Стоимость внедрения ИИ: автоматизация или новый сотрудник

Сравнение «сотрудник стоит 200 тысяч в месяц, а модель — несколько рублей за запрос» почти всегда ведёт не туда. В одной колонке у нас полная стоимость человеческой роли, в другой — один переменный компонент технической системы. Победитель известен заранее, но вывод мало что значит.

Я бы сначала задал другой вопрос: сколько стоит один корректно завершённый результат процесса в каждом варианте? Например, обработанный документ без критической ошибки, квалифицированный лид с понятным следующим шагом или решённое обращение клиента. Только после определения такой единицы имеет смысл считать TCO. Именно поэтому стоимость внедрения ИИ я бы считал через стоимость устойчивого результата процесса, а не через цену одного вызова модели.

Иногда автоматизация действительно выигрывает сильно. Иногда дешевле и разумнее нанять человека, изменить процесс или использовать обычные правила. Мне кажется полезным оставить эту возможность открытой до расчёта.

Сначала определите единицу результата, а не стоимость технологии

Если процесс измеряется количеством AI-вызовов, мы легко оптимизируем не то. Для поддержки единицей может быть решённое обращение без повторного контакта. Для документов — документ, проведённый без критического исправления. Для продаж — обработанный входящий лид с актуальными данными и назначенным действием.

Эта единица позволяет включить качество в экономику. Дешёвый автоматический результат, который потом массово исправляет человек, перестаёт выглядеть бесплатным. И наоборот, система с более дорогой моделью может оказаться выгоднее, если уменьшает ручную проверку на дорогом участке.

FinOps Foundation отдельно развивает подход unit economics для AI, связывая затраты с бизнес-ценностью. Я бы использовал эту идею без попытки найти универсальную формулу: единица должна отражать именно ваш процесс.

Проверяемые источники: FinOps Foundation — FinOps for AI Overview · FinOps Foundation — Capability: Unit Economics

TCO автоматизации — это не только токены и сервер

В начальную стоимость входят анализ процесса, интеграции, подготовка данных, тестовая выборка, разработка policy и мониторинга. После запуска появляются API и model usage, инфраструктура, хранение, наблюдаемость, разбор исключений, обновления интеграций, регрессии и поддержка.

Часть расходов редко видна в счёте облачного провайдера. Кто-то должен разметить спорные примеры, проверить инцидент, обновить базу знаний, согласовать изменение правил, поддержать доступы. AWS в Generative AI Lens рассматривает cost optimization как постоянную дисциплину, включая выбор модели и архитектуры, а не разовый подбор дешёвого тарифа.

Я бы отдельно вынес стоимость ошибок. Не в виде страшной универсальной цифры, а как ожидаемую нагрузку: частота класса ошибки, стоимость исправления и ущерб, который она способна вызвать. Для обратимых внутренних действий это одно. Для денег или обязательств перед клиентом — другое.

Проверяемые источники: AWS — Cost optimization — Generative AI Lens

MEDIA FRAME · PLACEHOLDERИллюстрация будет добавлена позже

TCO сотрудника тоже шире зарплаты

С другой стороны, сравнивать полную систему с голой зарплатой сотрудника тоже неправильно. Найм включает подбор, онбординг, рабочее место, налоги и льготы в конкретной юрисдикции, управление, отпуск, заменяемость, обучение и время экспертов, которые передают контекст.

Но у человека есть свойства, которые трудно положить в простую таблицу. Он может разбираться с действительно новыми исключениями, замечать изменение контекста и брать на себя ответственность за неоднозначный случай. Если процесс плохо описан и постоянно меняется, эта гибкость имеет экономическую ценность.

Поэтому я бы не пытался доказать, что одна сторона «масштабируется бесконечно», а другая нет. На практике автоматизация тоже требует людей — просто их работа смещается от выполнения каждой операции к поддержке системы и исключениям.

Расчётный пример: сравниваем два варианта без выдуманного ROI

Допустим, процесс даёт 8 000 однотипных операций в месяц. В ручном варианте компания знает фактическое время обработки и долю переделок. В автоматизированном варианте после пилота она знает долю операций, которые проходят без человека, среднюю стоимость model/API вызовов и время разбора исключений. Этого уже достаточно для сравнительной модели.

