AI-фичи: как считать ROI и когда фича не окупается

В этой статье разберем на конкретном примере, как посчитать ROI AI-фичи до разработки и по каким признакам понять, что уже запущенная фича не окупается.

Содержание:

1. Формула ROI и то, что в нее обычно не попадает
2. Как перевести эффект AI-фичи в деньги, а не в проценты точности
3. Как оценить гипотезу до разработки
4. Что считается хорошим ROI и чем он отличается от ROMI и ROAS
5. Признаки, что AI-фича не окупается

Представьте типичную сцену. Команда защищает AI-фичу на стратегической сессии. На слайде формула ROI, окупаемость за полгода, экономия три миллиона рублей в год. Зал кивает, бюджет на внедрение AI выделяют. Проходит год, и фичу тихо отключают: реальная экономия оказалась в районе 400 тысяч, а расходы на обращения к модели выросли втрое против сметы, потому что никто не заложил рост нагрузки в финансовый план.

Это типовой сценарий. По оценкам аналитиков, около 5% компаний получают измеримую ценность от AI в масштабе всей организации, остальные застревают на уровне пилотов, которые красиво выглядят на демо и никогда не доходят до промышленной эксплуатации. Разница между этими группами не в бюджете и не в качестве модели, а в том, считают ли они окупаемость инвестиций до старта, а не после отключения фичи. Искусственный интеллект не отменяет базовых правил финансовой оценки, он просто добавляет новые статьи рисков, которые легко упустить.

Возьмем интернет-магазин одежды. Служба поддержки обрабатывает 3000 обращений в месяц: где заказ, как оформить возврат, подходит ли размер. На каждое обращение оператор тратит в среднем 6 минут, час работы оператора стоит компании 500 рублей. Продакт предлагает AI-помощника, который закрывает 60% таких обращений без участия человека.
Дальше пройдем весь путь этой фичи: от расчета на старте до решения, оставлять ее в продукте или закрывать через полгода.

Классическая формула простая: ROI, return on investment, равен разнице между доходом от инвестиции и затратами, деленной на затраты, умноженной на 100%. По-русски это называют рентабельность инвестиций или возврат инвестиций, коэффициент рентабельности инвестиций считается одинаково для любого вложения денег.

Для нашего AI-помощника доход считается так: 3000 обращений умножить на 60% автоматизации равно 1800 обращений в месяц. Каждое высвобождает 6 минут работы оператора, это 180 часов в месяц, или 90 тысяч рублей экономии при ставке 500 рублей в час. За год это 1,08 млн рублей.

Дальше начинается часть, которую обычно недооценивают при расчете ROI. У обычной фичи затраты это расходы на разработку и последующая поддержка, и все. У AI-фичи добавляется полная стоимость владения, TCO, и в нее входят:

Расходы на инфраструктуру. Cost каждого обращения к модели растет вместе с объемом трафика, а не остается фиксированным, как обычная лицензия на сервис. При 1800 обращениях в месяц и средней стоимости запроса 15 рублей это 27 тысяч в месяц, 324 тысячи в год.

Разметка и подготовка данных. Модель нужно обучить отвечать именно на вопросы этого магазина: где документация по возвратам, как звучат типичные формулировки клиентов. Разовая работа аналитика на две недели, часть общих расходов на разработку, обходится примерно в 150 тысяч рублей.

Мониторинг и дообучение. Раз в квартал нужно проверять, не начала ли модель отвечать хуже, и донастраивать ее под новые товары и акции. Это еще 40 тысяч рублей в квартал, 160 тысяч в год.

Обучение персонала поддержки. Операторам нужно научиться работать в связке с ботом, разбирать эскалации. Пара дней тренинга на команду из десяти человек, около 80 тысяч рублей разово.

Складываем: 324 тысячи плюс 150 тысяч плюс 160 тысяч плюс 80 тысяч, это 714 тысяч рублей затрат в первый год против 1,08 млн экономии. Расчет ROI дает 51%, а не те эффектные 200%, которые обычно показывают на слайде, если считать только value подписки на модель и забыть про интеграция и остальные статьи расходов.

