Скрытые расходы ИИ: из чего складывается реальная стоимость внедрения и как не «сжечь» бюджет

Яркий пример из практики: в конце июля 2026 года стали известны внутренние документы Amazon. Инструмент для сопоставления данных об авторах с карточками товаров обошёлся в $1,8 млн, при этом бюджет был превышен на 860%, а перерасход не замечали пять месяцев. Это не единичный случай, а системная проблема: во многих организациях нет механизма, который бы в реальном времени отслеживал и анализировал эти траты. 

Чтобы понять истинную стоимость, нужно разложить проект на компоненты. Поэтому выделим следующие статьи:

Подписка и потребление. Базовый доступ к API.

Интеграция. Подключение к существующим системам (CRM, ERP, учётные системы) часто требует разработки адаптеров, middleware или API-шлюзов. Это отдельная и нередко самая ресурсоёмкая задача.

Подготовка данных. Очистка, структурирование, разметка и аннотирование данных для обучения или тонкой настройки модели могут занять до 60% времени и бюджета проекта. 

Безопасность и комплаенс. Если речь о чувствительных данных (персональные, медицинская информация, банковская тайна), нужны дополнительные меры: шифрование, изолированные контуры, аудит, соответствие регуляторным требованиям (например, 152-ФЗ в России). Эти расходы способны добавить до 60% к базовой стоимости решения. 

Человеческий фактор. Время сотрудников на настройку, контроль качества работы модели, доработку промтов, обучение команды.

Эксплуатация и поддержка. Непрерывное переобучение модели на новых данных, мониторинг производительности и т.д.

Статистика подтверждает: до промышленной эксплуатации доходят лишь 7–10% ИИ-проектов. Этому есть несколько причин. Часто компании покупают доступ «на будущее», не определив конкретную задачу. В результате сервис простаивает, а деньги за подписку списываются.  Если этапы задачи не описаны и каждый сотрудник действует по-своему, ИИ просто ускоряет хаос вместо того, чтобы его устранить.  Устаревшие или противоречивые документы в базе знаний приводят к неверным ответам модели и подрывают доверие команды уже на старте.  В многих структурах IT, бизнес-подразделения и служба безопасности действуют разрозненно. Отсутствие кросс-функционального взаимодействия и чёткого распределения ролей ведёт к конфликтам и торможению.  Один из индикаторов — низкая активность пользователей. Если через квартал инструментом еженедельно пользуются менее 40% сотрудников, эксперимент, скорее всего, не удался. 

Чтобы не «сжечь» бюджет необходимо подойти к вопросу системно. Вот несколько практических шагов: чётко сформулируйте, какую задачу решает ИИ, какой измеримый эффект ожидается; проверьте качество и доступность данных, оцените зрелость ИТ-инфраструктуры, определите требования к безопасности; не масштабируйте сразу на всю компанию; используйте инструменты FinOps для отслеживания потребления токенов, времени отклика, затрат на интеграцию и поддержку в реальном времени;  ограничивайтесь оценкой затрат; постройте модель, которая покажет, как внедрение повлияет на ключевые бизнес-показатели (конверсию, LTV, CAC), и сравните с инвестициями; работайте с сопротивлением сотрудников, проводите обучение, формируйте культуру работы с ИИ-инструментами. 

Отдельно стоит упомянуть тренд, связанный с компаниями-разработчиками (OpenAI, Anthropic). В преддверии IPO они активно тестируют новые механики монетизации: переход от фиксированной подписки к тарификации по объёму потреблённых токенов, введение дополнительных платежей за SLA, локализацию вычислений, приоритетную скорость ответа. Это значит, что даже при успешном внедрении в компании итоговый счёт для клиента может расти за счёт изменений в политике поставщиков. 

Следовательно  «дешёвый интеллект» никогда не был дешёвым. Успех кроется в прозрачности учёта, чётком понимании границ применимости технологии и готовности инвестировать не только в код, но и в людей, данные и процессы.

Автор: канд. экон. наук, доцент Кафедры мировой экономики и мировых финансов Финансового университета при Правительстве РФ Наталья Ивановна Човган.