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.

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 считаем | Как | Где взять цифры |
|---|---|---|
| Часы | часы на задачу в месяц × стоимость часа с налогами × доля, которую забирает ИИ | опрос, тайм-трекинг, замер на неделе |
| Потерянные заявки | потерянные или остывшие заявки × конверсия × средний чек × доля, которую спасёт ИИ | CRM, пропущенные звонки, чаты без ответа |
| Ошибки | стоимость одной ошибки × число в месяц × доля, которую уберёт ИИ | возвраты, переделки, претензии |
| Выручка | рост конверсии или среднего чека × поток | CRM, 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.
| Способ | Как работает | Когда подходит |
|---|---|---|
| До и после | сравниваем периоды | быстрая оценка, стабильный бизнес без сезонности |
| Контрольный период | включаем ИИ, на время выключаем, снова включаем | когда нельзя делить поток, но можно чередовать недели |
| A/B по потоку | половина заявок или обращений идёт через ИИ, половина по-старому | заявки, поддержка, рассылки |
| Контрольная группа | одна команда или филиал с ИИ, другой без | несколько офисов, смен, менеджеров |
| Ретроспектива | прогоняем через ИИ старые случаи и сравниваем с тем, что было | ошибки 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:
| Задача | Метрика | Было | Стало | Эффект в месяц, ₽ | Расходы в месяц, ₽ | Решение |
|---|---|---|---|---|---|---|
| Квалификация заявок | время до ответа, доля встреч | … | … | … | … | масштабировать |
| Протоколы встреч | часы на протоколы | … | … | … | … | оставить |
| Ответы поддержки | доля 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