Почему расчёты окупаемости ИИ-агентов врут и как считать ROI
Летом 2025-го MIT в рамках инициативы NANDA выпустил отчёт «The GenAI Divide», который многие пролистали ради одной цифры: 95% корпоративных пилотов генеративного ИИ не дают измеримого эффекта на прибыль и убытки. Исследование собрано на 150 интервью с руководителями, 350 опросах сотрудников и разборе 300 публичных внедрений — это довольно тяжелая выборка. Параллельно Gartner ещё в 2024-м спрогнозировал, что минимум 30% GenAI-проектов будут заброшены сразу после пилота из-за стоимости, плохих данных и неясной ценности.
Самое интересное в обоих документах не сам процент провалов, а его причина. И MIT, и Gartner говорят одно: дело не в том, что модели плохие. Дело в том, что Компании считают выгоду по формуле, которая разваливается, как только проект выходит из презентации в реальную работу. Эту формулу мы и хотим разобрать.
Формула, по которой считают все, и почему она врёт сразу в две стороны
Девять расчетов окупаемости из десяти сводятся к одному действию: берем зарплату сотрудника, которого «заменит» бот, делим на стоимость бота, получаем красивый срок окупаемости. Оператор стоит 60 тысяч в месяц, бот — 30, значит, экономим 30 тысяч в месяц и окупаемся за полгода. Логично, наглядно, продается отлично.
Проблема в том, что эта формула одновременно завышает выгоду и прячет затраты.
Завышает, потому что бот почти никогда не заменяет человека целиком. Возьмите наш кейс со студией красоты «Lash&Go», он есть на сайте. Там ИИ-консультант мгновенно отвечает на заявки в Telegram и Avito, квалифицирует Клиента и записывает в календарь. Звучит как «робот вместо администратора». Но администраторы в студии остались (все). Бот не закрыл ни одной ставки. Он снял с людей первичную обработку и довел время реакции с пятнадцати минут до нескольких секунд, а финальную запись по-прежнему часто ведет человек.
То же в стоматологиях «Дентал-Про»: экономия 1,5 миллиона рублей в год — и это правда, но это не сэкономленные зарплаты. Адаптолог в сети как был, так и остался. Просто раньше обучением новичков занимались он и два руководителя по четыре-пять часов в день, а теперь это делает бот, и один адаптолог ведет двадцать стажеров вместо троих человек на той же задаче. Никого не уволили. Полтора миллиона — это стоимость высвобожденного времени трех человек, пересчитанная в деньги. Деньги реальные ровно настолько, насколько эти трое заняли освободившееся время чем-то, что приносит бизнесу больше, чем обучение стажеров.
Вот это разделение на деньги, которые реально пришли или которые реально не ушли, и деньги, которые «как бы сэкономлены», — и есть главная развилка честного расчета. Стандартная формула их смешивает и подает мягкую экономию как твердую. Отсюда и берется разрыв, который потом ловят MIT и Gartner: на слайде окупаемость есть, в P&L её нет.
Куда уходят деньги, которых нет ни в одной презентации
Вторая половина обмана е затраты. В расчёте «зарплата делить на стоимость бота» стоимость бота е это абонентка. А реальная стоимость владения начинается после того, как вы ее заплатили.
Самое дорогое — интеграция и подгонка под конкретный бизнес. ИИ-агент, который обзванивает базу, бесполезен, пока его не подключили к вашей CRM, не научили вашим статусам сделок и не переписали под вас скрипт. Это не баг, это нормальная стоимость внедрения, которую почти никто не закладывает в окупаемость, потому что она портит красивый срок. Gartner в своём прогнозе формулирует это жестко: незаметная цена за токен превращается в кошмар совокупной стоимости владения, когда умножается на тысячи обращений и десятки сценариев. Проект, который выглядел рентабельным на пилоте, в продакшене становится бюджетной черной дырой, и его закрывают. Те самые 30% отказов после пилота — это во многом про людей, которые посчитали только абонентку.
