ROI от AI-агентов: как посчитать отдачу, а не поверить в неё

Осенью 2025 года AI-агенты — автономные системы, которые сами планируют шаги и вызывают инструменты — стали дефолтной строкой в бюджетах на автоматизацию. OpenAI выпустила режим агента в ChatGPT, Anthropic развивает Claude с поддержкой Model Context Protocol и работой в браузере через Computer Use, Google продвигает агентные сценарии в Gemini. Проблема в том, что счёт за внедрение выставляют сразу, а отдачу считают на глаз. По оценке MIT Media Lab из доклада State of AI in Business 2025, около 95% корпоративных пилотов с генеративным AI не дают измеримого возврата — но это про пилоты в целом, а не персональный приговор вашему проекту. Вопрос не в том, работает ли технология, а в том, умеете ли вы считать, что она приносит.

Почему обычный ROI здесь ломается

Классическая формула проста: ROI = (выгода − затраты) / затраты. С AI-агентами обе части уравнения коварны.

Затраты кажутся понятными — подписка на API, лицензии, зарплата команды. Но львиная доля расходов прячется: интеграция с внутренними системами, ревью выводов агента человеком, доработка после каждого обновления модели, инфраструктура для логов и мониторинга. Токены на инференс — часто меньшая статья.

Выгода ещё хуже поддаётся счёту. «Агент экономит менеджеру 5 часов в неделю» звучит убедительно, пока не спросишь: эти 5 часов превратились в уволенную ставку, в новые задачи или просто растворились. Освобождённое время без перераспределения — это не деньги, а ощущение продуктивности.

Сэкономленный час сотрудника становится деньгами только тогда, когда вы либо не наняли следующего человека, либо этот час пошёл на выручку. Всё остальное — красивый слайд.

Какие метрики считать на самом деле

Разделите показатели на три слоя. Верхний — бизнес-эффект в деньгах, средний — операционные метрики процесса, нижний — качество работы самого агента. Без нижнего слоя верхний недостоверен: агент, который в 15% случаев галлюцинирует, генерирует не экономию, а скрытый долг на исправления.

Слой 1. Деньги

• Прямая экономия ФОТ — только если ставка реально не открыта или сокращена, а не «высвобождена».
• Прирост выручки — например, поддержка отвечает быстрее, конверсия в повторную покупку растёт. Считайте на когортах, а не на среднем по больнице.
• Стоимость обработки одной единицы — цена закрытия одного тикета, обработки одной накладной, ответа на один лид до и после.

Слой 2. Процесс

• Доля задач, завершённых агентом без вмешательства человека (end-to-end completion rate).
• Среднее время обработки задачи.
• Доля эскалаций на человека и причины эскалаций.

Слой 3. Качество агента

• Точность ответов на размеченном наборе тест-кейсов.
• Частота фактических ошибок и галлюцинаций.
• Стоимость одной ошибки, дошедшей до клиента — штраф, возврат, отток.

Как считать: пошагово

1. Зафиксируйте базовую линию до внедрения. Замерьте текущие время, стоимость единицы и качество без агента. Без baseline любой «рост» недоказуем.
2. Соберите полную стоимость владения (TCO). Подписки и токены плюс интеграция, ревью, поддержка, обучение сотрудников. Считайте на горизонте 12 месяцев, а не за месяц пилота.
3. Определите единицу ценности. Один тикет, один документ, один звонок — то, что можно посчитать штучно и сравнить с baseline.
4. Разметьте, куда ушло высвобожденное время. Сокращённая ставка, новые задачи или ничего. Только первые две категории идут в ROI.
5. Заложите стоимость ошибок. Умножьте частоту ошибок агента на среднюю цену последствия и вычтите из выгоды.
6. Пересчитывайте после каждого крупного обновления модели. Смена версии может как улучшить точность, так и сломать отлаженные промпты.

Разные типы агентов считаются по-разному

Отдача зависит от того, что агент делает и насколько дорого стоит его ошибка. Ниже — грубая карта по типовым сценариям, не по конкретным вендорам.

Кому это пригодится, а кому нет

Пригодится, если у вас есть массовый повторяемый процесс с чётким результатом и высоким объёмом: сотни тикетов в день, тысячи входящих документов, поток однотипных лидов. Здесь единица ценности очевидна, baseline измерим, а даже небольшая экономия на единице умножается на объём.

Не даст быстрого ROI там, где задачи редкие, разнородные и с высокой ценой ошибки: юридические заключения, финансовые решения, творческая стратегия. Агент как черновик-помощник может работать, но полная автономия здесь — источник дорогих провалов, а не экономии.

Отдельный случай — «внедрили, потому что у конкурента есть». Если вы не можете назвать единицу ценности и базовую линию, вы не измеряете ROI, а спонсируете эксперимент. Иногда это оправдано как обучение команды, но тогда так и назовите статью расхода — обучение, а не инвестиция.

Сноска. AI-агент — программа на базе языковой модели, которая не просто отвечает на запрос, а самостоятельно планирует последовательность шагов и вызывает внешние инструменты (поиск, API, браузер, базы данных) для достижения цели. В отличие от обычного чат-бота, агент может выполнять действия, а не только генерировать текст, поэтому цена его ошибки выше — и учитывать её в ROI обязательно.