Алексей Шингарев

При оценке ROI промышленного искусственного интеллекта компании традиционно учитывают затраты на оборудование и программное обеспечение, но забывают про персонал, качество данных, дообучение моделей и другие сопутствующие расходы. Эти статьи либо не закладываются в бюджет, либо занижаются в разы, превращая экономически обоснованный проект в убыточный. Алексей Шингарев, руководитель продуктового направления платформы промышленного ИИ АтомМайнд, рассказывает, как считать ROI с учетом человеческого фактора и почему система без людей остается лишь затратным проектом, не приносящим реальной отдачи.

Видимые и скрытые статьи расходов при расчете ROI промышленного ИИ

Когда компания запускает проект по внедрению промышленного ИИ, в первую очередь учитывают затраты на оборудование, включая серверы, GPU, датчики для сбора данных, лицензии на ПО, работы по проектированию, внедрению и интеграции, и сравнивают их с ожидаемым эффектом — снижением брака, ростом производительности, экономией на ремонтах за период и т. п. На бумаге все выглядит красиво, цифры сходятся, проект утвержден, бюджет выделен. Но проходит время, и реальная экономика начинает сильно отличаться от расчетной.

Проблема в том, что при таком подходе ROI учитывает только очевидные затраты. Но есть еще и скрытые, которые становятся видны позже — например, расходы на автоматизацию сбора и подготовки данных в промышленной эксплуатации (против ручной подготовки данных в пилоте), дообучение и переобучение моделей при изменении техпроцесса или обновлении производственных линий, обучение персонала, формирование и поддержание доверия к системе со стороны сотрудников, а также удержание ключевых специалистов.

Эти статьи расходов либо совсем не закладываются в бюджет, либо занижаются в разы. В результате проект, который на старте казался экономически обоснованным, быстро становится убыточным. Компания продолжает тратить деньги на поддержку системы, а цех работает по-старому. Настоящая экономика ИИ начинается не с покупки оборудования, а на стыке технологии и человеческого фактора. Если не учитывать все эти затраты с самого начала, ROI останется лишь формальным показателем на бумаге. Расскажу о скрытых статьях расходов, которые необходимо учитывать, а также о том, как это делать, исходя из нашего опыта внедрений.

Считать не только серверы: во сколько обходится ручная подготовка данных

Сколько процентов бюджета стоит закладывать на ручную очистку и подготовку данных? Однозначной цифры здесь нет — она зависит от зрелости заказчика, качества данных и специфики проекта. Практика ИИ-внедрений показывает, что до 70% времени в ИИ-проектах может уходить на подготовку данных и их контекстуализацию. Это критический этап, который определяет успех всего проекта.

Согласно данным Gartner, более 60% организаций не имеют культуры работы с данными, необходимой для внедрения ИИ. При этом, как показывает опрос K2 НейроТех, 51% российских компаний не готовы к внедрению ИИ из-за состояния ИТ-инфраструктуры, а более 40% испытывают дефицит квалифицированных кадров.

На практике это выражается в том, что ручной формат очистки и сбора данных по-прежнему сохраняется даже на крупных предприятиях. Статистика варьируется по отраслям, но заказчику, не имеющему автоматизированных Data Governance процессов, я рекомендую закладывать на Data Engineering, а именно на очистку, разметку, синхронизацию и контекстуализацию данных, не менее 40% бюджета ИИ-проекта. Еще 10–15% стоит добавить на последующие итерации и дообучение моделей. Компании, как правило, недооценивают эти затраты, что приводит к перерасходу бюджета на ранних этапах. Такая оценка может показаться высокой, но практика подтверждает: затраты на мониторинг качества данных на этапе генерации и подготовки датасета в пересчете на одну выявленную проблему примерно в 100 раз ниже, чем исправление той же проблемы на этапе внедрения ИИ.

Техпроцесс изменился — кто переобучает модель?

Со временем неизбежно меняется техпроцесс, на оборудовании в рамках ТО и ремонтов меняются настройки, отдельные детали или целые узлы, и модель, конечно, требует обновления. Сразу возникает вопрос распределения ресурсов: кто этим занимается и за чей счет. Это пример бюджета без реального владельца, он работает на снижение результативности и подрывает проект. На этапе пилота обучение и дообучение модели не предполагают большого количества итераций. А в коммерческом внедрении возникает необходимость регулярного переобучения моделей. И делать это предстоит регулярно, так как система должна обновлять параметры на основе свежих данных и корректировать свои рекомендации.

