в одностраничный документ для руководства – замените данные пилота на свои.
Что в итоге
Размер рынка в отчёте Exponential View – цифра для заголовков. Менеджеру полезнее порядок действий, который из этих данных складывается сам собой. Компании, уже отчитывающиеся об эффекте ИИ, начали с экономии – потому что она быстрее считается, легче защищается и сильнее двигает маржу. Порог входа – единицы долларов на сотрудника в месяц, то есть решение о старте принимает руководитель команды, без комитета. Разрыв между пробующими и ждущими уже измерим и растёт.
Первая задача для ИИ – это повторяющийся процесс с большими часами, простой метрикой и дешёвой ошибкой. Найти его можно за неделю. Дальше вопрос только в навыке: сформулировать задачу так, чтобы результат не пришлось переделывать.
Задачу выбрали. Теперь – навык получать от ИИ результат без переделок
Курс на mysummit.school учит применять ИИ на реальных управленческих задачах: отчёты, разбор обращений, подготовка решений. Какие задачи отдавать без сомнений, где обязательна проверка, как формулировать запрос, чтобы модель не додумывала.
Часто задаваемые вопросы
Stanislav Belyaev
Engineering Leader в Microsoft18 лет в управлении инженерными командами. Основатель mysummit.school. 700+ выпускников в Яндекс Практикуме и Стратоплане.