Дальше идет стоимость ошибки бота, и ее вообще никто не считает заранее. Живой оператор ошибается и извиняется. Бот ошибается одинаково и масштабно: если он неверно понял запрос и разослал не ту информацию сотне Клиентов, разгребать это будет человек, и это минус из вашей «экономии». Поэтому в наших колл-центровых внедрениях, вроде кейса с «Голос Сервис», бот не закрывает сделку и не остаётся с Клиентом один на один в спорных ситуациях — последнюю стадию всегда ведет человек. Это сознательное ограничение, которое режет красоту цифры, но спасает проект от того, чтобы стать той самой черной дырой. И наконец, поддержка. Скрипты устаревают, у Клиента меняются услуги, появляются новые возражения, бота надо дообучать. Это не разовая покупка, а аренда, требующая внимания.
Где на самом деле прячется отдача, и почему не там, где её ищут
Самый ценный вывод из отчёта MIT обычно теряется за заголовочными 95%. А он такой: больше половины бюджетов на генеративный ИИ Компании вкладывают в продажи и маркетинг, и именно там отдача ниже всего. Настоящие деньги ИИ приносит в бэк-офисе: на рутинных внутренних процессах, автоматизации обучения, разгрузке поддержки.
Причина именно в природе денег, о которой говорилось выше. Где у адаптации твердая выгода? Не в сэкономленных зарплатах, а в снижении текучки. В «Дентал-Про» текучка на испытательном сроке упала с 40% до 12%. Вот это настоящие деньги: каждый ушедший в первый месяц новичок — это деньги на повторный найм, на повторное обучение, на простой позиции. Сократить отток с сорока процентов до двенадцати в сети, которая нанимает по полтора десятка человек в месяц — это считаемая, твердая экономия, которую видно в бюджете, а не на слайде. В колл-центре та же история: текучка на обучении упала с 30% до 8%, а выход оператора на линию — с трех недель до пяти дней. Каждый день, который оператор не сидит на обучении, а работает на линии, — это деньги, и их можно посчитать без натяжки.
А вот «бот вместо продавца» почти всегда дает мягкую выгоду, которую трудно довести до P&L: ускорили ответ, обработали больше заявок, освободили время. Все это превращается в деньги только при одном условии: если на той стороне есть, кому подхватить освободившийся ресурс и кому обслужить дополнительный спрос. В «Lash&Go» рост записей на 35% стал выручкой только потому, что у студии хватило мастеров на эти записи. Не хватило бы и +35% обращений превратились бы в +35% недовольных, которым некуда записаться.
Как мы теперь считаем окупаемость
Первое: разделяем выгоду на твердую и мягкую и показываем обе отдельно. Твердая: снижение текучки, возвращенные потерянные заявки, новая выручка от выросшей пропускной способности. Мягкая: высвобожденное время, ускорение реакции, разгрузка руководителей. Мягкую мы не прячем и не выдаем за твердую — мы честно говорим, что она станет деньгами только при таком-то условии на стороне Клиента. Клиенту, который слышит это от продавца, внезапно начинаешь верить.
Второе: закладываем в расчет полную стоимость владения, а не абонентку: интеграцию, переписывание скриптов, поддержку, заложенную стоимость ошибок на первый месяц. Срок окупаемости от этого удлиняется. Зато он перестает врать, и Клиент не приходит через два месяца с вопросом «где обещанная экономия».
Третье, и самое неудобное для продавца: мы научились говорить «вам это не нужно». Главный вопрос перед внедрением теперь не «какой будет ROI», а «есть ли в этом процессе вообще твердая выгода или только мягкая». Если у Компании нет проблемы с текучкой, нет потерянных заявок, нет перегруженных рутиной людей, которых можно переключить на что-то ценное, мягкая экономия не дотянет до окупаемости, и проект попадет в те самые тридцать процентов, что Gartner списывает после пилота. Лучше мы скажем это до договора, чем Клиент выяснит после.