Я бы считал так: TCO автоматизации за период = амортизированное внедрение + usage + инфраструктура + сопровождение + ручная проверка + ожидаемая стоимость исправлений. TCO ручного варианта = полная стоимость роли + управление + обучение + стоимость ошибок + дополнительные ресурсы при пиковом объёме. Затем обе суммы делятся на корректно завершённые операции.

Здесь намеренно нет рублей. Без вашей зарплатной структуры, стоимости API, объёма и качества данных любая конкретная цифра будет рекламой, а не расчётом. Полезность модели именно в том, что она заставляет увидеть скрытые компоненты.

Проверяемые источники: AWS — Cost optimization — Generative AI Lens · FinOps Foundation — FinOps for AI Overview · FinOps Foundation — Capability: Unit Economics

Когда новый сотрудник может быть рациональнее AI

Я бы серьёзно рассматривал найм, если объём невелик, случаи сильно различаются, процесс ещё не устоялся или цена подготовки надёжной автоматизации выше нескольких лет ручной работы. Ещё один сигнал — большая часть ценности роли заключается в переговорах и контекстных решениях, а не в повторяемой обработке информации.

Иногда сначала нужен человек, чтобы вообще стабилизировать процесс. После нескольких месяцев появляется понятная типология случаев, правила и данные для автоматизации. Пытаться автоматизировать хаос раньше может быть дороже, чем временно расширить команду.

И наоборот, большой повторяемый поток с хорошо различимыми исключениями и дорогой ручной рутиной выглядит намного привлекательнее для автоматизации. Мне важнее эта структура задачи, чем модность технологии.

Проверяемые источники: NIST — AI Risk Management Framework

Гибридный вариант часто оказывается экономически сильнее крайностей

Между «всё делает человек» и «всё делает AI» есть широкий диапазон. Система может собирать контекст, заполнять черновик, проверять правила и отправлять человеку только исключения. Тогда число сотрудников не обязательно сразу уменьшается; может измениться их пропускная способность и качество внимания.

В таком сценарии важно честно учесть ручную часть. Если 30 процентов операций всё ещё требуют специалиста, эта работа не должна исчезать из TCO только потому, что интерфейс называется автономным агентом. FinOps-подход полезен именно дисциплиной распределения затрат на измеримый результат.

Я бы выбирал архитектуру после пилота на реальном объёме: сколько кейсов прошло автоматически, какие вернулись человеку, сколько времени занял контроль, какие классы ошибок появились. После этого экономический разговор становится намного менее идеологическим.

Проверяемые источники: FinOps Foundation — FinOps for AI Overview · FinOps Foundation — Capability: Unit Economics

Вопросы, которые я бы уточнил до следующего шага

Как посчитать окупаемость AI-автоматизации?

Сначала зафиксируйте baseline ручного процесса и единицу корректного результата. Затем посчитайте полную стоимость автоматизированного варианта с внедрением, usage, сопровождением, ручной проверкой и ошибками. Сравнивать только токены с зарплатой недостаточно.

Когда AI дешевле сотрудника?

Ответ зависит от объёма, повторяемости, качества данных, доли исключений и стоимости ошибки. Высокий стабильный поток обычно улучшает экономику автоматизации, но сам по себе ничего не гарантирует.

Нужно ли учитывать стоимость контроля AI человеком?

Да. Это один из самых часто забываемых компонентов. Если специалист тратит заметное время на подтверждения, исправления и разбор исключений, эта работа является частью полной стоимости результата.

Я бы не пытался выиграть спор «AI против сотрудника» заранее. Хороший расчёт иногда приводит к автоматизации, иногда к найму, иногда к гибридному процессу. Для меня главный критерий — стоимость устойчивого корректного результата, в которую мы честно включили и технологии, и человеческую работу, и цену ошибок.

Рядом с этой темой я бы держал для «стоимость внедрения ИИ»: Как посчитать эффект от AI-автоматизации до запуска · Как ограничить стоимость AI-системы · Какие процессы автоматизировать первыми.