Принятие искусственного интеллекта в компаниях
Принятие искусственного интеллекта в компаниях ускоряется, однако точное измерение его финансового воздействия по‑прежнему остаётся сложной задачей для руководителей финансовых служб. Объёмы данных, потребляемых через инструменты ИИ, и постоянное изменение моделей тарификации у поставщиков заставляют финансовые подразделения выстраивать строгие рамки управления.
Двускоростная адаптация внутри компаний
По данным исследования KPMG, степень зрелости в использовании ИИ сильно различается между направлениями бизнеса. Партнёр по направлению Finance & EPM Advisory в KPMG Advisory отмечает, что у ряда компаний, способных сегодня измерять эффект, произошёл существенный прогресс. Вместе с тем функции финансовых служб отстают от других департаментов: примерно четверть опрошенных финансовых руководителей заявляют об уже реализованном внедрении ИИ. Это относительное отставание объясняется высокой загрузкой команд на других крупных проектах — в частности, миграцией ERP‑систем и завершением поддержки некоторых систем консолидации. Тем не менее ожидается, что ситуация быстро изменится по мере того, как технологии ИИ начнут интегрироваться «из коробки» в повседневные инструменты финансистов: чем больше ИИ будет встроено в их рабочие приложения, тем легче будет активировать соответствующие функции, считают эксперты.
В общей картографии потребления ресурсов ИИ функция финансов остаётся позади лидирующей тройки. Три основных направления, потребляющих наибольшее количество ресурсов ИИ, — это НИОКР, маркетинг и ИТ. Функция управления персоналом использует ИИ, но пока в более скромных объёмах.
Сложности оценки рентабельности инвестиций
Определение окупаемости проектов на базе ИИ остаётся серьёзным барьером для значительной доли организаций. Около двух пятых финансовых дирекций признают, что не знают, как измерять ROI таких инициатив. Одной из главных причин является переход к моделям ценообразования, основанным на реальном потреблении: если ранее многие функции были включены в лицензию и стоимость не зависела от количества запросов, сейчас происходит сдвиг в сторону оплаты по использованию. Это влечёт за собой две проблемы — изменения тарифных сеток и невозможность заранее предсказать частоту использования инструментов сотрудниками. Трудно заранее оценить, какие именно кейсы и с какой частотой будут применяться в той или иной группе пользователей. Кроме того, качественные преимущества ИИ частично ускользают от традиционных финансовых методов анализа. Некоторые выгоды трудно монетизировать: как оценить скорость доступа к информации, повышение качества данных, улучшение совместной работы или более гибкую работу с данными? Эти эффекты непросто превратить в количественные показатели.
Механика затрат и бюджетный учёт
В ИТ‑службах управление бюджетом на ИИ требует введения новых аналитических разрезов. Сейчас расходы на ИИ зачастую распределяются по проектам и решениям в эксплуатации, но точное распределение затрат остаётся сложным, поскольку модели ценообразования меняются и заранее неясно, какой процент от проекта нужно резервировать под потребление ИИ. Большая часть тарифов привязана к понятию токена — условной единице измерения, которая отражает обработку символов, фрагментов изображения, кусочков видео, звука и т. п. Несмотря на снижение единичной стоимости благодаря росту вычислительной мощности, общий объём потребления токенов стремительно растёт из‑за более сложных запросов. Эксперты отмечают значительный эффект объёма, приводящий к многократному увеличению числа токенов по сравнению с текущей ситуацией. В текущем бюджете вес расходов на ИИ оценивается в среднем в несколько процентов общего ИТ‑бюджета, с ожиданием роста в будущем до более значимой доли. По мере интеграции ИИ в финансовые инструменты и их повсеместного использования со стороны команд эффект объёма будет доминировать над эффектом снижения цены.
Сопутствующие риски: «теневой» ИИ и суверенитет
Ещё одна проблема — появление незарегистрированных закупок и несанкционированного использования инструментов, так называемый shadow IT. Наиболее активные потребители ИИ нередко оказываются источником таких внебюджетных расходов. Это создаёт финансовые и информационные риски, особенно в компаниях средней величины, где уровень зрелости варьируется. Наихудший сценарий — когда сотрудники, не имеющие достаточной компетенции по безопасности, используют решения вне корпоративных гарантий защищённости. Кроме того, существует проблема отсутствия чёткой учётной следовой записи расходов на ИИ в бухгалтерии — зачастую такие траты просто не идентифицируются. Вопрос контроля расходов тесно связан с темой технологического суверенитета. Под давлением высоких тарифов иностранных поставщиков растёт интерес к локальному хостингу моделей и к решениям европейских разработчиков: размещение модели собственными силами рассматривается как способ снизить затраты и усилить контроль. Появление региональных разработчиков рассматривается как привлекательная альтернатива, особенно для чувствительных секторов, таких как банковский и оборонный.
Выводы
Ускоренное внедрение ИИ меняет ландшафт корпоративных затрат и требует от финансовых функций новых подходов к измерению, учёту и контролю. Основные сложности связаны с переходом к модели оплаты по использованию, трудностями прогнозирования пользовательской активности, трудностью монетизации качественных эффектов и рисками, связанными с несанкционированным применением инструментов. Параллельно растёт интерес к решениям, обеспечивающим технологический и бюджетный суверенитет, что добавляет новый уровень стратегических решений для руководителей ИТ и финансов.