Я рекомендую закладывать 20–30% от годового бюджета проекта на MLOps и переобучение. И делить этот бюджет предлагаю строго пополам. Половина уходит производству — именно оно инициирует изменения и диктует, что нужно пересмотреть. Вторая половина остается ИИ- и ИТ-подразделениям, которые обеспечивают техническую реализацию и не дают проекту развалиться.

Что делать, если переобучать модели вручную слишком дорого и хлопотно? Альтернатива есть: самообучающиеся системы. Они берут на себя рутину, сами пересчитывают параметры техпроцесса, когда что-то меняется в работе оборудования. Российские разработки в этом направлении уже делают первые успехи. Приведу пример: такую систему внедрили на нефтехимическом производстве, и эффект был практически мгновенным. Расход пара на нагрев в техпроцессе сократился в 1,8 раза, а качество выпускаемой продукции возросло на 30%.

Как посчитать ROI на старом оборудовании

Многие компании сомневаются, стоит ли внедрять ИИ на устаревшем оборудовании, окупается ли он там, где данные с оборудования оператор собирает в неавтоматическом режиме. Отвечу сразу: да, такая стратегия окупается, но с некоторыми условиями.

Почти всегда есть возможность дооснастить старые производственные объекты дополнительными датчиками, это требует некоторых инвестиций, но позволяет повысить качество собираемых данных. На классическом же аналоговом оборудовании эффект от ИИ будет ниже, чем на современных цифровых линиях, но он все равно будет. В нашей практике есть примеры, когда предиктивная аналитика вдвое сократила брак выпускаемой продукции сразу по двум показателям и снизила простои оборудования на 25-50%, а затраты на ремонт и логистику на 30%.

Важно перед внедрением честно оценить, можно ли автоматизировать сбор и подготовку данных или хотя бы минимизировать человеческий фактор на этом этапе.

Стоит ли включать в расчет ROI затраты на дублирующие датчики?

Это одна из самых спорных и недооцененных, на мой взгляд, статей бюджета. Да, затраты на дублирующие датчики стоит включать в расчет ROI. Но здесь важно не просто посчитать стоимость, а понять, какую задачу мы решаем. Есть понятие «золотой стандарт данных», и с помощью дублирующих датчиков мы как раз должны его обеспечить.

Ошибка при снятии показаний — это не просто неточность, а системный риск. По данным последних исследований, плохое качество данных обходится российским промышленникам в сотни миллионов рублей ежегодно. Включайте дублирующие датчики в TCO проекта на оборудовании с короткими периодами обслуживания, это оправданные инвестиции — там они быстрее окупаются за счет снижения простоев, снятия ложных тревог и улучшения параметров модели.

Как часто нужно пересчитывать экономику проекта при дрейфе данных?

Данные на производстве не статичны. Оборудование изнашивается, сырье меняется, технология корректируется. Вместе с ними меняется и экономика проекта, а значит, ее нужно регулярно пересматривать. На старте мы работаем с релевантными данными, но со временем модель, отлично работавшая два месяца назад, начинает деградировать. Это классический Data Drift — постепенное изменение характера входных данных, из-за которого падает точность прогнозов и эффективность модели. Если не мониторить этот процесс и не пересчитывать экономику, можно быстро потерять накопленный эффект. Поэтому в хороших проектах регулярный аудит моделей и переобучение закладывают в бюджет с самого начала.

Частота пересмотра зависит от динамики производства. Явный триггер — изменение технологии или сырья. В этот момент пересчет обязателен. На непрерывных производствах я рекомендую проводить его не реже одного раза в квартал, а на высоконагруженном оборудовании — ежемесячно. При этом важно оценивать не только технические метрики модели, но и бизнес-показатели: сколько простоев удалось предотвратить, сколько сэкономили на ремонтах. Ориентиром служит дрейф данных: если по ключевым признакам он превышает 15–20%, это прямой сигнал к переобучению модели и пересмотру ROI.

Дорогой внешний специалист или свой технолог: что выгоднее?

Когда компания решает внедрять ИИ, всегда встает кадровый вопрос: нанимать Data Scientist или переучивать своего технолога. И здесь было бы ошибкой пытаться выбрать кого-то одного. В реальности на проекте нужны оба специалиста, и работать они должны в тесной связке.

