Генеративный ИИ используют в России 71% организаций, а финансового эффекта нет почти ни у кого
Изучил исследование Якова и партнеры «ИИ-агенты: где хайп, а где реальность». Интересно, что реальная проблема при внедрении ИИ не в кадрах, не в GPU или энергии, а в отсутствии эффекта от применения ИИ.
Не зря мы продвигаем историю с методикой оценки экономического эффекта (писал об этом тут и тут).
Авторы изучили 18 зарубежных и 12 российских продуктов, а также 65 внедрений. Круто, что коллеги формализовали критерии агента (об этом до сих пор много споров в комьюнити).
Интересных выводов будет много (уж простите меня за душнилово):
1️⃣ Мало у кого получилось монетизировать применение ИИ
Генеративный ИИ используют 71% российских компаний. Однако рост EBITDA более чем на 5% связывают с ним только 9%.
В мире картина похожая: ИИ применяют 88% организаций, а значимый прирост EBIT получили лишь 6%.
Причина не в модели. ИИ ускоряет отдельную операцию, но процесс вокруг неё остаётся прежним.
Например, сотрудник быстрее готовит документ, код или ответ клиенту. Но результат всё равно ждёт согласования, проверки, загрузки в другую систему или решения руководителя. Локальная экономия времени возникает, а пропускная способность всей организации не меняется.
2️⃣ Корпоративный «агент» чаще всего остаётся ассистентом
Из 18 зарубежных продуктов только 7 соответствовали как минимум пяти из шести признаков полноценного агента: имели агентных цикл (исполнение задачи и петля обратной связи), могли спланировать задачу, работали с инструментами, могли самообучаться, имели память, доводили задачу до конца.
Но среди 43 реальных внедрений до этого уровня дошли только 10.
Даже способный к автономной работе продукт внутри компании часто лишается главного:
- доступа к корпоративным данным;
- прав на выполнение действий;
- возможности менять план;
- понятных границ ответственности;
- правил передачи задачи человеку.
В результате компания покупает агента, а получает чат-бота с доступом к нескольким системам.
3️⃣ Модель и лицензии - меньшая часть затрат организации
Подписки на модели и инструменты составляют лишь 15–20% совокупной стоимости владения.
Гораздо больше может потребоваться на:
- подготовку и сопровождение данных - 25–40%;
- поддержку и наблюдение за системой - 15–30%;
- интеграцию с корпоративными системами - иногда в x2-x3 больше стоимости лицензий.
Поэтому реальный срок окупаемости ИИ-проектов авторы оценивают в 2-4 года, а не в привычные для ИТ-проектов 7–12 месяцев.
4️⃣ Сокращение сотрудников оказалось нежизнеспособной гипотезой
Хорошая новость, нас не уволят! По крайней мере не сейчас :)
83% компаний, повысивших производительность с помощью ИИ, не стали сокращать численность персонала.
В России доля организаций, рассчитывающих получить эффект за счёт уменьшения фонда оплаты труда, за год снизилась с 49 до 12%.
Это логично: если ИИ забрал 30% операций сотрудника, уволить 30% человека невозможно. Высвободившееся время должно превратиться в дополнительную выручку, рост объёма операций, снижение потерь или повышение качества.
Если этого не произошло, экономический эффект существует только в расчёте виртуальных сэкономленных часов.
5️⃣ Максимальная автономность снижает надежность
Если вероятность правильного выполнения одного шага составляет 90%, то для цепочки из пяти последовательных действий вероятность безошибочного результата снижается до 59%.
Для десяти шагов - уже до 35%.
Поэтому зрелый агент - не тот, которому разрешили делать всё.
Это система, в которой:
- сокращена длина цепочки действий;
- проверяются промежуточные результаты;
- определены пределы полномочий;
- решения с высокой ценой ошибки передаются человеку.
