Монетизация ИИ: Бизнес-модели и стратегии

Lisa Ernst · 17.11.2025 · Technik · 12 мин

Компании вкладывают миллиарды в генеративный ИИ, но лишь немногие видят ощутимую прибыль. В этой статье рассматривается, почему большинство проектов ИИ не обеспечивают окупаемости инвестиций (ROI) и что отличает успешные пять процентов.

Источник: собственное представление

Введение

Около 95 процентов опрошенных компаний пока не видят какой-либо измеримой прибыли от своих инициатив в области генеративного ИИ, несмотря на то, что по всему миру в такие проекты было вложено, по оценкам, от 30 до 40 миллиардов долларов США. В то же время MIT описывает небольшую группу примерно из пяти процентов, которые с помощью тех же технологий добились миллионных сбережений или нового дохода — своего рода элиту генеративного ИИ. Ключевой вопрос: что делают эти немногие иначе — и как больше компаний могут реально зарабатывать деньги с помощью искусственного интеллекта, а не просто накапливать дорогие пилотные проекты?

Когда мы говорим о том, как компании могут зарабатывать деньги с помощью искусственного интеллекта, суть сводится к рентабельности: приносит ли проект ИИ больше измеримой пользы, чем вложено денег, времени и рисков? IBM различает жесткий ROI — измеряемый непосредственно в евро, франках или долларах — и мягкий ROI, например, улучшение принятия решений, снижение разочарования в команде или более довольные клиенты.

Генеративный ИИ относится к моделям, которые создают контент: тексты, код, изображения, аудио или целые диалоги. Они встраиваются в такие инструменты, как чат-боты, помощники или контент-движки, и должны ускорять процессы или делать возможным создание новых продуктов. Во многих компаниях сегодня работают именно такие приложения: резюмирование документов, автоматизированные электронные письма, маркетинговые тексты, прототипы программного обеспечения.

Agentic AI идет на шаг дальше . Вместо того чтобы просто реагировать на отдельные команды, система действует как цифровой сотрудник: она преследует цели, планирует шаги, координирует несколько моделей и систем ИИ и работает в значительной степени самостоятельно. Например, агент может обрабатывать запросы клиентов, искать во внутренних базах данных, инициировать рабочие процессы в системах ERP и CRM и в конечном итоге завершать процесс — включая уточняющие вопросы, исправления ошибок и документацию.

Для реальной окупаемости инвестиций решающее значение имеет то, что эти системы не просто предоставляют «крутые демонстрации», а конкретно связаны с бизнес-показателями: снижение затрат на процессы, повышение коэффициента конверсии, увеличение дохода на клиента, сокращение простоев или значительное сокращение времени выполнения сложных процессов.

Текущее состояние и вызовы

Анализ MIT, на который ссылаются многие текущие отчеты, описывает явный разрыв: компании по всему миру за последние годы вложили в общей сложности около 30-40 миллиардов долларов США в генеративный ИИ , но примерно 95 процентов опрошенных компаний не сообщают о каком-либо измеримом росте прибыли или снижении затрат благодаря этим проектам. Только около пяти процентов исследуемых организаций сообщают, что интегрированные пилотные проекты генеративного ИИ уже принесли «миллионные суммы», например, за счет сэкономленных расходов или нового дохода.

TechRadar резюмирует эту ситуацию так : Почти все пилотные проекты генеративного ИИ в компаниях терпят неудачу — в результате многие модели далеко не выполняют того, что обещает маркетинг. Согласно этому отчету, 95 процентов опрошенных компаний увидели лишь «очень незначительное» или вообще никакого влияния своих LLM на операционную деятельность. Tom’s Hardware ссылается на тот же вывод MIT с указанием на то, что большинство внедрений «не оказывают измеримого влияния на отчет о прибылях и убытках» — в основном потому, что они плохо интегрированы в процессы.

Другие исследования также дают неоднозначную картину. Один IBM-Analyse unter C-Level-Führungskräften приходит к выводу, что только около четверти инициатив в области ИИ принесли ожидаемую окупаемость инвестиций, и только 16 процентов были успешно масштабированы — большинство проектов остаются на этапе пилотной стадии. Gartner ожидает, что к 2026 году более 80 процентов компаний будут использовать генеративный ИИ, но предполагает, что только около 20 процентов действительно смогут измерить окупаемость инвестиций.

