Искусственный интеллект стремительно дешевеет, но расходы бизнеса на его использование продолжают расти. Согласно исследованию McKinsey, 93% опрошенных компаний превысили запланированные бюджеты на ИИ.
При этом лишь около 20% организаций, согласно другим данным консалтинговой компании, получают существенный положительный эффект от технологии на финансовые результаты. Переход от чат-ботов к автономным ИИ-агентам превращает цифровой труд в новую и всё менее предсказуемую статью расходов.
На совещании руководителей одной технологической компании обсуждали внедрение новой системы искусственного интеллекта. Проект получил поддержку, пока один из участников не задал очевидный вопрос: сколько это будет стоить?
Ответить не смог никто.
Этим эпизодом McKinsey иллюстрирует одну из главных проблем корпоративного рынка ИИ. Компании научились быстро внедрять новые инструменты, но далеко не всегда способны определить, во сколько обойдётся их дальнейшая эксплуатация.
За последние два года искусственный интеллект прошёл путь от экспериментальной технологии до полноценной статьи операционных расходов. Теперь перед руководителями возникает вопрос, который ещё недавно оставался на втором плане: не сколько задач можно поручить ИИ, а сколько денег он действительно приносит.
Парадокс: технологии дешевеют, расходы утраиваются
На первый взгляд ситуация противоречит логике технологического рынка.
По данным Stanford AI Index, стоимость обработки миллиона токенов моделями с возможностями уровня GPT-3.5 снизилась с $20 до $0,07 к концу 2024 года. Это означает, что вычислительные возможности, ещё недавно стоившие значительных денег, стали существенно доступнее.
Однако корпоративные расходы на большие языковые модели за 12 месяцев к концу 2025 года утроились.
Согласно исследованию McKinsey Enterprise AI FinOps, проведённому в мае 2026 года, 93% опрошенных организаций превысили свои бюджеты на искусственный интеллект.
Из них 39% сообщили о перерасходе менее чем на 10%, ещё 46% — на 10–30%.
Причина заключается не столько в стоимости отдельной модели, сколько в изменении экономики её использования.
Первое поколение корпоративных ИИ-продуктов распространялось преимущественно по подписке. Компании платили фиксированную сумму за пользователя и относительно легко планировали затраты.
Теперь всё больше услуг оплачивается по фактическому потреблению.
Каждый дополнительный запрос, обращение к внешнему инструменту, повторная проверка или новый этап обработки информации увеличивает итоговый счёт.
В результате снижение цены одной операции больше не гарантирует сокращения общих расходов.
Цифровые сотрудники оказались дороже ожидаемого
Особенно заметно эта тенденция проявляется с распространением автономных ИИ-агентов.
В отличие от обычных чат-ботов, которые отвечают на отдельные запросы, агентные системы могут самостоятельно планировать действия, обращаться к программным инструментам, проверять результаты и выполнять многоэтапные процессы.
Такие возможности открывают путь к автоматизации сложной интеллектуальной работы. Но они же меняют экономику технологии.
По оценкам, приведённым McKinsey, отдельные агентные задачи могут потреблять примерно в тысячу раз больше токенов, чем определённые сценарии общения с ИИ или решения программных задач без внешних инструментов.
При этом значительная часть затрат возникает уже после получения первоначального ответа.
Около 60% стоимости агентной задачи может приходиться на уточнение, проверку, исправление и повторную оценку результата.
Дополнительную неопределённость создаёт автономность самих систем.
Один и тот же запрос может быть выполнен различными способами. Агент способен выбрать другую последовательность действий, использовать больше инструментов или повторить неудачную операцию.
В отдельных случаях стоимость выполнения одинаковой задачи различается в 30 раз.
Для бизнеса это означает появление принципиально нового риска: расходы зависят не только от количества задач, но и от того, какие решения принимает сама система в процессе работы.
Бизнес видит счета, но не всегда понимает результат
Проблема становится ещё серьёзнее, когда компании пытаются оценить отдачу от инвестиций.
Во вступительном материале McKinsey Quarterly отмечается, что, согласно исследованиям компании, лишь около 20% организаций получают существенное улучшение финансовых результатов благодаря ИИ.
Этот показатель относится к отдельной исследовательской базе и не должен напрямую сопоставляться с долей компаний, превысивших свои бюджеты. Однако вместе они характеризуют два ключевых вызова корпоративного рынка: рост расходов и сложность получения измеримой прибыли.
Многие организации способны определить, сколько запросов выполнили сотрудники и сколько токенов было использовано. Но эти данные не отвечают на более важные вопросы.
Снизилась ли стоимость обслуживания клиента? Ускорилась ли обработка кредитных заявок? Сократилось ли количество ошибок? Увеличилась ли производительность подразделения?
В интервью McKinsey генеральный директор компании Pay-i Дэвид Теппер обращает внимание на необходимость оценивать экономику ИИ через результаты выполненной работы, а не исключительно через объём вычислений.
Это меняет сам подход к управлению технологией.
Компания должна учитывать полную стоимость выполнения задачи: работу модели, дополнительные проверки, человеческий контроль, исправление ошибок и используемую инфраструктуру.
Только после этого можно определить, действительно ли ИИ дешевле традиционной автоматизации или труда сотрудников.
Даже McKinsey пришлось ограничивать потребление
С аналогичными проблемами столкнулась сама McKinsey.
По состоянию на май 2026 года компания обрабатывала около 5 трлн ИИ-токенов ежемесячно.
При этом потребление оказалось крайне неравномерным: примерно 10% пользователей обеспечивали 65% общего объёма использования токенов.
На первоначальном этапе McKinsey практически не ограничивала сотрудников, стремясь ускорить освоение искусственного интеллекта.