Частая ошибка: команда разработки радуется, что модель отвечает правильно в 92% случаев, и на этом расчет эффективности заканчивается. Точность ответа это техническая метрика, она ничего не говорит о деньгах, пока ее не перевели в конкретный бизнес-показатель.
В нашем примере правильная метрика не точность модели, а доля обращений, закрытых без участия оператора, и то, как это отражается на времени сотрудников. Похожий принцип используют крупные сервисы с рекомендательными системами: эффект оценивают не через точность рекомендаций, а через влияние на удержание клиентов и их пожизненную ценность, LTV. Снижение оттока на один процентный пункт при известной ценности аудитории напрямую переводится в дополнительную выручку. Именно эта цифра, а не проценты точности модели, идет в расчет ROI: выручка убеждает финансового директора куда сильнее, чем отчет о качестве модели. Именно так измеряют окупаемость инвестиций в AI компании, которые действительно видят от нее пользу.
Для разных типов AI-фич метрика будет своя. Фича автоматизации поддержки снижает операционные расходы на обработку обращения и время ответа. Фича персонализации влияет на конверсию и средний чек, повышая прибыльность продажи и увеличивая выручку с каждого клиента. Фича, которая заменяет ручной труд, сокращает часы работы команды. Фича таргетинга снижает расходы на рекламу и затрат на рекламу при том же объеме продаж и может дать конкурентное преимущество перед теми, кто еще не разобрался, как ROI в AI считать у себя. В каждом случае правило одно: сначала находите бизнес-метрику, потом считаете, как AI в бизнесе на нее влияет, а не наоборот. Именно поэтому расчет ROI ai-проектов в области ИИ требует отдельной методологии, а не копирования подхода из обычного проекта, а инвестиции в ИИ без этой связки почти всегда выглядят убедительнее на бумаге, чем в реальности.

До того как что-то разрабатывать, стоит прогнать тот же расчет, что мы сделали для интернет-магазина, но на уровне гипотезы, с приблизительными цифрами. Спросите себя: сколько будет стоить пилот, за какой срок должен появиться измеримый сигнал, и какой эффект нужен, чтобы вообще имело смысл масштабирование.

Такой ранний расчет держится на гипотез и оценки экспертов команды, а не на точных данных, и это нормально на старте. Полезно сразу продумать атрибуции: как вы отделите эффект AI-фичи от эффекта других изменений, которые происходят в продукте параллельно.

На этом этапе полезно совместить расчет ROI с приоритизацией через RICE или ICE. Эти фреймворки помогают сравнить AI-гипотезу с другими идеями в бэклоге по охвату, влиянию и уверенности в оценке, прежде чем тратить бюджет на разработку. Без такой сверки расчет ROI на питче превращается в один красивый, но ничем не подкрепленный прогноз, который никто не проверял против альтернатив.

Если объяснять, что такое ROI, коротко: это ключевые показатели эффективности вложений, коэффициент ROI, который считают из разницы дохода и расхода за период. ROI 100% значит не "отличный результат", а то, что вложения окупились ровно в два раза: вы получили обратно сумму, равную затратам, сверх самих затрат чистой прибыли. Хороший это результат или нет, зависит от отрасли и от срока, за который он получен. ROI 40% за год в рознице, как в примере с интернет-магазином, может быть вполне здоровым результатом, а тот же ROI 40% за три года для быстрорастущего SaaS уже сигнал, что деньги стоило вложить в другое.

Компании roi считают именно так: не абсолютным числом, а в связке со сроком и отраслью.

ROI часто путают с двумя соседними метриками. ROMI, рентабельность маркетинговых инвестиций, считается так же, как ROI, но только для затрат на маркетинг, и используется, когда нужно оценить конкретно рекламную кампанию, а не весь проект целиком. ROAS, окупаемость затрат на рекламу, показывает не прибыль, а выручку на рубль потраченного рекламного бюджета, и не вычитает саму стоимость товара или услуги. Формула расчета ROI и формула ROAS похожи внешне, но отвечают на разные вопросы: ROI помогает понять, вернулись ли вложенные деньги с прибылью, а ROAS только то, сколько выручки принес каждый рубль рекламы. Для AI-фичи, которая экономит время команды или снижает отток клиентов, вам почти всегда нужен именно ROI, а не ROAS, потому что эффект чаще выражается в экономии и удержании, а не в прямых продажах от рекламы.