Data Scientist отвечает за сбор и подготовку данных, создание, обучение, внедрение и поддержку моделей. Независимо от того, штатный это специалист или сотрудник подрядчика, он стоит дорого и на старте часто не понимает физики технологического процесса. Однако без его уникальной экспертизы в ИИ-проекте не обойтись. Технолог, обученный основам работы с ИИ, обходится дешевле и при этом обладает сакральным знанием оборудования и процесса — ему не нужно объяснять, что значит «вибрация на подшипнике».

Оптимальная стратегия, на мой взгляд, — формирование кросс-функциональных гибридных команд: один Data Scientist на 5–7 технологов с навыками промпт-инжиниринга и базовой аналитики. Исследования показывают, что обучение команд работе с ИИ-инструментами с использованием недорогих платформ — наиболее экономически эффективный путь. Сотрудники воспринимают такое обучение как инвестицию в карьеру, а не как угрозу, что сокращает затраты и снижает риск ухода ключевых специалистов.

Обучение не главное, главное — управление ожиданиями

В ИИ-проектах мы часто сталкиваемся с сопротивлением персонала заказчика, которое проявляется в игнорировании рекомендаций или прямом саботаже внедряемых систем. Важно понимать: саботаж — это не сбой в поведении людей, а сигнал о том, что ИИ-система не создает для сотрудника достаточной ценности. Если человек саботирует, значит, мы не ответили на его главный вопрос: «А что я лично получу от появления этой системы?»

ROI на обучение в таком случае может измеряться через процент реального использования. Если он ниже 50% в течение одного-двух месяцев после обучения, значит, в картине мира сотрудника имеются пробелы в отношении ИИ-инструмента, и проект с высокой вероятностью не окупится. Работать с ожиданиями нужно системно на всех этапах проекта, начиная с первых бесед с технологами и заканчивая эксплуатацией. Только так можно нивелировать риски невостребованности внедренного ИИ-решения.

Что дешевле: дообучить модель под конкретного мастера или смириться с его ручными правками?

Дообучение модели — это разовая инвестиция, тогда как ручные правки мастера превращаются в бесконечные операционные затраты. Классический подход к перенастройке системы с участием технологов может стоить миллионы рублей.

Современные методы few-shot адаптации позволяют перенастраивать модель под конкретные условия с минимальными затратами. Этот подход предполагает доработку лишь части слоев или параметров, но дает производительность, сопоставимую с полным переобучением, при существенной экономии вычислительных мощностей и бюджета. Экономически выгоднее инвестировать в гибкую архитектуру модели, которая позволяет быстро адаптироваться под разных мастеров и разные условия, чем мириться с потерей 10–20% эффективности из-за человеческого фактора. Тем более что мастера могут меняться, а модель останется.

Стоит ли нанимать штатного промпт-инженера на завод или это разовая задача для интегратора?

Год-два назад настройка промптов была разовой задачей для интегратора. Сегодня ситуация меняется: штатный промпт-инженер постепенно становится нормой, хотя российский рынок таких специалистов только формируется. В их задачи входит настройка процессов генерации промптов, тестирование и интеграция ИИ-инструментов в бизнес-процессы.

Для завода среднего размера будет оптимальным заключить договор с интегратором на первоначальную настройку и обучение 2–3 своих технологов основам промпт-инжиниринга либо провести такое обучение на образовательных онлайн-платформах. По моим прогнозам, когда корпоративные LLM-решения станут стандартом де-факто, а это произойдет в 2027–2028 годах, наличие штатного промпт-инженера в компании уже не будет экзотикой — оно станет нормой.

Как посчитать убытки от недоверия сотрудников к ИИ-технологиям?

Сопротивление персонала возникает из недоверия к технологии, страха потерять контроль и уверенности, что ИИ заменит человека. Убытки от саботажа — это разница между потенциальным эффектом от ИИ и фактически полученным. Если модель на тестах показывает экономию 15%, а в реальности — только 5% из-за того, что часть рекомендаций намеренно игнорируется, то разница в 10% — это цена саботажа.

Оценить такие убытки можно через три метрики: процент невыполненных рекомендаций модели, количество преднамеренных отключений ИИ-помощника и время, которое операторы тратят на обход системы — отключение оповещений или ручной ввод данных. Переведите эти показатели в рубли, и вы получите реальную цифру убытков, которую можно использовать для обсуждения с персоналом и руководством.

Почему это важно для бизнеса? На производстве каждая рекомендация модели — это прогноз, который потенциально предотвращает простой, брак или аварию. Если оператор ее игнорирует, компания теряет гарантированную экономию, подтвержденную на этапе тестирования или пилота. Каждое отключение ИИ-помощника означает, что система перестает работать в оптимальном режиме, и компания возвращается к менее эффективным процессам. А когда оператор вместо принятия рекомендации начинает обманывать систему — вносить данные вручную, отключать алерты, дублировать ввод — это еще и прямые потери производительности. Он тратит время на бесполезную работу вместо решения основных задач.

