К содержанию
Все статьи

Окупаемость ИИ: как посчитать ROI до старта и проверить после

ROI ИИ-проекта: как зафиксировать базу до запуска, что считать (часы, потерянные заявки, ошибки, выручка), как проверить эффект через контрольный период и A/B, какими самообманами грешат отчёты и как отчитываться собственнику.

🧑‍💻Сергей Шульман 7 мин чтения

Окупаемость ИИ — первое, о чём спрашивает собственник, и последнее, что реально проверяют. До старта все считают красиво, через три месяца никто не может сказать, окупилось или нет: замеров «до» нет, сотрудники говорят «стало удобнее», подрядчик показывает число диалогов бота. В этой статье — не формулы (они есть в статье как посчитать окупаемость автоматизации), а дисциплина: как зафиксировать базу, как проверить эффект после запуска, какие самообманы портят отчёты и как показать результат собственнику на одной странице.

Коротко:

  • ROI ИИ считается дважды: прогноз до старта и проверка после. Без проверки прогноз — просто надежда.
  • Главное — замер «до»: минимум две недели текущих цифр по той же методике, по которой будете мерить «после».
  • Считать четыре вещи: часы, потерянные заявки, ошибки и выручку. И честно — все расходы, включая время своих людей.
  • Эффект проверяется контрольным периодом или A/B: часть потока с ИИ, часть без. Иначе вы мерите сезон, а не ИИ.
  • Собственнику нужен не отчёт подрядчика о «тысяче диалогов», а одна таблица: было, стало, сколько это в деньгах, что дальше.

Почему ROI ИИ так трудно доказать

Fortune в августе 2025 года пересказал отчёт MIT NANDA «The GenAI Divide»: около 95% пилотов генеративного ИИ в компаниях не дали измеримого финансового эффекта. Там же отмечено, что больше половины бюджетов уходит на инструменты для продаж и маркетинга, а самую большую отдачу исследователи увидели в автоматизации бэк-офиса (Fortune).

Обратите внимание на слово «измеримого». Часть этих проектов наверняка что-то давала, но доказать это было нечем. Типичные причины я вижу постоянно:

  • цифр «до» нет, сравнивать не с чем;
  • эффект «размазан»: каждый сотрудник экономит по 20 минут, а в деньгах это нигде не видно;
  • одновременно с ИИ поменяли что-то ещё — рекламу, сезон, менеджера;
  • считают активность (сообщения, генерации), а не результат.

Шаг 1. Прогноз до старта

Прогноз нужен, чтобы решить, браться ли вообще. Делается на салфетке, по каждой задаче отдельно. Четыре источника эффекта:

Что считаемКакГде взять цифры
Часычасы на задачу в месяц × стоимость часа с налогами × доля, которую забирает ИИопрос, тайм-трекинг, замер на неделе
Потерянные заявкипотерянные или остывшие заявки × конверсия × средний чек × доля, которую спасёт ИИCRM, пропущенные звонки, чаты без ответа
Ошибкистоимость одной ошибки × число в месяц × доля, которую уберёт ИИвозвраты, переделки, претензии
Выручкарост конверсии или среднего чека × потокCRM, сквозная аналитика

И расходы:

  • модели и сервисы в месяц;
  • внедрение и настройка;
  • время своих людей на пилот, проверку ответов и обучение — его забывают чаще всего;
  • поддержка: база знаний и правила требуют ухода.

Правило простое: если за полгода эффект не перекрывает расходы с запасом хотя бы в полтора-два раза, задачу откладываем. Запас нужен, потому что прогноз всегда оптимистичнее жизни.

Шаг 2. Замер «до»

Самый недооценённый шаг. Две-четыре недели вы снимаете те же цифры, что будете снимать после запуска, тем же способом.

Что важно:

  • Одна методика. Если «до» считали по опросу, а «после» по логам, сравнение бессмысленно.
  • Достаточно долго. Неделя может прийтись на праздник или аврал. Для частых задач — минимум две недели, для редких — месяц и больше.
  • Записать контекст. Какая была реклама, сколько людей в смене, был ли сезон. Через три месяца никто не вспомнит.
  • Цифры в деньгах. Сразу переводите часы и заявки в рубли, иначе собственник не увидит эффект.

Шаг 3. Проверка после: контрольный период и A/B

Сравнить «месяц до» и «месяц после» — самый простой способ и самый ненадёжный. Между ними мог смениться сезон, бюджет рекламы или половина отдела. Есть способы точнее.

СпособКак работаетКогда подходит
До и послесравниваем периодыбыстрая оценка, стабильный бизнес без сезонности
Контрольный периодвключаем ИИ, на время выключаем, снова включаемкогда нельзя делить поток, но можно чередовать недели
A/B по потокуполовина заявок или обращений идёт через ИИ, половина по-старомузаявки, поддержка, рассылки
Контрольная группаодна команда или филиал с ИИ, другой безнесколько офисов, смен, менеджеров
Ретроспективапрогоняем через ИИ старые случаи и сравниваем с тем, что былоошибки в документах, классификация

Условный пример. Компания запускает ИИ-квалификацию заявок с сайта. Вместо «сравним октябрь с сентябрём» делаем так: чётные заявки обрабатывает агент, нечётные — менеджер по-старому, четыре недели. Сравниваем время до первого ответа, долю дошедших до встречи и выручку по сделкам. Реклама, сезон и менеджеры одинаковы для обеих групп — разница в результате приходится на ИИ.

