ГК Softline: «ИИ-агент не всегда дешевле человека»

Корпоративный ИИ-агент не обязательно обходится дешевле сотрудников, чью работу он должен автоматизировать. Стоимость платформы и интеграции может измеряться десятками миллионов рублей, а после запуска к ней добавляются расходы на инфраструктуру, токены и сопровождение. В этой статье я расскажу, как бизнесу оценить экономику ИИ-проекта до внедрения.

Почему ИИ-агенты так по-разному стоят?

Кто-то собирает себе агента по подписке стоимостью в пару чашек кофе, а кто-то говорит о бюджетах в десятки миллионов рублей. Разница настолько большая, потому что это, скорее всего, два разных агента. В первом случае мы говорим о личном использовании или использовании в небольших командах. Человек покупает доступ к модели, выбирает инструмент автоматизации, тот же n8n, и собирает агента под собственные задачи. Одна подписка стоит 20 долларов, другая еще 20, плюс расходы на токены. В итоге выходит около 60 долларов в месяц, иногда больше. Так что даже персональный агент не бесплатный, но порядок затрат здесь понятен.

Второй вид агентов — в корпоративной среде: где большое количество пользователей, интеграция с информационными системами, соблюдение требований к информационной безопасности. Многие крупные компании разрешают использовать ИИ только внутри закрытого периметра, а это уже совсем другие расходы. Сравнивать такой проект с личным помощником только по функциям неправильно.

То есть дорогим оказывается не столько сам ИИ. Модель — только часть решения. Если ИИ-решение локальное, нужны «железо», программное обеспечение и сервисы по интеграции. Если облачное, будут регулярные платежи за облако и токены, но и интеграция никуда не денется. Хотите связать агента с 1С, ERP, CRM или внутренней базой знаний — нужен тот, кто это спроектирует, реализует и будет сопровождать.

Не забываем про конечных пользователей, которым нужно будет объяснить, как встроить новый инструмент в повседневную работу, как контролировать результат, — поэтому необходимо будет еще и обучение.

Для корпоративного агента обязательно обучать собственную модель?

Как правило, никто не обучает модель с нуля и даже не дообучает ее — берут уже готовую. Если нужны специфические знания, их подключают с помощью RAG (Retrieval-Augmented Generation): на основе документов компании создается база знаний, из которой модель получает контекст для ответа, сама она при этом остается без изменений.

От чего зависит стоимость внедрения ИИ-агента?

Стоимость варьируется в зависимости от того, сколько человек будут им пользоваться, какая предполагается нагрузка, с какими системами его нужно связать, где он будет развернут. Если разработать агента на open source и разместить его в недорогом облаке, без сложной интеграции, то такая стоимость выглядит реалистичной.

Другой ценник будет у высоконагруженного отказоустойчивого ИИ-сервиса, интегрированного с корпоративными системами. Каждый запрос к модели расходует токены. В рамках одного диалога сумма может выглядеть незначительной, но представьте сервис с тысячами пользователей, каждый из которых задает несколько вопросов. На таком объеме затраты становятся совсем другими, поэтому говорить о некоем среднем чеке ИИ-агента без учета масштаба задачи не приходится.

В ГК Softline при расчете стоимости ИИ-агента учитывают не только платформу, но и инфраструктуру, интеграцию и эксплуатацию.

Можно ли ожидать, что корпоративные ИИ-решения в ближайшее время станут дешевле?

В долгосрочной перспективе технологии, безусловно, будут дешеветь и демократизироваться. Но прямо сейчас я не вижу резкого удешевления. Бум интереса к ИИ поднял спрос на вычислительные мощности и память — GPU и инфраструктура остаются дорогими.

Всегда ли ИИ обходится дешевле сотрудников, которые выполняют ту же рутинную работу?

Идея отдать рутинную работу искусственному интеллекту звучит многообещающе. Но сколько эта рутина стоит сейчас? Иногда выясняется, что дешевле оставить ее человеку, если затраты невелики, а скорость и качество устраивают.

Сокращение расходов — главный эффект?