Однако по мере увеличения расходов компания стала внедрять механизмы контроля и оптимизации использования моделей.
Один из главных выводов заключался в том, что наиболее мощная модель далеко не всегда является наиболее рациональным выбором.
Простые задачи можно выполнять с помощью менее дорогих систем, оставляя сложные модели для процессов, где их дополнительные возможности действительно влияют на качество результата.
Кроме того, оптимизация запросов и сокращение избыточных ответов в отдельных рабочих процессах позволяли уменьшать потребление токенов на 30–40% без существенной потери качества.
Таким образом, экономия возникает не обязательно за счёт сокращения использования ИИ. Иногда достаточно изменить способ его применения.
До 30% расходов могут оставаться вне контроля
Масштаб проблемы выходит за пределы стоимости отдельных запросов.
По наблюдениям McKinsey, от 20% до 30% расходов организаций на ИИ нередко остаются вне консолидированного учёта из-за распределения платежей между подразделениями, поставщиками и цифровыми сервисами.
Одни сотрудники используют корпоративные подписки, другие подключают внешние API, третьи внедряют ИИ-функции через программное обеспечение, стоимость которого учитывается отдельно.
В результате у руководства может отсутствовать единая картина затрат.
Особенно заметной проблема становится при переходе от экспериментальных проектов к масштабному внедрению. Согласно исследованию McKinsey, расходы на ИИ при таком переходе увеличиваются почти в четыре раза.
При этом только 20–25% компаний располагают зрелой системой управления потреблением ИИ — подходом, получившим название AI FinOps.
По оценкам консалтинговой компании, системная оптимизация способна обеспечить экономию на соответствующих расходах в размере 20–30%.
Но речь идёт не о гарантированном результате, а о потенциале, который зависит от зрелости управления, технологической архитектуры и характера задач.
Банкам придётся считать не токены, а стоимость решений
Для финансового сектора изменение экономики искусственного интеллекта имеет особое значение.
Банки используют или тестируют ИИ для обслуживания клиентов, анализа документов, оценки рисков, противодействия мошенничеству и автоматизации внутренних процессов.
Однако в регулируемой отрасли стоимость технологии складывается не только из вычислительных расходов.
Необходимо учитывать защиту персональных данных, соответствие требованиям регулятора, возможность проверки решений и сохранение контроля над критическими процессами.
McKinsey рассматривает банковские операции с чувствительными данными как один из сценариев, для которых могут быть предпочтительны частные облачные или суверенные инфраструктурные решения. При этом выбор зависит от конкретной задачи и нормативных требований.
Для банков Центральной Азии отсюда возникает практический вопрос: какие процессы выгоднее передавать внешним ИИ-платформам, а какие целесообразно автоматизировать внутри собственной инфраструктуры?
Например, использование ИИ для предварительного анализа кредитных заявок может сокращать время обработки. Но если результаты приходится регулярно проверять вручную, а ошибки создают дополнительные расходы, реальный экономический эффект может существенно отличаться от первоначальных расчётов.
Поэтому в финансовом секторе всё большее значение будут иметь показатели стоимости завершённой операции, точности решений и эффективности контроля рисков.
Это уже вопрос не только технологий, но и прибыльности банковского бизнеса.
Сотрудники готовы к ИИ. Компании — значительно меньше
Исследования McKinsey показывают, что проблема заключается не исключительно в бюджетах.
В отдельном международном опросе 750 сотрудников и руководителей, проведённом с февраля по апрель 2026 года, 70% респондентов заявили о личной готовности работать с искусственным интеллектом.
Но лишь 27% из 608 опрошенных руководителей считают свои организации готовыми к необходимым изменениям.
Разрыв отражает фундаментальную проблему корпоративной цифровизации.
Сотрудники могут успешно использовать ИИ для подготовки документов, анализа данных или создания программного кода. Однако это ещё не означает, что бизнес-процессы компании становятся эффективнее.
Для получения устойчивого результата необходимо менять организационную структуру, порядок принятия решений, распределение ответственности и способы оценки производительности.
McKinsey выделяет три этапа внедрения искусственного интеллекта: предоставление сотрудникам инструментов, автоматизацию процессов и фундаментальное переустройство работы.
До третьего этапа, согласно оценкам опрошенных руководителей, дошли только 11% организаций.
Именно среди этой группы чаще всего фиксируется значимый эффект от внедрения технологии на уровне всего предприятия.
О таком результате сообщают 48% руководителей компаний на этапе переустройства работы, тогда как среди организаций, сосредоточенных на автоматизации, показатель составляет 24%, а на этапе внедрения отдельных инструментов — 13%.
Разница указывает на то, что конкурентное преимущество возникает не только благодаря доступу к ИИ, но прежде всего за счёт изменения способов ведения бизнеса.
Главная конкуренция развернётся вокруг экономики ИИ
На протяжении последних лет компании стремились продемонстрировать скорость внедрения искусственного интеллекта.
Количество подключённых сотрудников, реализованных пилотных проектов и используемых моделей стало одним из показателей технологического прогресса.
Теперь акцент постепенно смещается.
Руководителям необходимо понимать, какие ИИ-системы действительно создают ценность, какие следует масштабировать, а от каких выгоднее отказаться.
В ближайшие годы это может изменить и рынок корпоративных технологий.
Поставщики ИИ будут конкурировать не только по качеству моделей и цене токена, но и по способности обеспечить измеримый экономический результат.
Для бизнеса ключевым показателем станет не объём потреблённого искусственного интеллекта, а стоимость конкретного результата, полученного с его помощью.
Главный парадокс новой экономики ИИ заключается в том, что снижение стоимости технологии не обязательно делает её использование дешевле. Чем больше самостоятельных задач компании доверяют цифровым агентам, тем важнее становится умение контролировать их работу — и её цену.