Для малого бизнеса с небольшим потоком A/B может не набрать статистики. Тогда честнее удлинить период и прямо написать в отчёте, что выборка маленькая.

Шаг 4. Самообманы, которые портят отчёт

Эти ошибки я регулярно вижу в отчётах о внедрении ИИ.

  • Считать активность вместо результата. «Бот провёл 3000 диалогов» ничего не говорит. Важно, сколько из них стали заявками, решёнными вопросами или сэкономленными часами.
  • Сэкономленные часы, которые никуда не делись. Менеджер сэкономил 10 часов в неделю, но фонд оплаты тот же и продаж не прибавилось. Эффект реален, только если освобождённое время ушло на что-то полезное или позволило не нанимать.
  • Не считать своё время. Пилот съел 40 часов руководителя и оператора, который проверял ответы. Это расход.
  • Приписывать ИИ чужой эффект. Одновременно запустили новую рекламу — и весь рост записали боту.
  • Отбирать удачные примеры. Показали пять идеальных диалогов, промолчали о пятидесяти посредственных. Смотрите случайную выборку.
  • Забыть про качество. Скорость ответа выросла, а повторных обращений и возвратов стало больше. Эффект нужно смотреть вместе с качеством.
  • Не учесть рост расходов на модели. Цены у провайдеров меняются; в августе 2026 года, например, DeepSeek ввёл пиковые тарифы. Расходы пересматривайте каждый квартал.

Шаг 5. Отчёт собственнику на одной странице

Собственнику не нужен технический отчёт. Ему нужно понять: окупается или нет, и что делать дальше. Шаблон, который я использую:

ЗадачаМетрикаБылоСталоЭффект в месяц, ₽Расходы в месяц, ₽Решение
Квалификация заявоквремя до ответа, доля встреч…………масштабировать
Протоколы встреччасы на протоколы…………оставить
Ответы поддержкидоля решённых, CSAT…………доработать базу

Плюс три строки текстом: что сработало, что нет, что пробуем следующим. Раз в месяц — короткий отчёт, раз в квартал — пересмотр всей карты задач. Если цифра не сдвинулась, автоматизацию правим или выключаем, и это нормальный результат, а не провал.

Как это выглядит на практике

Когда метрика зафиксирована заранее, разговор о деньгах становится простым. После ИИ-квалификатора для юридической фирмы стоимость лида снизилась на 45%, а средний чек вырос на 30% — это видно, потому что CPL и чек считали до запуска. Мой сервис саммаризации встреч «БОРИС» обрабатывает больше 1000 минут аудио в месяц, и его экономика проверяется простым сравнением: расход на распознавание и модель против времени людей на протоколы вручную. Больше историй с цифрами — в статье кейсы внедрения ИИ.

Для учёта выручки до сделки нужна связка рекламы, сайта и CRM — без неё эффект ИИ в продажах не доказать. Как её собрать, рассказываю в статье про сквозную аналитику для малого бизнеса.

Частые вопросы

Через сколько ИИ-проект должен окупиться? Для частых задач вроде квалификации заявок или протоколов эффект обычно виден в первые месяцы. Если по прогнозу окупаемость дольше года, стоит искать задачу попроще.

Что делать, если замера «до» не было? Снять его сейчас: выключить ИИ на одну-две недели или запустить A/B на части потока. Либо прогнать через агента старые случаи и сравнить с тем, что было.

Как считать эффект, если ИИ помогает всем понемногу? Выбрать две-три ключевые задачи и мерить их, а не «общую продуктивность». Размазанный эффект без конкретной метрики собственника не убедит.

Кто должен считать ROI — подрядчик или компания? Цифры должны быть в ваших системах, а методику лучше согласовать до старта. Подрядчик, который сам себе считает результат, — конфликт интересов.

Нужен ли аналитик, чтобы считать ROI ИИ? Нет. Достаточно CRM, таблицы и дисциплины: одна метрика на задачу, замер до, проверка после, отчёт раз в месяц.


Если хотите внедрять ИИ так, чтобы через месяц было что показать в цифрах, посмотрите, как устроен турбо-рефакторинг бизнеса: метрика и замер «до» там идут первым шагом. Или напишите в Telegram, какую задачу хотите отдать ИИ, — помогу прикинуть эффект.

Похожие статьи: AI без хайпа: как посчитать окупаемость автоматизации · Проблемы внедрения ИИ: 10 ошибок

Читайте также

Есть похожая задача?

Разберу её бесплатно за 30 минут и предложу решение. Пишите в Telegram или звоните.