Почему ИИ начинается с пересмотра технологического бюджета

ИИ часто обсуждают как новый источник эффективности. Но есть обратная сторона — если компания внедряет ИИ поверх устаревшего ИТ-ландшафта, она не столько снижает издержки, сколько добавляет еще один слой технологической сложности.

Именно об этом говорится в статье McKinsey «Пересмотр технологических бюджетов для эпохи искусственного интеллекта». Авторы рассматривают старую управленческую дилемму CIO: как распределять технологический бюджет между поддержанием текущих систем и инвестициями в изменения. В этой статье мы разбираем ключевые выводы McKinsey о перераспределении технологических бюджетов в эпоху ИИ и смотрим, как они соотносятся с российской практикой управления ИТ-ландшафтом, изменениями и бизнес-системами. 

Не «сколько потратить на ИИ», а «что перестать поддерживать»

Во многих компаниях значительная часть технологического бюджета уходит на поддержку уже существующих систем: инфраструктуры, приложений, интеграций, информационной безопасности, регуляторных требований, облачных и локальных платформ.

Это неизбежные расходы. Проблема возникает, когда новые инициативы — в том числе ИИ — добавляются поверх старого контура, не заменяя его. McKinsey называет такой сценарий одним из ключевых рисков. Компания инвестирует в модернизацию, запускает новые приложения, развивает аналитику и ИИ, но при этом продолжает поддерживать прежние платформы и процессы. В результате растут и бюджеты изменений, и текущие эксплуатационные расходы. 

Для российских компаний это не менее актуальная проблема. За последние годы многие организации прошли через ускоренную перестройку ИТ-ландшафта: импортозамещение, миграцию с зарубежных решений, пересборку цепочек поставщиков, развитие внутренних платформ, усиление требований к информационной безопасности.

Во многих случаях эти изменения были вынужденными и происходили в условиях ограниченного времени. Поэтому в компаниях могли появляться параллельные контуры: старые системы продолжают работать, новые внедряются рядом, часть функций дублируется, интеграции усложняются, а бизнес-процессы не всегда пересматриваются вслед за технологическими изменениями.

На этом фоне ИИ может помочь упростить работу компании — или, наоборот, добавить новый слой процессов, систем и затрат.

Если ИИ внедряется точечно, без единой архитектуры данных и без решения, какие процессы будут изменены или выведены из эксплуатации, — он быстро превращается в дополнительную нагрузку. Появляются новые сервисы, новые подрядчики, новые требования к данным, новые риски, новые затраты на сопровождение.

Но если ИИ используется как повод пересмотреть процесс, убрать лишние операции, стандартизировать данные и заменить устаревшие решения, он действительно может стать фактором повышения эффективности.

Разница не в самой технологии. Разница в управленческом подходе.

Четыре типа компаний в логике McKinsey

В статье McKinsey предложена модель, которая разделяет компании по тому, как они распределяют расходы между поддержанием текущей деятельности и инвестициями в изменения. В этой логике можно выделить несколько типовых ситуаций.

Первая — компании, которые целенаправленно модернизируются. Они не просто инвестируют в новые технологии, а одновременно упрощают архитектуру, снижают технический долг, развивают стандартизированные платформы и направляют значимую часть бюджета на изменения. Именно такие компании, по мнению McKinsey, лучше всего готовы к масштабированию ИИ .

Вторая — компании, которые активно инвестируют в изменения, но не сокращают старый технологический контур. Они выглядят инновационными, запускают новые решения, но их эксплуатационные расходы продолжают расти. ИИ в такой модели может усилить перегрузку.

Третья — компании, которые жестко контролируют расходы и минимизируют как текущие затраты, так и инвестиции в развитие. Такая модель может быть оправдана в стабильной среде, но в условиях технологических изменений она несет риск отставания.

Четвертая — компании с крупными расходами на поддержку существующих ИТ-систем. Иногда это результат объективной сложности бизнеса, иногда — следствие накопленного технологического долга. В эпоху ИИ такие компании оказываются перед выбором: либо использовать ИИ для обновления архитектуры, либо добавить его как еще один параллельный слой.

