Чи рахуєте ви гроші своїх AI-проєктів? Питання, після якого на багатьох зустрічах стає незручно.

Сьогодні майже кожна компанія вже щось робить з AI: запускає ботів у підтримці, автоматизує обробку документів, генерує описи, підсумовує дзвінки, створює асистентів для аналітиків, і тд. Гонка йде повним ходом.

А тепер просте питання: скільки грошей це принесло?
І тут часто виникає пауза.

За моїми спостереженнями, компаній, які не рахують ефект системно, значно більше, ніж тих, які рахують. Або рахують приблизно так: «Ми заощадили 20 годин на місяць».

Добре. А що сталося з цими 20 годинами далі? Найпоширеніша відповідь: «Це інвестиція в експерименти та навчання команди». Іноді це справді чесна відповідь. Є етап, коли компанія платить за те, щоб зрозуміти, де саме AI може створювати цінність у її бізнесі. Не кожен експеримент зобов’язаний одразу окупитися.

Але часто за словами «це інвестиція» ховається інше: ми не хочемо рахувати, бо підозрюємо, що результат нам не сподобається.

Є й ще один фактор, про який рідко говорять вголос, хоча саме він рухає значну частину AI-бюджетів. Це страх.

Страх пропустити момент, відстати від конкурентів або залишитися компанією, яка ще тільки думає. FOMO — нормальна емоція, але поганий інвестиційний критерій.

Тому рахувати AI-проєкти потрібно. Але ширше, ніж просто «скільки годин ми зекономили».

Є щонайменше дві групи ефектів.

1. Фінансові та операційні. Це те, що можна довести до доходу, витрат або уникнутої майбутньої витрати.

Наприклад, раніше інвойс оброблявся 12 хвилин, а тепер 2 хвилини. За поточного обсягу це дає конкретне скорочення собівартості операції.

Або 40% звернень у підтримці закриваються без участі людини. Завдяки цьому команда може обслуговувати зростання клієнтської бази без пропорційного розширення штату.

Саме собівартість однієї операції до і після автоматизації часто є найчеснішою метрикою. У ній уже враховані люди, час, інфраструктура, токени та підтримка рішення.

2. Стратегічні та якісні. Це те, що поки складно напряму перевести в гроші, але що створює цінність для бізнесу.

Наприклад, щоб навчити AI, компанія вперше нормально описала процес і побачила, де насправді виникають затримки.

Або команда навчилася декомпозувати задачі, перевіряти якість AI та швидше запускати наступні рішення.

Або у клієнтів стало менше повторних звернень та ескалацій.

Але важливо: якісне не означає невимірюване. Для таких ефектів також потрібні метрики: кількість ескалацій, частка повторних звернень, час адаптації нових працівників, швидкість запуску наступного AI-кейсу.

Обидві групи ефектів мають враховуватися під час ухвалення рішень.

Бо якщо дивитися тільки на прямі гроші, можна закрити проєкти, які змінюють культуру та створюють фундамент для масштабування. А якщо дивитися лише на якісні ефекти, можна роками фінансувати красиві демо без реального впливу на бізнес.

І ще одна принципова річ: звільнити час ≠ заощадити гроші.

Якщо AI звільнив менеджеру 10 годин на місяць, але процес навколо нього не змінився, компанія ще нічого не заощадила. Вона лише створила 10 годин потенційної продуктивності.

Фінансовий ефект з’явиться лише тоді, коли буде прийняте конкретне рішення, куди піде цей ресурс: у більшу кількість продажів, покращення якості, скорочення часу виконання, запуск нового напряму або відмову від додаткового найму.

Тобто гроші з’являються не в момент, коли компанія впровадила AI-інструмент. А з’являються лише тоді коли компанія перебудувала під нього процес: змінила ролі, KPI, послідовність роботи та правила використання звільненого ресурсу.

Ось це і є справжня AI-трансформація.

Не просто новий інструмент, а новий спосіб організації роботи навколо нього.

А ви рахуєте? І якщо так, що виходить?