С другой стороны, отдельные концерны показывают, что программы ИИ и агентов могут быть очень прибыльными — если они глубоко интегрированы в бизнес-модель. IBM сообщает, что общекорпоративное использование ИИ и автоматизации с начала 2023 года должно принести общую экономию производительности около 4,5 миллиардов долларов США и способствовало свободному денежному потоку в размере 12,7 миллиардов долларов США в 2024 году. За этим стоят конкретно измеримые эффекты: миллионы сэкономленных рабочих часов, значительно ускоренные HR- и IT-процессы и высокие показатели автоматизации в обслуживании клиентов.

Другим, широко обсуждаемым примером является Salesforce. CEO Marc Benioff сообщает, что компания сократила численность персонала службы поддержки клиентов с примерно 9000 до 5000 сотрудников , в то время как ИИ-агенты через платформу Agentforce выполнили около 1,5 миллиона взаимодействий с клиентами — при аналогичных показателях удовлетворенности, как и у команд поддержки людей. В то же время, один Recherche von Business Insider показывает, что менее половины из 12 500 клиентов Agentforce вообще платят за продукт, и менее двух процентов проводят более 50 бесед Agentforce в неделю — что указывает на то, что многие установки значительно отстают от амбициозных обещаний по окупаемости инвестиций.

Короче говоря: большинство компаний экспериментируют, немногие уже считают конкретные миллионы, а между ними — большая пропасть.

Мотивы и контекст

Почему компании, несмотря на неутешительные промежуточные результаты, продолжают вкладывать столько денег в генеративный ИИ? Один из мотивов — просто объем уже сделанных ставок: одни только одиннадцать крупнейших облачных провайдеров должны в 2025 году инвестировать почти 400 миллиардов долларов США в инфраструктуру , что в основном обусловлено вычислительными потребностями больших языковых моделей. Те, кто строит такие мощности, нуждаются в клиентах — и, следовательно, в убедительных историях о будущих скачках производительности.

Для многих руководителей ИИ также является стратегическим сигналом для инвесторов: мы не упустим следующую волну. Сообщения в СМИ об предполагаемых революциях в производительности усиливают это давление, даже если собственные цифры пока не соответствуют этому. MIT говорит здесь о „GenAI Divide“ между несколькими «победителями», которые последовательно перестроили процессы, и большинством, которое довольствуется слабо связанными пилотными проектами.

Кроме того, есть динамика вокруг агентного ИИ. Аналитики, такие как Gartner, видят в этом один из важнейших технологических трендов на ближайшие годы, но в то же время предупреждают об «агентном отмывании», то есть о случаях, когда классические решения для автоматизации продаются как «агенты» без необходимой для этого автономии. Reuters сообщает, что более 40 процентов проектов агентного ИИ, вероятно, будут прекращены к концу 2027 года — среди прочего из-за растущих затрат и неясной бизнес-выгоды.

В то же время те же аналитики обещают, что агенты в долгосрочной перспективе могут принести огромные выгоды в производительности. Gartner полагает, что к 2029 году агентный ИИ сможет автономно обрабатывать до 80 процентов обычных запросов клиентов и при этом снизить операционные расходы примерно на 30 процентов. Этот тип прогноза подогревает инвестиции, даже если фактическая реализация еще находится в зачаточном состоянии.

Источник: wohlstandsnavigator.net

Искусственный интеллект как двигатель финансовой добавленной стоимости.

Существуют также законные опасения: президент Signal Foundation, Мередит Уиттакер, предупреждает, например, что агенты, которые самостоятельно выполняют задачи, неизбежно должны глубоко вмешиваться в конфиденциальные данные, такие как контакты, платежная информация или календари — и что с этим связаны огромные риски конфиденциальности и безопасности. Таким образом, если вы хотите извлечь выгоду из агентного ИИ, вам нужно не только перестроить процессы, но и переосмыслить управление, безопасность и соответствие требованиям.

В конечном итоге сталкиваются три силы: экономический интерес поставщиков и облачных операторов, инновационное давление и конкурентное давление в компаниях — и обоснованные опасения относительно безопасности, качества и рабочей среды. Принятие решения в этом напряженном поле, когда агент действительно окупается, гораздо сложнее, чем при классическом обновлении программного обеспечения.

Панельная дискуссия «AI ROI in Practice: What Leading Enterprises Get Right» хорошо демонстрирует, как крупные компании решают эти проблемы внутри себя и какие показатели они используют для реальной окупаемости инвестиций.

