, а где просто дорожает. 🎥 Прочитал статью McKinsey о том, как определить, где ИИ действительно окупается, а где лишь увеличивает расходы. Главная мысль: считать нужно не количество пользователей, а разницу между стоимостью работы человека и стоимостью с ИИ — включая проверку и исправление результата. Как работает «кривая ценности». McKinsey предлагает анализировать не профессии, а отдельные задачи: подготовку документов, анализ, сводки. Для каждой сравниваются: · Текущая стоимость — трудозатраты с учётом зарплаты и накладных. · Стоимость с ИИ — модели и токены плюс оставшееся участие человека: проверка, корректировка, исключения. · Объём задач, где ИИ даёт приемлемое качество при меньших затратах. На графике высота столбца — экономия на час работы, ширина — объём оправданной работы с ИИ. Площадь — общий эффект. Перспективен не самый впечатляющий пилот, а сценарий с достаточным объёмом и устойчивой экономией. Основные выводы. Помогать дорогим специалистам выгоднее, чем автоматизировать дешёвую рутину. Значительный эффект даёт освобождение времени руководителей, юристов, финансистов, разработчиков. ИИ берёт подготовку и черновики, человек сохраняет экспертные решения. Один сценарий может окупаться в одной стране и не окупаться в другой. Стоимость труда сильно различается, а стоимость ИИ относительно сопоставима. Зарубежный кейс нельзя переносить без пересчёта. Потенциал большой, но не гарантированный. McKinsey оценивает глобальный потенциал в $2,52 трлн. Финансовые услуги — $530 млрд, образование — $410 млрд. Это модельный потенциал, а не результат. Оценка не включает разовые инвестиции в платформы, обучение и изменения. Экономика чувствительна к стоимости ИИ. При росте затрат на ИИ на 30% глобальный потенциал снижается до $1,67 трлн — на 34%. Важна стоимость полезного результата, а не цена токена. Освободившееся время нужно превратить в результат. До внедрения стоит определить, чем сотрудники займутся после сокращения трудоёмкости. Иначе выигрыш растворится в снижении загрузки. Для BPM это экономический фильтр для портфеля инициатив: 1. Выявить операции с наибольшими затратами времени. 2. Определить, какие доступны для ИИ, а где нужно человеческое суждение. 3. Рассчитать стоимость до и после, включая контроль и переделки. 4. Приоритизировать по совокупному эффекту, а не по красоте демо. 5. Проверить устойчивость к росту затрат на ИИ. 6. Заранее закрепить, как будет использована высвобождаемая мощность. Главный вывод. Техническая возможность автоматизировать задачу — только начало. Инвестиционное решение требует доказать, что новый способ дешевле при нужном качестве и что компания сможет реализовать выигрыш. 🔗 The AI value curve: The economics of applying AI to existing work #AI #BPM #ЭкономикаИИ #McKinsey #Эффективность