Стандарт для ИИ. В финансовой отрасли появилась единая методология оценки финансовой эффективности от внедрения искусственного интеллекта
Помимо кейсов в основу методологии легли метрики, проверенные методы оценки и ответы на самые частые вопросы, с которыми сталкиваются компании при внедрении ИИ. Ассоциация "ФинТех" (АФТ) представила данную методологию на форуме инновационных финансовых технологий "Финополис", проходившем 8–10 октября в Сочи.
Генеральный директор ассоциации "ФинТех" Максим Григорьев отметил, что без четкой системы оценки невозможно определить, насколько оправданы инвестиции в технологии ИИ, и какие конкретные выгоды они принесут бизнесу: "Создаваемая нами методология позволит оценить влияние ИИ на ключевые показатели деятельности финансовой организации. Ее использование поможет участникам рынка выявлять потенциальные риски и ограничения при внедрении ИИ-решений, что даст возможность заранее разработать стратегии их минимизации. Применение методологии упростит масштабирование ИИ-технологий и позволит оптимизировать распределение ресурсов. Таким образом, методология станет инструментом для обеспечения устойчивого развития финансовых организаций".
Президент Ассоциации "Национальный фонд искусственного интеллекта" Татьяна Бенуа считает разработанную методологию полезной для предпринимателей: "Это поможет рынку развиваться, а предпринимателям оценить экономический эффект и соотнести его с затратами на внедрение того или иного сервиса, ведь внедрение ИИ не всегда оправдано, если бизнес не планирует масштабироваться. Такие сервисы помогают разработчикам ИИ решений лучше понять рынок потребителя, разрабатывать линейку продуктов и выбирать узкое направление внутри широкой профессиональной области под тот или иной рынок или отрасль".
Научный сотрудник учебно-научной лаборатории искусственного интеллекта, нейротехнологий и бизнес-аналитики РЭУ им. Г.В. Плеханова Анастасия Медведева говорит о том, что оценка ИИ-проектов сложнее, чем классических ИТ-инициатив: Эффект часто проявляется не в прямой экономии, а в росте выручки, улучшении клиентского опыта или предотвращении потерь. Старая добрая формула "затраты — минус прибыль" требует глубокой адаптации".
Анастасия Медведева отметила, что обычно методологии строятся на трех основных подходах:
1. Фокус на бизнес-показатели, а не на точность модели.
Мировая практика требует переводить язык данных на язык денег. Не столь важно, что модель предсказывает отток клиентов с точностью 99%. Важно, насколько снизилась текучка и сколько денег это сэкономило.2. Сравнение с контрольной группой.
Без A/B-тестирования невозможно доказать, что рост показателей вызван именно ИИ, а не сезонностью или другой маркетинговой активностью.3. Учет полной стоимости владения. Затраты на разработчиков, сбор, разметку данных и т.д.
Крупные консалтинговые дома (McKinsey, Gartner) и технологические гиганты (Microsoft, Google) разрабатывают сложные фреймворки, но в их основе всегда лежат эти базовые методы.
"В России компании стремятся следовать мировым практикам, но сталкиваются с рядом уникальных особенностей", - отметила Анастасия Медведева.
Своими силами
Технический директор ООО "МД Аудит" (MD Audit - ГК Softline) Юрий Тюрин сообщил, что компания использует методику оценки экономического эффекта от внедрения ИИ: "Она появилась как инструмент внутренней аналитики еще в 2023 г., когда мы начали системно использовать ИИ в операционных и аналитических процессах. Методика объединяет прямые показатели (сокращение времени выполнения задач, уменьшение ручных операций, рост точности аналитики) и косвенные эффекты, например, снижение человеческих ошибок или рост удовлетворенности заказчиков. Расчет строится на бизнес-метриках - скорости выполнения аудита, стоимости часа труда, доле автоматизированных операций и окупаемости проектов. Такой подход позволяет не просто внедрять ИИ как дань моде, а оценивать его реальную отдачу для бизнеса".
Генеральный директор консультанта, разработчика и интегратора ИТ-решений в финтехе Fork-Tech Кристина Коваленко отметила, что расчет финансовой модели для ИИ-агента производится по стандартным принципам и исходит из достигаемого экономического эффекта. "Мы используем стандартные расчеты потенциального экономического эффекта от внедрения ИИ-агента. Методология базируется на сумме показателей — это затраты, бизнес-параметры и оценка эффекта в деньгах. Использовать этот подход начали сразу, как приступили к разработке ИИ-агентов, в том числе для себя", - сказала Кристина Коваленко.
Сооснователь цифрового логистического оператора versta.io Виктов Сизов считает, что указанная методология будет полезна, в первую очередь, создателям решений на базе ИИ, чтобы проводить бенчмарки между собой. "Мы активно внедряем ИИ в бизнес-процессы и конечно считаем эффективность. Однако, не всегда ее можно посчитать явным образом. Например, когда ИИ помогает нам повышать качество проделанной работы. В таких случаях мы смотрим на косвенные признаки и тенденции, например, на количество входящих обращений от клиентов", - подчеркнул Виктор Сизов.
Заместитель исполнительного директора Центра компетенций Национальной технологической инициативы (НТИ) по большим данным МГУ имени М. В. Ломоносова Гарник Арутюнян рассказал, что он часто считает экономические эффекты от внедрения различных решений в бизнес процессы компаний: "Например, в сети клиник "Здоровье" я внедрил в HR функцию скрининга резюме кандидатов посредством интеграции разных сервисов через make.com. Получился AI агент, который выбирал из сотни резюме и откликов подходящие и сортировал по уровню компетенций. Так мне удалось сократить время на отбор на 80%. Тоже самое с онбордингом сотрудников (от англ. onboarding — введение в должность — процесс адаптации нового сотрудника в компании), а также базовыми функциями редактуры текстов, создания кластеров ключевых слов в маркетинг и так далее. И это только базовые способности генеративного ИИ. Важно понимать, что на 100% делегировать ИИ какой-то процесс на текущий момент нельзя, но он отлично справляется с рутинной частью и дает больше времени для создания креативных решений".
Юрий Тюрин рассказал, что применение ИИ позволило MD Audit снизить затраты на операционный анализ и подготовку отчетности и сократить время на обработку больших массивов данных: "Использование генеративных моделей в сценариях анализа полевых данных и обратной связи значительно ускорило принятие управленческих решений. Основной экономический эффект мы видим в масштабируемости решений - каждая новая функция на базе ИИ дает мультипликативный эффект по всей системе. Это уже не разовая оптимизация, а стратегическое повышение эффективности бизнеса".
Зарубежный опыт
Татьяна Бенуа считает лидером в мире по внедрению и по оценке стоимости внедрения Китай, несмотря на отсутствие демографических проблем и кадрового голода: "Они первые начали внедрять беспилотные системы разгрузки в портах и логистических центрах, понимая экономический эффект на длинной перспективе. На втором месте, по моему мнению, США, а на третьем месте - Индия".
Татьяна Бенуа отметила, что Россия как технологическая держава не отстает по автоматизации крупнейших корпораций в стране, имея наиболее высокие темпы внедрения в банковском секторе и производстве. "Умные города" и цифровые двойники помогают экономить деньги госбюджета и цифры измеряются сотнями миллиардов на своевременно и правильно принятых управленческих решениях относительно строительства инфраструктуры, инвестиций в развитие территорий и других стратегически важных областях экономики страны", - подчеркнула она.