ROI от AI-агентов: почему пилоты врут и как считать честно

Летом 2025 года исследовательская группа MIT NANDA опубликовала отчёт The GenAI Divide, где прозвучала цифра, разошедшаяся по всем деловым изданиям: около 95% корпоративных пилотов с генеративным AI не приносят измеримой отдачи на инвестиции. При этом бюджеты на AI-агентов растут, а вендоры продают их как готовую замену части сотрудников. Проблема не в том, что агенты не работают. Проблема в том, что компании считают их окупаемость теми же формулами, что и покупку CRM, и получают либо восторженные, либо разгромные цифры — обе одинаково бесполезные.

Агент — это не приложение с фиксированной ценой лицензии. Это система, которая тратит токены на каждый вызов, ошибается на неизвестном заранее проценте задач и требует человека для проверки результата. Всё это нужно занести в расчёт, иначе ROI получится нарисованным.

Почему обычная формула ROI ломается

Классический ROI считается просто: (выгода минус затраты) делить на затраты. Для покупки станка это работает. Для AI-агента¹ — нет, потому что почти каждый компонент формулы у агента плавающий.

Затраты на агента не сводятся к подписке. Их как минимум пять слоёв, и три из них компании стабильно забывают:

• Прямая стоимость модели — оплата токенов API или подписки. Единственная статья, которую все считают.
• Стоимость интеграции — разработка, подключение к внутренним системам, настройка доступов. Разовая, но крупная.
• Стоимость проверки — человек, который перечитывает вывод агента перед тем, как отправить его клиенту или в систему. Постоянная и часто недооценённая.
• Стоимость ошибок — цена неправильного ответа: возврат, жалоба, испорченная сделка, ручное исправление.
• Стоимость поддержки — мониторинг, обновление промптов, дообучение², реакция на деградацию качества после смены версии модели.

Выгода тоже не константа. Агент, который в пилоте на 50 обращениях показывал 90% автономности, на потоке в 5000 обращений легко проседает до 70% — потому что в реальном трафике попадаются формулировки и кейсы, которых не было в тесте. А каждый процент падения автономности — это дополнительная нагрузка на людей, то есть рост той самой стоимости проверки.

Что считать вместо голого ROI

Для агентов полезнее раскладывать выгоду на две метрики и держать их рядом.

Стоимость за успешно завершённую задачу

Не за вызов модели, а именно за задачу, доведённую до результата без вмешательства человека. Если агент обработал 1000 обращений, из них 700 закрыл сам, а 300 ушли оператору, то в знаменатель идут 700 — но в числитель затрат идёт стоимость всех 1000 вызовов плюс работа оператора над 300. Именно эта метрика показывает реальную цену автоматизации, а не рекламную.

Доля автономности и её стабильность

Одна цифра автономности за месяц ничего не говорит. Важна динамика: держится ли она, падает ли после обновления модели вендором, растёт ли по мере доработки. Агент с 80% стабильной автономности выгоднее агента с 88%, который скачет от 60% до 95% и требует постоянного присмотра.

Автоматизация, которую нельзя оставить без надзора ни на день, — это не автоматизация, а дорогой помощник оператора. Считать её как замену сотрудника — прямой путь к вранью в отчёте.

Сравнение подходов к оценке

Три способа, которыми компании обычно меряют отдачу от агентов, и что каждый скрывает.

Как посчитать честно: порядок действий

1. Зафиксируйте базовую линию до агента: сколько задач, за какое время и какой ценой их закрывали люди. Без этой цифры сравнивать не с чем.
2. Определите, что значит «задача завершена успешно» — критерий должен быть проверяемым, а не «клиент вроде доволен».
3. Считайте затраты всех пяти слоёв, а не только подписку. Стоимость проверки человеком закладывайте по фактическим часам, а не по оптимистичному прогнозу.
4. Меряйте автономность на реальном трафике минимум месяц, а не на подобранном тестовом наборе.
5. Пересчитывайте после каждого обновления модели вендором: смена версии способна как поднять качество, так и уронить его на ваших сценариях.

Кому это пригодится, а кому нет

Строгий расчёт по стоимости завершённой задачи оправдан там, где есть поток однотипных обращений и понятный критерий успеха.

• Пригодится: поддержка первой линии с тысячами тикетов, сортировка и маршрутизация заявок, генерация черновиков документов по шаблону, разбор входящих счетов. Здесь автономность измерима, а база для сравнения есть.
• Пригодится с осторожностью: продажи и работа с возражениями — успех размыт, а цена ошибки высокая. Считайте, но не ждите чистых цифр быстро.
• Не пригодится в лоб: творческие и стратегические задачи, где ценность агента — в ускорении мышления человека, а не в замене операции. Здесь ROI за задачу бессмысленен, меряйте сэкономленное время специалиста.

Отдельный красный флаг — считать выгоду через «сокращённые ставки сотрудников», если сотрудников вы на деле не сократили, а переставили на проверку вывода агента. Тогда вы просто переложили расходы, а в отчёте нарисовали экономию, которой нет.

¹ AI-агент — программа на основе языковой модели, которая не просто отвечает на запрос, а самостоятельно выполняет цепочку действий: обращается к инструментам, вызывает API, принимает промежуточные решения для достижения цели.

² Дообучение (fine-tuning) — донастройка готовой модели на своих данных, чтобы она лучше решала узкую задачу. Требует данных, вычислений и повторяется при смене базовой модели.