PS: ниже Сергей Кобелев, один из авторов отчета, дал короткие комментарии и интересные инсайты
#аналитика
💬 ген ии | MAX
Изучил исследование Якова и партнеры «ИИ-агенты: где хайп, а где реальность». Интересно, что реальная проблема при внедрении ИИ не в кадрах, не в GPU или энергии, а в отсутствии эффекта от применения ИИ.
Не зря мы продвигаем историю с методикой оценки экономического эффекта (писал об этом тут и тут).
Авторы изучили 18 зарубежных и 12 российских продуктов, а также 65 внедрений. Круто, что коллеги формализовали критерии агента (об этом до сих пор много споров в комьюнити).
Интересных выводов будет много (уж простите меня за душнилово):
1️⃣ Мало у кого получилось монетизировать применение ИИ
Генеративный ИИ используют 71% российских компаний. Однако рост EBITDA более чем на 5% связывают с ним только 9%.
В мире картина похожая: ИИ применяют 88% организаций, а значимый прирост EBIT получили лишь 6%.
Причина не в модели. ИИ ускоряет отдельную операцию, но процесс вокруг неё остаётся прежним.
Например, сотрудник быстрее готовит документ, код или ответ клиенту. Но результат всё равно ждёт согласования, проверки, загрузки в другую систему или решения руководителя. Локальная экономия времени возникает, а пропускная способность всей организации не меняется.
2️⃣ Корпоративный «агент» чаще всего остаётся ассистентом
Из 18 зарубежных продуктов только 7 соответствовали как минимум пяти из шести признаков полноценного агента: имели агентных цикл (исполнение задачи и петля обратной связи), могли спланировать задачу, работали с инструментами, могли самообучаться, имели память, доводили задачу до конца.
Но среди 43 реальных внедрений до этого уровня дошли только 10.
Даже способный к автономной работе продукт внутри компании часто лишается главного:
- доступа к корпоративным данным;
- прав на выполнение действий;
- возможности менять план;
- понятных границ ответственности;
- правил передачи задачи человеку.
В результате компания покупает агента, а получает чат-бота с доступом к нескольким системам.
3️⃣ Модель и лицензии - меньшая часть затрат организации
Подписки на модели и инструменты составляют лишь 15–20% совокупной стоимости владения.
Гораздо больше может потребоваться на:
- подготовку и сопровождение данных - 25–40%;
- поддержку и наблюдение за системой - 15–30%;
- интеграцию с корпоративными системами - иногда в x2-x3 больше стоимости лицензий.
Поэтому реальный срок окупаемости ИИ-проектов авторы оценивают в 2-4 года, а не в привычные для ИТ-проектов 7–12 месяцев.
4️⃣ Сокращение сотрудников оказалось нежизнеспособной гипотезой
Хорошая новость, нас не уволят! По крайней мере не сейчас :)
83% компаний, повысивших производительность с помощью ИИ, не стали сокращать численность персонала.
В России доля организаций, рассчитывающих получить эффект за счёт уменьшения фонда оплаты труда, за год снизилась с 49 до 12%.
Это логично: если ИИ забрал 30% операций сотрудника, уволить 30% человека невозможно. Высвободившееся время должно превратиться в дополнительную выручку, рост объёма операций, снижение потерь или повышение качества.
Если этого не произошло, экономический эффект существует только в расчёте виртуальных сэкономленных часов.
5️⃣ Максимальная автономность снижает надежность
Если вероятность правильного выполнения одного шага составляет 90%, то для цепочки из пяти последовательных действий вероятность безошибочного результата снижается до 59%.
Для десяти шагов - уже до 35%.
Поэтому зрелый агент - не тот, которому разрешили делать всё.
Это система, в которой:
- сокращена длина цепочки действий;
- проверяются промежуточные результаты;
- определены пределы полномочий;
- решения с высокой ценой ошибки передаются человеку.
ИИ может сделать отдельного сотрудника быстрее. Но финансовый эффект появляется только тогда, когда вслед за сотрудником меняются процессы и вся организация.
PS: ниже Сергей Кобелев, один из авторов отчета, дал короткие комментарии и интересные инсайты
#аналитика
💬 ген ии | MAX