Кризис окупаемости ИИ: как индустрия учится считать деньги, потраченные на нейросети

Средняя корпорация тратит на искусственный интеллект $186 млн в год. И только 5–8% компаний могут отчитаться об измеримой финансовой отдаче в масштабе . Это не провал технологии — это провал учёта. У большинства организаций просто нет систем, базовых показателей и стандартизированных метрик, чтобы связать затраты на токены ИИ с бизнес-результатами .

Всё больше отраслевых инициатив — от OpenAI и Anthropic до недавно запущенного Tokenomics Foundation при Linux Foundation — стремятся закрыть этот разрыв. Формируется консенсус: уходить от подсчёта «сырых» токенов к юнит-экономике, привязанной к результату: стоимость за завершённую задачу, за решённый тикет, или «бионическая численность персонала» .

Почему измерить ROI так сложно

Проблемы сконцентрированы в четырёх областях:

Нет базовых показателей «до». Большинство внедрений ИИ начинают отслеживать метрики только после запуска, что делает любую оценку отдачи невозможной . Опрос ModelOp 2026 года показал: более двух третей корпораций до сих пор полагаются на прикидки, а не на измеренные финансовые результаты .

Преобладают «тщеславные» метрики. Многие компании отслеживают активных пользователей, сессии или количество запросов в день — показатели, которые ничего не говорят о реальной бизнес-ценности ИИ . Метрикой 2025 года были «пользователи». Метрикой 2026 года должны стать «проверяемые результаты» .

Разрыв между запуском и окупаемостью. Отчёт Gartner для CIO за 2026 год, опросивший 11 000 ИТ-директоров, показал, что 59% инициатив в сфере ИИ никогда не доходят до продуктивной эксплуатации, а 71% CIO испытывают трудности с расстановкой приоритетов среди вариантов использования, которые принесут измеримые результаты .

Расходы растут без прозрачности. Затраты на ИИ распределены между множеством провайдеров, моделей и отделов, и нет единой системы учёта . Исследование Forrester показало, что компании откладывают 25% запланированных расходов на ИИ на 2027 год из-за усиления финансового контроля .

Как реагируют OpenAI, Anthropic и индустрия

OpenAI — «Полезный интеллект за доллар»

Финансовый директор OpenAI Сара Фрайар предложила скоринг-карту из четырёх последовательных вопросов: Работает ли ИИ? Эффективен ли он по затратам? Растёт ли создаваемая им ценность быстрее, чем стоимость его производства? Эта система переводит разговор с сырого потребления токенов на юнит-экономику, скорректированную по результату .

Anthropic — «Экономические примитивы»

Anthropic выпустила фреймворк, основанный на «экономических примитивах», который измеряет сложность задачи, уровень автономности и сэкономленное время в сравнении со стоимостью задачи — вместо общих показателей использования . Внутренние корпоративные рекомендации Anthropic подчёркивают важность метрик успеха, привязанных к пороговым значениям производительности, точности, скорости и эффективности затрат .

Tokenomics Foundation при Linux Foundation

Запущенный 4 августа 2026 года при поддержке примерно 30 компаний-основателей, включая JPMorgan Chase, Accenture, IBM, SAP, BNY и Booking.com, этот вендор-нейтральный орган по стандартизации намерен сделать для затрат на токены ИИ то же, что FinOps Foundation сделал для облачных расходов . Его первый проект, «Big-T Notation», предлагает стандартизировать стоимость за один API-вызов (а не за токен), чтобы метрика напрямую соответствовала одной единице выполненной работы . Фонд также определяет метрики стоимости обслуживания (cost-to-serve), которых в стандартизированном виде пока не существует .

Elisity — «Бионическая численность персонала»

Компания в сфере кибербезопасности создала метрику, которая делит общие расходы на ИИ на среднюю стоимость сотрудника, а затем сравнивает совокупную отдачу «работников»-людей и «работников»-ИИ с выручкой. Это даёт финансовым директорам прямой аналог производительности труда для оценки инвестиций в ИИ .

Общеотраслевые усилия

FinOps Foundation опубликовал специализированные фреймворки для ИИ, рекомендующие юнит-метрики: стоимость за запрос, за пользователя, за рабочий процесс — чтобы сделать траты на токены понятными для бизнес-подразделений . Oracle, Jellyfish и другие уже предлагают дашборды токен-экономики, которые привязывают потребление к бизнес-результатам на уровне рабочих процессов . BCG предлагает формальный коэффициент «Отдача на ИИ» (Return on AI, RoAI): Экономическая отдача / (Стоимость человеческого интеллекта + Стоимость токенов) .

Что работает: формирующийся консенсус по метрикам, привязанным к результату

Во всех этих подходах прослеживается чёткая закономерность. Наиболее эффективные из них имеют общую структуру:

1. Определите «готово» до начала работы. Вместо отслеживания общего использования начните с одного рабочего процесса и чётко определите, что означает успешный результат .
2. Измеряйте стоимость результата, а не стоимость токена. Примеры: стоимость за решённый тикет поддержки, за принятый пул-реквест, за выпущенную функцию или за готовый маркетинговый материал .
3. Назначьте ответственного за каждый расход. Каждый значимый рабочий процесс должен быть закреплён за владельцем, функцией, статьёй P&L, моделью и целевым результатом .

Главный вывод

Единого стандарта пока нет. Но направление очевидно: формируется консенсус вокруг юнит-экономики, привязанной к результату — стоимость за завершённую задачу, за решённый тикет, бионическая численность персонала — вместо подсчёта сырых токенов. Для финансовых и ИТ-директоров, ищущих отправную точку, совет Сары Фрайар из OpenAI остаётся самым практичным: «Лучшее место для начала — один рабочий процесс. Определите, что значит "готово", и измеряйте этот результат в той системе, где выполняется работа» .