Большая часть корпоративных расходов на ИИ по-прежнему не выходит за рамки лабораторий

Новое исследование подтверждает в точных цифрах то, о чем многие ИТ-лидеры уже догадывались. Большинство пилотных ИИ-проектов никогда не доходят до стадии промышленной эксплуатации, а средства, выделенные на них, никуда не исчезают — они просто зависли в неопределенности. Джон Битц (Jon Bitz), директор по работе с клиентами и соучредитель компании KloudStax, говорит, что эта неопределенность вовсе не означает провал, как это может показаться со стороны.

Цифры неизменно указывают на одну и ту же картину, независимо от того, кто проводит подсчеты. Последнее исследование Forrester, посвященное агентному ИИ, показало, что три четверти руководителей предприятий заявляют о его внедрении, но лишь у небольшого меньшинства он запущен за пределами ограниченных пилотных проектов. Gartner прогнозирует, что до конца 2026 года организации откажутся от 60 процентов ИИ-проектов, которые не обеспечены готовыми к работе с ИИ данными и инфраструктурой интеграции. А собственный корпоративный опрос Deloitte показал, что более трети компаний по-прежнему используют ИИ на поверхностном уровне, практически не меняя свои повседневные рабочие процессы.

Если объединить эти данные, начинает вырисовываться определенная тенденция. Предприятия утверждают бюджеты на ИИ быстрее, чем успевают трансформировать эти расходы во что-то напоминающее повторяемую, работающую систему, и разрыв между ними стал одним из самых неудобных открытых вопросов в сфере корпоративных облачных технологий на сегодняшний день.

Деньги не потрачены впустую, они просто «заморожены»

Джон Битц, который проводит большую часть времени в обсуждениях бюджетов в качестве партнера Google Cloud, считает, что ситуация не так мрачна, как может показаться по статистике отказов от проектов.

«Значительная часть расходов на облачный ИИ все еще приходится на этап предварительной подготовки, и это неплохо, — отметил Битц. — Тестирование, эксперименты и проверка концепции — все это важнейшие составляющие правильного внедрения ИИ. Этот этап необходим, чтобы понять, что работает, а что нет».

Настоящую проблему он видит в том, как долго этот этап имеет тенденцию затягиваться, если никто не вмешивается, чтобы сдвинуть дело с мертвой точки. «В некоторых случаях значительная часть финансируемых инициатив до сих пор не перешла в стабильный, воспроизводимый рабочий процесс», — сказал он.

По его мнению, решение заключается не в сокращении бюджетов на эксперименты — к чему инстинктивно стремятся многие финансовые отделы, когда показатели пилотных проектов начинают вызывать беспокойство. Необходимо более целенаправленно превращать то, чему организация научилась в ходе экспериментов, в готовый продукт. «Наша цель не обязательно в том, чтобы сократить эксперименты, а в том, чтобы конвертировать их результаты, — подчеркнул Битц. — Взять то, чему удалось научиться, и превратить это в производственные системы, чтобы расходы сместились с этапа тестирования на рабочие нагрузки, которые действительно приносят пользу бизнесу».

Куда на самом деле уходят деньги

Если спросить Битца, где облачные расходы уже окупаются, он указывает на сферы, менее броские, чем большинство заголовков об ИИ за последний год. Никаких релизов новых моделей или увеличения контекстных окон — речь идет о той самой непримечательной основе, которая обеспечивала работу компаний еще до появления генеративного ИИ.

«Реальная польза проявляется в автоматизации ключевых рабочих процессов: превращении ручных, ресурсоемких процессов в готовые к промышленной эксплуатации системы», — пояснил он, отметив в качестве таких сфер поддержку клиентов, продуктивность инженерных команд и внедрение ИИ непосредственно в процессы, приносящие доход.

По его опыту, неэффективное распределение средств обычно происходит по знакомому сценарию. Команды гонятся за более совершенной моделью или запускают новые GPU, поскольку это кажется легким путем, в то время как более сложная работа по структурированию данных и определению рабочих процессов откладывается на потом. «Если данные не структурированы, а рабочие процессы четко не определены, запустить что-либо в производство становится очень сложно», — резюмировал Битц.

