Куда приводят наши мечты: почему замена людей на ИИ почти всегда убыточна

Бум ИИ — страшная штука.

Он взорвал слишком много голов слишком быстро.

Последний год я всё чаще слышу от коллег — умных, опытных, давно в индустрии, что
«ИИ — это будущее», «он заменит людей», «он даст мощный буст компаниям».

И каждый раз мне хочется задать один очень простой вопрос.

А как там с процессами

Есть ли у вас понимание, на каких этапах компании вообще готовы к ИИ, а на каких ещё слишком рано?

И слишком часто в ответ… тишина.

Не потому, что люди глупые. А потому, что разговор об ИИ очень быстро подменяет разговор о зрелости системы, ответственности и автоматизации.

В такие моменты особенно печалит не сам хайп вокруг ИИ, а то, как легко слова про будущее становятся нерелевантными внутри конкретной компании,  где никто до конца не понимает, как ИИ реально работает, где он усиливает систем, а где ломает её быстрее.

Я ожидаю от коллег с большим техническим и управленческим опытом, профессиональных решений, которые идут во благо бизнесу, а не в его количественное сокращение.

ИИ — мощный инструмент!

И, возможно, самый важный навык ближайших лет — это не умение «использовать ИИ»,  а умение сказать: здесь ещё рано.

Компании и желания

Каждая компания рано или поздно приходит к одному и тому же желанию.

Когда:

• процессов становится слишком много

• людей – слишком сложно координировать

• ошибки повторяются

• стоимость решений растёт

• а контроль, наоборот, ускользает

В этот момент бизнес начинает мечтать о системе, которая:

• работает без объяснений

• не требует уточнений

• не задаёт вопросов

• не ошибается «по-человечески»

Как технологии снова и снова обещают нам простоту

В разное время эту роль играли разные вещи. Интернет обещал убрать посредников.
ERP — убрать хаос.
SaaS — убрать сложность.
Автоматизация — убрать ручной труд.

Каждый раз ожидание было одинаковым:

«Теперь система возьмёт всё на себя, а людям останется только управлять».

Но каждый раз реальность оказывалась сложнее. Системы росли. Процессы усложнялись. Люди начинали обслуживать технологии, а не наоборот. И всё же ни одна из этих технологий не выглядела настолько похожей на человека, как искусственный интеллект.

Почему именно ИИ оказался таким убедительным

ИИ впервые нарушил важную границу.

• пишет тексты

• отвечает клиентам

• предлагает решения

• объясняет свои действия

Он выглядит так, будто понимает.

И поэтому в головах менеджмента происходит очень тонкий, почти незаметный сдвиг:

если система выглядит как человек,
значит, она может заменить человека.

Не функцию. Не инструмент. А роль.

Так разговор о внедрении ИИ очень быстро превращается в разговор о сокращении людей.

Почему бизнес так легко верит в эту идею

Важно честно сказать дело не только в технологии.

ИИ появился в момент, когда компании:

• устали от постоянных переговоров

• разочаровались в «гибкости команд»

• столкнулись с ростом зарплат

• потеряли ощущение управляемости

ИИ в этом контексте — не просто технология.
Он становится психологическим облегчением:
не спорит, не уходит, не требует роста и не выгорает.

Он кажется идеальным сотрудником, которого так долго не хватало.

Где начинается подмена понятий

И вот здесь происходит ключевая ошибка.

Компании начинают смотреть на людей
через призму того, что можно формализовать.

Если сотрудник:

• отвечает на вопросы

• пишет код

• проверяет задачи

значит, это и есть его работа.

ИИ действительно может делать всё это. Иногда быстрее. Иногда дешевле.

Но то, что делает человек на самом деле, почти всегда больше, чем видно в должностной инструкции.

То, что бизнес не видит — и теряет первым

Люди в компаниях:

• соединяют несостыковки процессов

• додумывают требования

• принимают решения без данных

• компенсируют плохую коммуникацию

• берут ответственность «между строк»

Это не формализовано.
Не учитывается в KPI.
Не попадает в отчёты.

Но именно это удерживает систему от развала.

ИИ этого не делает.

И когда компания заменяет людей, она заменяет видимую часть работы, оставляя невидимую — без носителя.

Почему замена людей на ИИ почти всегда убыточна

Не потому, что ИИ слабый.
Не потому, что технологии «не готовы».