Для российской реальности эта типология полезна не как готовая классификация, а как диагностический инструмент. Она помогает задать себе вопрос: наши инвестиции в ИИ уменьшают будущую сложность или увеличивают ее?

ИИ должен заменять, а не наслаиваться

Один из тезисов McKinsey: каждый доллар, вложенный в изменения, должен снижать будущие затраты. Иными словами, технологическая модернизация должна не только создавать новые возможности, но и уменьшать предельную стоимость следующих изменений.

Это важный критерий для оценки ИИ-проектов.

Если компания внедряет ИИ-ассистента, но сотрудники продолжают выполнять тот же объем ручной работы, а поверх этого появляется еще необходимость проверять, дообучать и сопровождать модель, то экономический эффект сомнителен.

Если компания автоматизирует отдельный участок, но не меняет сквозной процесс, эффект также будет ограниченным.

Если ИИ используется для подготовки аналитики, но данные остаются разрозненными, а решения по-прежнему принимаются вне единого управленческого контура, то технология не решает системную проблему.

ИИ приносит устойчивую пользу не тогда, когда он добавляет новую функцию, а тогда, когда он позволяет отказаться от лишних операций, интерфейсов, согласований, ручных проверок и устаревших систем.

Бюджет на ИИ — это не только бюджет ИТ

Еще один важный вывод статьи McKinsey: распределение технологического бюджета не может оставаться внутренним вопросом ИТ-департамента. Оно напрямую связано с бизнес-стратегией. Поэтому решения о том, куда направлять инвестиции, какие системы развивать, а какие выводить из эксплуатации, должны приниматься совместно технологическими и бизнес-руководителями.

В практике трансформационных проектов часто сохраняется разрыв: бизнес формулирует ожидания, ИТ отвечает за внедрение, финансовый блок контролирует бюджет, но общая модель эффекта не всегда собрана. В результате ИИ-проект может быть успешен технически, но не изменить экономику процесса. Или, наоборот, бизнес может ждать быстрого эффекта, не учитывая, что для масштабирования ИИ нужны данные, архитектура, команды, методология управления изменениями и понятная система ответственности.

Внутренние компетенции становятся критичным фактором

McKinsey отдельно отмечает, что компании, которые целенаправленно модернизируются, больше опираются на внутренние команды при реализации ключевых изменений. Это позволяет теснее связать технологические инициативы с бизнес-целями и не терять управление эффектом .

Для российской практики этот вывод тоже важен. В условиях дефицита специалистов и высокой зависимости от подрядчиков компаниям недостаточно просто купить технологию или привлечь внешнюю команду. ИИ требует внутреннего понимания процессов, данных, рисков, ограничений и управленческих целей.

Внешние партнеры могут помогать с экспертизой, разработкой и внедрением. Но ответственность за архитектуру, приоритизацию, качество данных, изменение процессов и оценку эффекта должна оставаться внутри компании.

Иначе организация рискует получить набор решений, которыми трудно управлять, сложно масштабировать и дорого сопровождать.

Что стоит пересмотреть компаниям уже сейчас

Первое — провести инвентаризацию текущих технологических расходов. Важно понимать, какая доля бюджета уходит на поддержание существующего ландшафта и какие системы создают наибольшую нагрузку.

Второе — связать ИИ-инициативы с конкретными изменениями процессов. У каждого проекта должен быть не только технологический результат, но и управленческий: что станет проще, быстрее, дешевле или надежнее.

Третье — заранее определить, что будет выведено из эксплуатации. Если новое решение ничего не заменяет, нужно честно оценивать, не создает ли оно дополнительный слой расходов.

Четвертое — развивать платформенный подход к данным и приложениям. Без стандартизации ИИ будет масштабироваться медленно и дорого.

Пятое — усиливать внутренние команды. Компании нужны не только пользователи ИИ-инструментов, но и владельцы изменений, способные связать технологию с операционной моделью.

ИИ не компенсирует слабую архитектуру, разрозненные данные и неуправляемый портфель систем. Но если рассматривать ИИ не как отдельный технологический проект, а как часть работы по упрощению процессов, данных и ИТ-ландшафта — работа с ним окажется значительно эффективнее.