Эра экспериментов ради экспериментов завершилась. Выигрывают компании, которые управляют внедрением AI через жесткую unit экономику.

Недавно детально изучил свежее исследование McKinsey & QuantumBlack («The AI value curve»). К 2030 году в AI-инфраструктуру вольют около $7 трлн, и чтобы эти инвестиции окупились, технологии нужно генерировать сотни миллиардов чистой прибыли ежегодно. Но на практике мы все еще считаем активных пользователей, количество запущенных mvp и сожженные токены. Утилизация есть, а где экономический эффект? Кривая ценности AI (AI value curve) заставляет взглянуть на автоматизацию через призму жесткой unit экономики конкретных задач. Несколько мыслей, которые срезонировали сильнее всего:

1. Где спрятан глобальный пул в $2,5 трлн? Лидеры по чистой экономии на задачу: Финансовые услуги ($530 млрд) и Технологии, медиа и телекоммуникации ($360 млрд) за счет концентрации сложных задач и высоких зарплат. Лидеры за счет масштаба: Образование ($410 млрд) и здравоохранение ($310 млрд). Даже небольшая экономия на рутине одного сотрудника дает огромный эффект в масштабах сотен тысяч людей. 2. Усиление топ-экспертов бьет автоматизацию дешевого труда Интуитивное желание сократить рутину у низкооплачиваемого персонала экономически проигрывает. Самый мощный финансовый рычаг — аугментация высокооплачиваемых специалистов (юристы, топ-инженеры, врачи, аналитики). Снятие 15–20% рутины с эксперта стоимостью $150/час приносит компании в разы больше, чем полная автоматизация процесса со ставкой $15/час. 3. Руководители: AI не заменяет решения, а ускоряет контекст Для топ-менеджмента отдача измеряется не снижением ФОТ, а высвобождением ресурса на стратегию. Передача моделям подготовки к встречам, разбора почты, мониторинга рынка и драфтов справок окупается принятием более быстрых и качественных управленческих решений. 4. Экономика AI локальна, а не глобальна Стоимость вычислительных мощностей и API одинакова в Нью-Йорке, Лондоне, Варшаве или Мумбаи. А вот стоимость часа специалиста различается кратно. На рынок США приходится $960 млрд из-за высоких базовых ставок. Кейс, сверхприбыльный в США, в регионах с более низким ФОТ может оказаться убыточным: затраты на модель и валидацию превысят стоимость человеческого труда. 5. Высокая чувствительность к затратам (Non-token costs) Стоимость AI — это не только токены. Главная статья расходов: - проверка - валидация - исправление ошибок человеком (human-in-the-loop). По расчетам McKinsey, рост затрат на технологию всего на +30% схлопывает доступную мировую ценность на 34% (с $2,52 трлн до $1,67 трлн).

Оригинал исследования: https://lnkd.in/e__fAbaP