А потому, что:

• компании автоматизируют функции,
  надеясь заменить мышление

• ускоряют процессы,
  не понимая, что именно ускоряют

• убирают людей,
  которые держали систему на интуиции и опыте

ИИ не чинит систему.
Он делает её прозрачной и быстрой.

А прозрачность — болезненна для незрелых процессов.

И именно здесь иллюзии начинают сталкиваться с данными.

Большинство AI-инициатив не окупаются

На уровне презентаций и демо ИИ выглядит убедительно. Он быстро даёт ощущение прогресса: появляются ответы, тексты, отчёты, графики. Создаётся впечатление, что компания «движется вперёд». Но когда речь заходит не о демонстрации возможностей, а о деньгах, картина резко меняется.

Согласно Stanford HAI (AI Index Report 2025), более 80 % корпоративных AI-проектов не доходят до устойчивого промышленного использования, а лишь небольшая часть демонстрирует измеримый экономический ��ффект.

Источник

Важно понимать, что здесь речь не о стартапах или экспериментальных командах, а о крупных компаниях с бюджетами, доступом к данным и инфраструктурой.
То есть о тех, у кого, казалось бы, есть все шансы «сделать ИИ правильно».

Похожие выводы публикует Gartner. По их прогнозу, более 40 % agentic AI-проектов будут отменены или не продолжатся до конца 2027 года, что отражает сложности внедрения и достижения ожидаемой ценности в корпоративных инициативах. Основные препятствия — не сами модели, а организационные факторы: отсутствие ясных целей, слабое управление, недостаточная интеграция с бизнес-процессами.

Источник

Если упростить:
ИИ редко «проваливается» потому, что плохо работает.
Гораздо чаще он оказывается встроен в систему, которая сама не понимает, чего хочет достичь — и проекты отменяются или теряют смысл ещё до того, как дают устойчивый экономический эффект.

Support → ИИ ≠ экономия

Поддержка клиентов — одна из первых областей, где бизнес ожидает быстрой выгоды от ИИ.

Логика понятна: много повторяющихся вопросов, стандартные ответы, высокая стоимость L1-поддержки.

Исследования MIT Sloan и Harvard Business School показывают, что на первом этапе ожидания часто оправдываются — стоимость одного ответа действительно снижается. Но дальше начинаются эффекты второго порядка.

Компании, которые массово заменяли L1-поддержку чат-ботами:

• снижали стоимость одного ответа

• но увеличивали число эскалаций на 20–40 %

• теряли CSAT и NPS

• перегружали L2/L3 сильнее, чем до автоматизации

Источники:
MIT Sloan Management Review — AI в клиентском сервисе

Harvard Business School Working Knowledge — AI чат-боты и люди

Причина здесь не в качестве моделей.
ИИ хорошо справляется с типовыми запросами, но плохо работает там, где требуется:

• контекст

• понимание истории клиента

• приоритизация проблемы

• ответственность за решение

В итоге компания экономит на первом уровне, но платит больше на следующих — в деньгах, времени и лояльности клиентов.

QA → ИИ = рост инцидентов

В тестировании ситуация выглядит ещё более коварной.
ИИ действительно умеет:

• генерировать тест-кейсы

• запускать регрессию

• находить синтаксические и логические ошибки

Поэтому замена части ручного тестирования на:

• автогенерацию тестов

• AI-based regression

• synthetic test cases

часто выглядит как очевидный шаг вперёд.

Но инженерные обзоры и практики крупных компаний показывают другую динамику:

• тестов становится больше

• качество релизов снижается

• инциденты становятся сложнее

• RCA и hotfix-циклы удлиняются

Почему так происходит?

Потому что ИИ не занимается тест-дизайном.
Он не понимает:

• какие сценарии критичны для бизнеса

• где ошибка приведёт к репутационному ущербу

• какие редкие комбинации условий опасны

ИИ проверяет то, что ему дали. Люди проверяют то, что может пойти не так. А именно это различие чаще всего и определяет, будет ли инцидент просто багом — или бизнес-проблемой.

Разработчики → ИИ = ускоренный техдолг

ИИ действительно ускоряет написание кода — это признают и Microsoft, и Google.
На короткой дистанции команды видят рост скорости и ощущение продуктивности. Однако исследования и аналитика MIT Sloan и Harvard Business Review показывают обратную сторону этого ускорения.

MIT Sloan указывает, что генеративный ИИ повышает локальную продуктивность разработчиков, но одновременно увеличивает объём кода, который требует последующей переработки, что становится источником ускоренного технического долга.