ИИ может не просто выполнять какую-то конкретную операцию, но и ускорить весь процесс — расшить бутылочное горлышко. Предположим, человек долго разбирает большой объем документов, готовит какие-то материалы или делает несколько вариантов оформления презентации — ИИ-агент может выполнить эту работу быстрее.

В этом случае мы в Softline считаем не только ФОТ, но и эффект ускорения: быстрее разобрали документ, быстрее обслужили клиента. При принятии решения о запуске корпоративного агента нужно учитывать все вместе: сколько агент стоит, какую работу снимает и что меняет во всем процессе. Без ответов на эти вопросы сама по себе стоимость агента мало о чем говорит.

В ГК Softline рекомендуют искать точки применения ИИ-агентов после анализа реального бизнес-процесса.

Как понять, в какой именно точке процесса ИИ-агент действительно принесет пользу?

Когда бизнес не очень хорошо понимает собственные процессы, невозможно нормально оценить, в каком месте использовать искусственный интеллект.

Процессы первичны, их надо описать, визуализировать. Можно использовать process mining (процессную аналитику): собрать данные о реальном прохождении процесса и увидеть, где он буксует. Там уже можно спрашивать, способен ли агент выполнить задачу или подготовить результат для проверки. А внедрять технологию и только потом придумывать для нее задачу, по большому счету, бессмысленно.

В каких задачах экономический эффект от ИИ-агента проще всего увидеть?

Там, где есть большой поток однотипных операций. В ГК Softline, например, искусственный интеллект классифицирует обращения, поступающие в техническую поддержку. Еще одно направление — работа с базами знаний, причем не только в поддержке, но и в продажах.

Другой класс задач — обработка документов. Предположим, сотрудник вручную разбирает входящий поток и определяет, по какому сценарию направить каждый документ. Если из-за этого процесс зависает на несколько дней или недель, можно подключить искусственный интеллект: он распознает содержание документа и запускает нужный маршрут. Вот здесь применение гиперавтоматизации уже имеет вполне понятный практический смысл.

В ГК Softline искусственный интеллект уже используется для классификации обращений в техническую поддержку.

Допустим, компания нашла подходящий процесс и собрала прототип агента. Можно ли такое решение сразу переносить в промышленную среду?

Пилот работает на небольшом объеме и позволяет проверить саму идею. С помощью low-code, no-code или вайб-кодинга можно описать, что должен делать агент, и достаточно быстро собрать прототип — для проверки гипотезы это прекрасно. Но можно ли без изменений поставить такой прототип на сайт с тысячами посетителей или в колл-центр? Скорее всего, нет: с промышленной нагрузкой он не справится. Для полноценного запуска понадобятся эксперты, интеграция, безопасность и сопровождение.

Как сотрудники реагируют на то, что работодатель начинает анализировать процессы и искать точки применения ИИ?

По опыту проектов ГК Softline, довольно осторожно. Чтобы получить реальную картину процесса, нужно много общаться с людьми, которые выполняют его каждый день. И они понимают, что компания ищет возможности для автоматизации, и естественным образом задаются вопросом: что после этого произойдет с моей ролью? Причем страх не всегда связан именно с увольнением. Часто человеку просто непонятно, чем он будет заниматься дальше.

Поэтому анализ процессов должен сопровождаться разъяснительной работой. Нужно заранее обсуждать, какие задачи возьмет на себя агент, а какие останутся в зоне ответственности сотрудника. Полностью исключить человека из серьезного корпоративного сценария пока нельзя: нужен human in the loop — тот, кто проверяет результат и принимает окончательное решение.

Когда компания приходит к ГК Softline и говорит: «Нам нужен ИИ-агент», с чего начинается разговор?

С вопроса: «Какую конкретную бизнес-задачу вы хотите решить?» Не где бы применить ИИ, а что сейчас не работает и сколько эта проблема стоит. Если агент устранит дорогое бутылочное горлышко или заметно улучшит сервис, экономика может сложиться. Если он заменяет дешевую операцию, а для этого нужны платформа, «железо» и несколько интеграций, ответ может быть другим.

Иногда правильное решение — внедрять, иногда — оставить задачу человеку. Главное, чтобы это был осознанный расчет, а не попытка использовать искусственный интеллект потому, что его сейчас используют все.