Как учитывать расходы на ИИ-сотрудников при анализе затрат на персонал?

Расчет реальной стоимости ИИ-персонала включает объединение четырех основных категорий: инфраструктура, лицензирование, обработка данных и управление со стороны человека. В отличие от штатных сотрудников, чьи затраты относительно фиксированы, расходы на ИИ масштабируются в зависимости от объема обработанной работы. Это требует перехода от планирования «по головам» к бюджетированию по транзакциям или процессам.

В качестве примера для расчетов можно принять, что штатный сотрудник обходится компании в сумму его оклада плюс дополнительные накладные расходы, объем которых зависит от юрисдикции и внутренних политик. В то же время стоимость ИИ-агента зависит от частоты его запуска и сложности обрабатываемых данных. Например, агент, обрабатывающий 1000 сложных юридических документов в месяц, потребует больших затрат на API, чем агент, управляющий простым календарем.

ИИ-агенты влияют на корпоративный бюджет, перенося расходы из статьи «Человеческие ресурсы» в «Операционную деятельность» или «ИТ-услуги», одновременно снижая потребность во временном персонале и сверхурочных выплатах. Когда ИИ-сотрудник берет на себя рутинную задачу, например, обработку счетов, немедленная экономия достигается за счет сокращения оплачиваемых часов, хотя общие накладные расходы отдела могут сохраняться.

Бюджет накладных расходов также должен учитывать техническое обслуживание, необходимое для соответствия агентов меняющимся бизнес-правилам. Если компания обновляет политику закупок, ИИ-агент требует перенастройки, что подразумевает техническое вмешательство. Эти затраты на поддержку являются цифровым эквивалентом обучения сотрудников и должны прогнозироваться ежегодно.

При планировании поддержки ИИ-сотрудников целесообразно резервировать ресурсы на ежегодные обновления и мониторинг, исходя из технической сложности решения. Лицензирование ПО обычно является наиболее предсказуемым элементом, часто выставляемым в виде фиксированной ежемесячной платы за агента или рабочее место. Однако основная волатильность заложена в вычислительном слое, где высокообъемные задачи могут вызвать резкие скачки расходов.

Для управления этим компаниям следует устанавливать лимиты на использование API и внедрять триггеры передачи задачи человеку при возникновении дорогостоящих или высокорисковых запросов. Это обеспечивает предсказуемость бюджета даже в периоды высокой деловой активности. Грамотный бюджет также включает резерв на обновление моделей, так как более эффективные решения могут требовать интеграции каждые 12–18 месяцев.

Автоматизация нерентабельна для процессов, которые меняются еженедельно или предполагают редкие, но высокосложные решения. Если задача выполняется дважды в месяц, затраты на создание и поддержку ИИ-агента, вероятно, превысят стоимость двух рабочих часов человека. ИИ демонстрирует потенциал для возврата инвестиций прежде всего в высокообъемных средах, работающих по четким правилам.

Аналогично, роли, требующие физического присутствия или высокого уровня эмоционального интеллекта, должны оставаться за людьми. Попытки внедрить ИИ в эти сферы приводят к снижению качества и росту долгосрочных затрат из-за необходимости постоянного вмешательства человека. В рамках технического анализа мы помогаем компаниям среднего размера оценить применимость ИИ-решений для высокочастотных данных и административных задач на основе их внутренних метрик.