Премия сотрудникам за ошибки ИИ

Отдельного внимания заслуживает вопрос: стоит ли поощрять сотрудников за то, что они находят ошибки ИИ? Мой ответ — да, и это одна из самых эффективных инвестиций в создание корпоративной AI-native культуры. Когда оператор находит ошибку в работе ИИ, он тратит на это время и прилагает усилия. Небольшие премии за качественную обратную связь — одна из самых эффективных и легко просчитываемых статей бюджета. Они не требуют больших затрат, но дают колоссальный эффект. Компании, которые публично признают заслуги сотрудников, обнаруживших ошибки ИИ, добиваются раннего выявления проблем и получают варианты действий до того, как инцидент приведет к остановке производства. И западные, и российские технологические гиганты уже привязывают бонусы и KPI к тому, как сотрудники используют ИИ-инструменты в повседневной работе.

Я рекомендую закладывать 5% от бюджета проекта на систему поощрений: премии за найденные ошибки модели, за предложения по оптимизации, за обучение коллег. Это формирует культуру, в которой ИИ воспринимается как неотъемлемая часть рабочих процессов, а не как угроза. С финансовой точки зрения такие бонусы многократно окупаются за счет повышения качества модели и снижения числа нерелевантных рекомендаций.

Как измерить риск ухода опытного мастера?

Один из возможных рисков при внедрении ИИ — это потеря ключевых сотрудников, которые десятилетиями накапливали уникальные знания о производстве. Этот риск измеряется не только в деньгах, его последствия для бизнеса бывают катастрофическими. Зарубежные компании, которые увольняли людей ради ИИ, теперь сожалеют об этом и пытаются оперативно вернуть специалистов. Массовые сокращения ради красивой отчетности дают краткосрочную экономию операционных бюджетов, но не приносят стратегической выгоды и обнуляют возможности устойчивого роста.

Мастер может уйти и без внедрения ИИ, но важно, чтобы он не ушел именно из-за появления системы. Лучшая стратегия, на мой взгляд, — не экономить на специалистах, а встраивать их опыт в новый контекст, делая их незаменимыми участниками процесса. Мой совет: не обесценивайте мастера, а превратите его в эксперта, который сохраняет и приумножает знания. Речь не о замене человека роботом, а о том, чтобы сделать его знания доступными и масштабируемыми. Вероятность ухода опосредованно можно измерить через вовлеченность: если мастер активно участвует в разметке данных, обучении модели и заинтересован в повышении достоверности ее работы — риск минимален.

Начинать не с железа, а с диалога

Подводя итог, скажу: ROI промышленного ИИ — это не столько математика, сколько психология. Техническая часть — серверы, датчики, данные, модели — дает не более 30% успеха. Остальные 70% приходятся на людей: их страхи, мотивацию и готовность меняться. Те, кто сегодня вкладывается в обучение и вовлечение персонала, получают кратный рост эффективности. Поэтому я рекомендую начинать не с покупки сервера или выбора платформы, а с разговора с ключевыми сотрудниками — мастерами цеха, технологами. Узнайте, что их раздражает, где они теряют время, какие отказы случаются чаще всего и какие проблемы обходятся дороже всего. После этого подбирайте техническое решение. Но инвестируйте не только в GPU, но и в премии за найденные ошибки модели. Считайте не только сэкономленные киловатты, но и индекс доверия оператора. ИИ на заводе — это не про замену человека, а про его развитие и усиление.

Почему такой подход критически важен? Потому что серверы, ПО и модели — это лишь инструменты. Если сотрудники будут их опасаться и игнорировать, эффективность внедрения окажется околонулевой. Промышленный ИИ — это марафон, а не спринт, и главный ресурс в нем — не вычислительные мощности, а человеческий капитал.

Пока мы не сформируем доверие сотрудников к системе, положительного ROI не будет. Саботаж иногда неизбежен, но превентивная работа с мотивацией, управление ожиданиями и учет затрат не только на внедрение, но и на эксплуатацию позволяют минимизировать потери и получить заметный экономический эффект. Закладывать человеческий фактор в расчеты с самого начала — это не опция, а необходимость. Без этого ROI остается лишь цифрой на бумаге, не имеющей отношения к реальности.

Источник: