Четыре парадокса ИИ в бизнесе: что показывают исследования

ИИ удешевляет разработку, автоматизирует рутину, превращает каждого в продакта — это правда. Но за последние два года накопилось достаточно исследований, чтобы заметить и обратное: внедрение ИИ часто увеличивает расходы, замедляет вывод продукта, провоцирует найм и удлиняет цикл продажи.

Ниже — четыре документированных парадокса со ссылками на первоисточники и кратким разбором методологии.

1. Дороже, а не дешевле

Что мы наблюдаем. За два года стоимость инференса у фронтирных моделей упала радикально. По данным Epoch AI, цена за достижение качества GPT-4 на бенчмарке PhD-level science вопросов падает примерно в 40 раз в год. Для разных задач разброс — от 9× до 900× в год.

В чём парадокс. Расходы компаний на ИИ при этом не падают, а растут. Причины:

• Reasoning-модели жгут на 1–2 порядка больше токенов на тот же ответ — o1, DeepSeek-R1, Claude с extended thinking генерируют длинные внутренние chains-of-thought.
• Агентные пайплайны (ReAct, multi-step tool calling, sub-agents) тратят десятки и сотни вызовов модели на одну пользовательскую задачу.
• Контексты выросли с 4k до 200k–1M токенов; под RAG, кеширование промптов и системные инструкции уходит больший объём, чем сам полезный диалог.

Тренд подробно разобран в The Batch (deeplearning.ai) и в обзоре Token Burnout от adaline labs: падение цены за токен компенсируется кратным ростом объёма потребления.

Что с этим делать. Бюджетировать ИИ нужно от стоимости решения целевой задачи, а не от прайс-листа поставщика. Цена за миллион токенов перестала быть осмысленной единицей сравнения — сравнивать стоит цену за выполненную задачу заданного качества.

2. Медленнее, а не быстрее

Исследование. В июле 2025 года организация METR опубликовала RCT-исследование Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity (препринт: arXiv:2507.09089).

Дизайн. 16 опытных разработчиков, многолетние контрибьюторы крупных open-source репозиториев (медиана — 22k+ звёзд, 1M+ строк кода). 246 реальных задач из бэклога этих проектов. Каждая задача случайным образом распределялась в одну из двух групп: «можно использовать ИИ» (Cursor, Claude, GitHub Copilot) или «нельзя».

Результат.

Разрыв между ощущением и фактом — главная находка работы. Разбор результатов: The Register, DX newsletter, Sean Goedecke.

Почему так получилось. В зрелом кодбейзе с устоявшимися конвенциями, тестами и архитектурными инвариантами опытный разработчик пишет нужные 30 строк быстрее, чем проверяет и правит ИИ-генерацию на 200 строк. ИИ силён там, где разработчик не знает синтаксиса, библиотеки или паттерна — но в проекте, где он уже эксперт, ревью-нагрузка превышает выигрыш от автогенерации.

Оговорка. Авторы прямо пишут: результат не обобщается на менее опытных разработчиков, новые проекты или незнакомые кодовые базы. То есть PoC и прототип ИИ действительно ускоряет — а вот шаг от прототипа к зрелой системе становится дороже, чем казалось.

3. Нанимает, а не увольняет

Исследование. Отчёт Mercury The New Economics of Starting Up, август 2025. Опрошено 1 500 фаундеров и руководителей ранне-стадийных компаний США из разных секторов (tech, financial services, manufacturing, ecommerce, professional services).

Что показал. Стартапы, активно внедряющие ИИ, нанимают агрессивнее, чем те, кто внедряет слабо или не внедряет совсем. Распределение по функциям, в которых AI-adopters расширяют штат:

В чём парадокс. Customer service — одна из тех функций, которые ИИ «должен был автоматизировать в первую очередь». Тем не менее 42% AI-компаний расширяют именно её.

Объяснение. ИИ снимает с человека рутинную часть работы, но открывает спрос, к которому раньше не было пропускной способности. Чат-боты обрабатывают типовые тикеты — и живые операторы получают больше нетривиальных обращений на человека. Плюс компания может позволить себе обслуживать сегменты клиентов, которые раньше были экономически нерентабельны.

Дополнительный разбор от Mercury: How AI is influencing early roles at startups.

4. Продаётся хуже, а не лучше

Исследование. The GenAI Divide: State of AI in Business 2025, отчёт NANDA Initiative при MIT. Эмпирическая база: 150 интервью с руководителями, опрос 350 сотрудников, анализ 300 публичных корпоративных ИИ-внедрений.

Главная цифра. Только ~5% корпоративных пилотов GenAI доходят до измеримой ценности на P&L. Остальные 95% либо стопорятся на пилотном этапе, либо завершаются без значимой отдачи. Обзоры цифры: Fortune, Mind the Product, MIT Technology Review.

Что именно блокирует. Не качество моделей. По выводам MIT, главные стопоры:

• «Learning gap»: внедрённые системы не запоминают фидбек, не адаптируются к контексту, не дообучаются. Один и тот же сотрудник раз за разом исправляет одну и ту же ошибку модели.
• Длинный цикл сделки: legal, security, IT compliance — каждое подразделение добавляет недели и месяцы. Практический разбор требований: AI Risk in the Sales Cycle (Pod) — DPA, SOC 2, on-prem/VPC, гарантии о non-training, отраслевые сертификации.
• Внутренняя разработка проигрывает покупке: по данным MIT, build-from-scratch выстреливает примерно в 3 раза реже, чем покупка у специализированного вендора с выделенной интеграционной командой (~22% vs ~67% успеха).

Где выстреливает. По MIT, лучший ROI — не на «витринных» frontend-фичах, а в back-office: поддержка, документооборот, замещение аутсорсингового review. Кейсы из отчёта — экономия $2–10 млн/год на компанию. Парадокс: рынок видит ИИ-кампании про эффектные пользовательские фичи, а деньги делаются на бухгалтерии и юр.отделе.

Узкое горлышко переехало

Электричество убило свечи, но создало энергосистемы — и инженерные задачи стали на порядок сложнее. Интернет открыл дистрибуцию — и создал войну за внимание. С ИИ та же логика на новом этаже:

• ИИ удешевляет инференс — но удорожает решение задачи целиком, потому что задачи усложняются быстрее, чем дешевеет токен.
• ИИ ускоряет кодинг — но замедляет вывод фичи в зрелом продукте, где главная стоимость не в строчках, а в интеграции.
• ИИ автоматизирует рутину — но открывает спрос, который требует больше людей в саппорте.
• ИИ производит магию на демо — но не проходит due diligence корпоративного покупателя.

Раньше барьер стоял на «умеешь ли реализовать». ИИ закрыл этот барьер — и обнажил следующий: «понимаешь ли, зачем, и доведёшь ли до production-системы». Делать стало проще, думать — сложнее.

Это не повод откладывать внедрение. Это повод трезво считать — и не путать дешевизну инструмента с дешевизной результата.

Запускаете ИИ-продукт и ищете GPU под инференс или fine-tuning? Intelion Cloud — pay-as-you-go аренда GPU-серверов с почасовой оплатой, без долгосрочных контрактов и капитальных затрат.