Harvard Business Review (2025) дополняет эту картину: при массовом использовании ИИ команды часто смотрят на скорость выполнения задач, но недооценивают «скрытую работу» — доработки, согласования, ревью и исправления, которые накапливаются позже и не отражаются в краткосрочных метриках продуктивности.

В результате наблюдается типичный эффект второго порядка:

• скорость разработки повышается

• архитектурное качество снижается

• сложность поддержки растёт

Через 6–12 месяцев команды:

• тратят больше времени на рефакторинг

• теряют предсказуемость релизов

• замедляются сильнее, чем до внедрения ИИ

ИИ ускоряет разработку. Но он так же ускоряет накопление ошибок и долга, если архитектурные решения, стандарты и контроль качества остаются без явного владельца.

Источники

• MIT Sloan / аналитика по AI-кодированию и техническому долгу

• Harvard Business Review (2025):
  How People Are Really Using Gen AI in 2025

Даже создатели ИИ не зарабатывают так, как ожидает рынок

Когда разговор заходит о проблемах окупаемости ИИ, часто звучит возражение:

«Это проблемы отдельных компаний. Лидеры рынка-то точно зарабатывают».

Интуитивно кажется, что если технология действительно меняет мир, то её создатели должны быть первыми, кто извлекает из этого устойчивую прибыль. Но именно здесь реальность оказывается особенно неудобной. Даже OpenAI, один из главных бенефициаров ИИ-бума, демонстрирует парадоксальную картину: быстрый рост выручки — и при этом отсутствие устойчивой прибыльности. Причины хорошо задокументированы и почти никогда не попадают в маркетинговые слайды:

• стоимость обучения моделей растёт экспоненциально

• инференс остаётся дорогим даже при масштабировании

• инфраструктурные расходы (GPU, дата-центры, энергия) давят на маржу

Экономика ИИ принципиально отличается от классического SaaS. Это означает, что ИИ сегодня — не «продукт с высокой маржой», а инфраструктура с постоянно растущими издержками.

В ИИ — каждый новый пользователь увеличивает операционные затраты.

Подробный и трезвый разбор этой экономики

Это важно не для того, чтобы «покритиковать» ИИ-индустрию, а чтобы понять ключевую вещь что если даже поставщики базовой технологии не имеют устойчивой маржи, ожидать мгновенной и лёгкой прибыли от замены сотрудников — иллюзия.

Компании, которые строят бизнес-кейсы на «экономии на людях»,
часто не учитывают, что:

• стоимость ИИ — это не лицензия, а постоянный операционный расход

• экономия на зарплатах легко съедается инфраструктурой

• ошибки ИИ имеют другую, часто более дорогую цену, чем человеческие

В этом смысле рынок ИИ сегодня живёт не за счёт прибыли, а за счёт ожиданий будущей эффективности, которая ещё не доказана на практике.

ИИ — это не замена людям. Это стресс-тест зрелости компании

Если собрать вместе все кейсы, цифры и исследования, вывод оказывается гораздо менее драматичным, чем принято думать.

ИИ не «отнимает» работу.
ИИ не «ломает» бизнес.
ИИ не «делает людей ненужными».

Он делает другое. ИИ убирает иллюзию, что компания работает эффективно.

Он высвечивает:

• где процессы существовали только в головах людей

• где решения принимались интуитивно

• где ответственность была размазана

• где порядок поддерживался усилием, а не системой

Пока там были люди, хаос выглядел управляемым. Люди додумывали, сглаживали, компенсировали. Когда вместо них появляется ИИ, система впервые сталкивается с тем, что инструмент не берёт на себя мышление.

И тогда становится очевидно:

• нет владельца процесса

• нет критериев успеха

• нет понятной цены ошибки

• нет общего понимания цели

В таких условиях ИИ не может дать эффективность. Он может дать только ускорение. А ускорение без зрелости — опасно.

В конце как всегда <<Вывод>>

Компании теряют деньги не потому, что ИИ переоценён. И не потому, что технологии «ещё сырые». Они теряют деньги потому, что:

• путают автоматизацию с мышлением

• экономию — со стратегией

• скорость — с эффективностью

ИИ не заменяет людей. Он заменяет неоформленные решения. Он не делает бизнес умнее. Он заставляет бизнес быть честным с самим собой.

ИИ — это не инструмент для сокращения затрат.
ИИ — это экзамен на управленческую зрелость.

И если компания к нему не готова, он не спасёт её от ошибок — он просто приведёт к ним быстрее.