Факты и утверждения

Доказано, что подавляющее большинство компаний до сих пор не видят прямой финансовой выгоды от своих инвестиций в генеративный ИИ. Этот MIT-Auswertung mit rund 95 Prozent „Null-ROI“-Projekten подхватывается несколькими независимыми СМИ и последовательно описывается. IBM подтверждает собственными данными, что только небольшая часть инициатив в области ИИ приносит ожидаемую окупаемость инвестиций, и масштабирование за пределы пилотных проектов является исключением. В то же время конкретные примеры — например, у самого IBM или в отдельных сервисных подразделениях Salesforce — показывают, что при последовательной перестройке процессов и архитектур агентов можно добиться значительной экономии и повышения производительности.

Неясно, насколько репрезентативны доступные на сегодняшний день данные для всех отраслей и размеров компаний. Данные MIT-Studie basiert auf einer begrenzten Stichprobe показывают, что только около четверти инициатив ИИ принесли ожидаемую окупаемость инвестиций, и только 16 процентов были успешно масштабированы — большинство проектов остаются на этапе пилотной стадии. Gartner отмечает, что, хотя многие компании внедряют инструменты генеративного ИИ, у них практически нет надежных базовых показателей, качества данных или систем показателей для строгой оценки окупаемости инвестиций. Исследования, подобные исследованию Kanerika, дополнительно указывают на то, что неявные эффекты — например, более быстрое внедрение инноваций или улучшение удержания клиентов — трудно отразить с помощью классических моделей окупаемости инвестиций.

Ложными или, по крайней мере, вводящими в заблуждение являются категоричные заявления, такие как «Кто сейчас не внедряет агентов, скоро уйдет с рынка» или «Генеративный ИИ автоматически заменит большую часть персонала». MIT-Analyse findet keine Hinweise auf massenhafte KI-bedingte Entlassungen , а скорее постепенные эффекты, такие как незаполнение определенных должностей. В то же время пример Salesforce показывает, что агрессивное сокращение затрат с помощью агентов может вызвать значительное внутреннее напряжение и проблемы с принятием, — и что инвесторы теперь очень скептически относятся к обещаниям ИИ, если показатели продаж не растут. Столь же вводящим в заблуждение является образ агентного ИИ как «готовой чудо-машины»: Gartner ожидает, что более 40 процентов проектов агентного ИИ будут прекращены в ближайшие годы , именно потому, что бизнес-ценность остается неясной.

Реакции и контраргументы

Поставщики технологий и крупные платформы часто рисуют очень оптимистичную картину. Marc Benioff говорит об агентах как о новой форме труда и обещает, что Agentforce не только снизит затраты, но и позволит привлечь ранее не обрабатываемые потенциальные клиенты на шести- и семизначные суммы. В то же время Business Insider, wie Analysten vielen dieser Aussagen derzeit „null Glaubwürdigkeit“ beimessen, до тех пор, пока не появятся надежные данные о росте продаж, марже и внедрении.

Gartner и другие аналитики рынка занимают гораздо более неоднозначную позицию. С одной стороны, они рассматривают агентный ИИ как ключевую технологию, которая к 2029 году может автономно обрабатывать подавляющее большинство стандартных запросов клиентов. С другой стороны, они предупреждают о чрезмерных ожиданиях, недостаточном качестве данных и ложных стимулах, которые могут привести к дорогостоящим неудачам проектов.

Источник: gruender.de

Консалтинг в области ИИ: Человеческая экспертиза встречается с искусственным интеллектом на рынке стоимостью в триллион.

Третья группа — например, IBM или специализированные интеграторы — пытается больше сосредоточиться на конкретных сценариях использования и надежных показателях. IBM подчеркивает в нескольких публикациях , что успешные проекты агентного ИИ обычно начинаются с четко определенного снижения затрат, требуют надежных базовых показателей и анализа процессов, и только на втором этапе нацелены на новые источники дохода и бизнес-модели.

Критики — например, организации гражданского общества — напоминают, что агентные архитектуры также могут создавать новые риски надзора и зависимости. Meredith Whittaker von Signal warnt davor, предоставления агентам обширных прав доступа к личным и критически важным для бизнеса данным, когда неясно, как именно работают эти системы и какие облачные провайдеры имеют доступ к ним на заднем плане. Таким образом, становится ясно: речь идет не только об окупаемости инвестиций, но и о том, какую цену компании готовы заплатить за возможные выгоды в производительности — как финансовую, организационную, так и социальную.