Не для каждой AI-инициативы нужен строгий расчет ROI на старте, и не каждую гипотезу стоит сразу внедрять в основной процесс. Если речь идет о раннем исследовательском эксперименте, где команда просто проверяет, способна ли модель вообще решить задачу, точный ROI посчитать нельзя, потому что нет ни стабильных затрат, ни понятного эффекта. В таких случаях достаточно ограничить бюджет эксперимента заранее и оценивать не деньги, а сам факт: работает гипотеза технически или нет, а внедрение AI в реальный процесс отложить до этого момента. Отслеживать нужно не итоговый ROI, а саму возможность оптимизировать процесс с помощью модели. Полноценный расчет ROI имеет смысл делать в тот момент, когда решается вопрос о переходе от эксперимента к продакшену, а не раньше.

Вернемся к нашему AI-помощнику через полгода после запуска. Вот три сигнала, по которым можно понять, что что-то пошло не так, еще до полного пересчета ROI.

Расходы на обращения к модели растут быстрее пользы. Магазин расширил ассортимент, вопросов стало больше, и стоимость запросов к модели выросла до 45 рублей за обращение вместо 15. Если рост расходов обгоняет рост экономии, юнит-экономика фичи уходит в минус, и чем активнее ей пользуются, тем хуже становится картина.

Целевая метрика не двигается. Прошло полгода, а доля автоматизированных обращений застряла на 30% вместо обещанных 60%, потому что модель плохо справляется с нестандартными вопросами про размер и посадку. Фича технически работает, но не решает исходную задачу.

Ботом пользуются, но бизнес-эффекта нет. Клиенты активно общаются с помощником, метрика вовлеченности растет, а нагрузка на операторов не снижается, потому что бот подхватывает простые вопросы, а сложные все равно уходят к людям без экономии времени.

Помимо забытых статей расходов, о которых шла речь выше, есть еще две ошибки, которые встречаются почти в каждом расчете.

Первая: смотреть на ROI один раз, на старте, и больше не рассчитывать его заново. Затраты на инфраструктуру AI-фичи растут вместе с нагрузкой, поэтому расчета ROI, сделанного при 500 обращениях в месяц, недостаточно, чтобы оценить эффект от внедрения при 5000.

Вторая: приписывать AI-фиче весь эффект целиком, хотя на метрику повлияли и другие изменения. Если одновременно с запуском бота магазин поменял тексты на сайте и снизил цены на доставку, часть роста конверсии дала не модель, а эти изменения, и нужно разделять эффекты, а не приписывать все одному инструменту. Компании, которые внедрили AI и не разделили эти эффекты, обычно завышают ai roi в собственных отчетах, даже не желая этого специально.

Издержки такого подхода понятны не сразу, а только когда приходит время оценить эффективность инвестиций за более длинный период и сравнить с изначальным прогнозом.

ROI AI-фичи считают иначе, чем ROI обычной фичи, потому что структура затрат другая, а связь между технической метрикой и деньгами не очевидна сама по себе. На примере интернет-магазина видно, что разница между эффектным прогнозом на слайде и реальным ROI часто состоит из статей расходов, которые легко забыть: инфраструктура, разметка данных, обучение персонала.

Прежде чем разрабатывать AI-фичу, переведите ожидаемый эффект в конкретную бизнес-метрику и честно рассчитывайте полную стоимость владения, а не только цену подписки на модель. Эта инвестиция в расчет окупается почти всегда, даже если сам проект в итоге не окупится. После запуска возвращайтесь к этому расчету регулярно.

Признать, что фича не окупается, раньше обходится компании дешевле, чем поддерживать иллюзию успеха ради красивого слайда еще один квартал.

Мы подготовили комплексный курс по agile, где вы:
Научитесь профессионально использовать Agile, Scrum и Kanban, выстраивать эффективную работу команды, быстро реагировать на изменения, визуализировать рабочие процессы и точно оценивать время выполнения задач.

В результате обучения вы:

• Освоите принципы Agile и откроете для себя мир гибкого управления
• Узнаете как управлять проектами и продуктами в условиях неопределенности с помощью гибких подходов
• Выясните для себя, как внедрить Agile в своей компании

На курсе мы разберем

• Как применять Scrum и Kanban на практике
• Как улучшить процессы своей команды и ускорить разработку продуктов
• Как претендовать на карьерное продвижение и многое другое!

В обучение входят:

• 17 занятий с практической отработкой
• 9 практикумов
• Шаблоны для эффективной работы с проектами и командами
• Бесплатная премиум подписка на Kaiten
• международный сертификат от консорциума ICAgile
• сертификат от Product Lab