Счета от гиперскейлеров проверяют все тщательнее, но доверие к ним сохраняется

В последнее время также участились разговоры о том, начинают ли предприятия сопротивляться ценовой политике самих гиперскейлеров, особенно учитывая, что рабочие нагрузки ИИ делают ежемесячные счета все менее предсказуемыми. Данные Flexera за 2026 год о состоянии облачных технологий подтверждают это со стороны финансового отдела: непредсказуемость затрат, связанная с динамическими нагрузками ИИ, названа одним из главных препятствий для предприятий, а почти половина крупных организаций уже внедрила специализированную функцию управления ИИ (AI governance) для контроля расходов. По словам Битца, в реальности это пока не приводит к прямому отпору самим платформам.

«Мы начинаем замечать более строгий контроль, но не столько отпор самим гиперскейлерам или ценности решений и платформ, — отметил он. — Речь скорее идет о том, как структурированы расходы и как ими управляют». Вопросы, которые компании задают на самом деле, носят более узкий характер, чем просто критика цен на облачные услуги: что именно формирует итоговый счет, что привязано к продакшену, а что — к пилотным и концептуальным проектам, и где есть возможности для оптимизации.

Такой скрупулезный подход подталкивает компании к более взвешенным архитектурным решениям, использованию бессерверных и управляемых сервисов, а также рабочих нагрузок, соответствующих реальным потребностям. Кроме того, партнеры берут на себя все большую часть этой работы по оптимизации. «Дело не столько в оспаривании цен, сколько в вопросах о том, как правильно использовать эти платформы, — пояснил Битц. — Когда архитектура, данные и схемы использования подобраны верно, экономика обычно подтягивается следом».

У неэффективности есть «бумажный след», и он редко начинается с вычислительных мощностей

Возникает искушение рассматривать стремительно растущие счета за облачный ИИ исключительно как проблему вычислительных ресурсов, поскольку эту статью расходов видят все. Однако Битц утверждает, что реальная причина почти никогда не крыта в этом.

«На вычислительные мощности проще всего указать пальцем, но в большинстве случаев неэффективные расходы — это лишь отражение пробелов в данных, архитектуре, управлении и неопределенных рабочих процессах», — заявил он. Попытка задействовать более крупную модель или большее число графических процессоров для системы, которая изначально не была рассчитана на поддержку ИИ, не исправит лежащий в основе хаос, а лишь сделает ту же несогласованность еще более дорогой в обслуживании. Как выразился Битц, ИИ не столько создает новые проблемы внутри организации, сколько усиливает уже существовавшие.

Разрыв между большими и малыми бюджетами на самом деле не в деньгах

В дискуссиях представителей среднего бизнеса сейчас витает и другое опасение: цены на облачные услуги и сложность инфраструктуры якобы тихо увеличивают разрыв между компаниями, которые могут позволить себе экспериментировать с ИИ, и теми, у кого такой возможности нет. Битц считает, что этот разрыв реален, но критики указывают не на ту причину.

«Сложность играет большую роль, чем просто разница в бюджетах между малым, средним бизнесом и крупными предприятиями, хотя порог входа действительно высок», — отметил он. У крупных организаций есть пространство для маневра, позволяющее пережить пару дорогостоящих неудач. У небольших компаний такого права на ошибку нет, поэтому им приходится быть точнее с самого начала, а не снижать амбиции. «Компании, которые, по нашему мнению, добиваются успеха с помощью ИИ, — это не обязательно те, кто тратит больше всего. Это те, кто выстраивает самые чистые системы вокруг четко определенных сценариев использования», — подчеркнул Битц.

Чего ждать в ближайшие полтора года

Битц не ожидает замедления расходов на ИИ, но он уверен, что внутренний диалог на предприятиях уже смещается в сторону подотчетности, а не просто масштабов. Он отмечает такие тенденции, как перевод концептуальных разработок на реальные ключевые показатели эффективности (KPI) промышленного уровня, повышенное внимание к экономике единицы продукции (например, стоимости за результат или за рабочий процесс), оценка инженерных команд по создаваемым ими результатам на базе ИИ, а не по количеству освоенных инструментов, а также большую прозрачность для топ-менеджмента в отношении того, что именно покупается на эти деньги.

«Внедрение ИИ для многих организаций все еще находится на ранней стадии, и по мере того, как команды обретают уверенность, фокус естественным образом смещается с вопроса „используем ли мы ИИ?“ на вопрос „действительно ли это работает и приносит пользу?“», — резюмировал Битц. В ближайшие 12–18 месяцев он ожидает усиления этой тенденции: расходы продолжат расти, но под гораздо большим давлением в плане демонстрации реальных результатов.