Практические выводы и открытые вопросы

Если вы в своей компании задумываетесь о том, как зарабатывать деньги с помощью искусственного интеллекта, главное — понять: окупаемость инвестиций редко возникает просто от внедрения инструмента, а от последовательной перестройки процессов. Исследования показывают, что успешные проекты часто начинаются там, где есть четко измеримые затраты на процессы, время выполнения или уровень отказов — например, при обработке документов, обслуживании клиентов или внутренней ИТ. IBM empfiehlt, vor jedem Projekt eine Prozesszerlegung zu machen: Сколько времени занимает процесс сегодня, сколько он стоит, где узкие места — и какие показатели должны конкретно измениться с помощью ИИ? Во-вторых, вам нужна четкая базовая линия, иначе вы не сможете доказать позже, что агенты действительно экономят время, деньги или риски. В-третьих, стоит отдельно рассматривать жесткие и мягкие эффекты: прямую экономию и дополнительный доход с одной стороны, удовлетворенность, инновационный потенциал и устойчивость с другой.

Для агентного ИИ действует дополнительно: без надежной базы данных и надежного дизайна процессов обещание «цифровой сотрудник» быстро превращается в дорогая, непредсказуемая система. TechRadar bringt es mit „Garbage in, Agentic out“ auf den Punkt и ссылается на случаи, когда низкое качество данных делает автономные системы практически бесполезными. В то же время компании, такие как IBM, показывают, что агенты в четко выстроенных рабочих процессах — например, в HR-сервисе или при обработке IT-запросов — могут сочетать очень высокие показатели автоматизации с измеримой экономией.

Практически это означает для вас и вашей команды: перед каждым проектом по использованию агентов или генеративного ИИ задавайте несколько простых, жестких вопросов. Какой показатель должен измениться — и насколько? Какие данные использует система, и насколько они действительно хороши? Как конкретно выглядит процесс после этого, включая передачу эскалации людям? И как документируется, что решил агент? Фреймворки от IBM, Gartner и специализированных консультантов предоставляют для этого контрольные списки и метрики, которые вы можете адаптировать.

Доклад «Agentic AI ROI: From Automation to Decisions» на конкретных примерах показывает, как компании используют агентов таким образом, чтобы из автоматизированных задач реально возникали измеримые финансовые эффекты и новые качества принятия решений.

Несмотря на все цифры, остаются центральные вопросы. Пока еще мало независимых, межотраслевых мета-исследований, которые оценивают фактическую окупаемость инвестиций проектов генеративного ИИ и агентного ИИ за несколько лет и экономические циклы. Разрыв MIT spricht zwar von einem „GenAI Divide“ между немногими очень успешными проектами и большой массой экспериментов, которые едва ли оказывают какое-либо влияние, но как эта разрыв будет развиваться в долгосрочной перспективе, неясно. Также остается открытым вопрос, окажется ли текущая волна инвестиций чрезмерной предоплатой или основой для устойчивых скачков производительности.

Второй открытый вопрос — измеримость мягкой окупаемости инвестиций. Сколько стоит то, что команды разработчиков благодаря ИИ быстрее тестируют прототипы, маркетинговые команды находят лучшие целевые группы или руководители принимают решения на основе более широких данных? IBM betont, dass solche Effekte langfristig entscheidend sein können, но их трудно вписать в классические формулы ROI. Консалтинговые компании, такие как Kanerika, пытаются установить для этого комбинированные системы показателей, которые объединяют финансовые, производственные, клиентские и рисковые индикаторы — область, в которой, вероятно, многое изменится в ближайшие годы.

Наконец, остается вопрос, как регулирование, правила бухгалтерского учета и надзор будут относиться к инвестициям в ИИ в будущем. Пока нет единых стандартов, как компании должны раскрывать проекты ИИ в отчетах о деятельности, об устойчивом развитии или о рисках и делать их экономическую эффективность прозрачной. Для вас это означает: ваш собственный внутренний стандарт для измерения, документирования и управления, вероятно, будет так же важен в ближайшие годы, как и выбор моделей или платформ.

Текущее состояние можно трезво охарактеризовать следующим образом: большинство компаний все еще ищут надежную бизнес-модель для генеративного ИИ и агентного ИИ, в то время как небольшое меньшинство уже добивается явных финансовых эффектов. Данные указывают на то, что окупаемость инвестиций возникает не из самой технологии, а из того, как последовательно компании переосмысливают процессы, организацию и базу данных вокруг этой технологии.

Если вы хотите реально зарабатывать деньги с помощью искусственного интеллекта, стоит взглянуть трезво: начинать с малого, четко измерять, радикально ориентироваться на конкретные бизнес-цели — и понимать агентов не как магических существ, а как требовательные строительные блоки нового дизайна процессов. Таким образом, увеличивается шанс перейти из большой группы экспериментирующих компаний в небольшую группу тех, кто уже сегодня получает реальную, доказуемую отдачу от ИИ.