Запускать ИИ инициативы просто. Доказывать их ценность — сложнее. Компаниям критически необходим единый независимый и воспроизводимый способ считать деньги от ИИ: от прямых эффектов на P&L до стратегических метрик, чтобы правильно приоритизировать портфель инициатив и честно отчитываться перед инвесторами. Именно поэтому мы, в Альянсе в сфере искусственного интеллекта, считаем важным поделиться с рынком лучшими практиками по внедрению этого процесса в финансовых организациях.

Успех любой AI стратегии измеряется способностью честно оценить эффект от внедрения. В реальности именно здесь компании допускают основные ошибки: портфель инициатив растет, ресурсы ограничены, а оценки эффекта противоречивы. Чтобы не подменять реальный анализ надеждами, необходима понятная основа процесса оценки: зачем мы считаем, какие именно эффекты учитываем, как выстраиваем процесс оценки и какими методами доказываем причинную связь.

Необходимость оценки финансового эффекта от внедрения AI связана с двумя группами задач: внутренними и внешними. Для внутренних задач оценка эффекта необходима в рамках процесса портфельного управления AI-инициативами. У любой финансовой организации есть практически бесконечное число способов внедрения AI, поэтому приоритизация ограниченных ресурсов может отделять успех от провала. Именно для этих целей и используется оценка эффекта, которая помогает организации определить адекватные цели и выбрать оптимальные инициативы для достижения этих целей с учетом необходимых инвестиций и ожидаемых эффектов. Для внешних задач этот процесс необходим, чтобы оценить окупаемость инвестиций в AI и отчитаться перед инвесторами.

Сейчас внедрение AI зачастую требует больших ресурсов, поэтому обоснование целесообразности подобных вложений может быть сложным без корректной оценки финансовых эффектов.

Говоря о категориях эффектов от внедрения AI, мы выделяем три основные, где каждая требует своего подхода.

Первая — прямые эффекты на P&L. Сюда входят рост выручки, снижение OPEX, высвобождение капитала. Типичные кейсы — улучшение скоринга, рекомендательные системы, автоматизация поддержки. Их считают напрямую: сравнивают денежные потоки «с ИИ» и «без ИИ», корректируют их с учетом риска и стоимости капитала.

Вторая — косвенные эффекты на P&L. Речь идет о «виртуальной экономии»: ассистенты ускоряют работу менеджеров, разработчиков, юристов, но если фактической оптимизации численности нет, в отчет расходы не падают. Корректная логика — «ненаем»: фиксируем драйверную модель нагрузки, измеряем прирост производительности и пересчитываем план набора так, словно частично закрыли потребность текущей командой. Только при наличии валидной модели «ненаем» превращается в защитимый эффект.

Третья — стратегические эффекты, не конвертирующиеся напрямую в P&L. Клиентская удовлетворенность и репутация (NPS/CSI, доля персонализированных коммуникаций, стоимость бренда, медиаохват), операционная эффективность (выручка на сотрудника, доля автоматизированных критичных процессов, охват ролей AI помощниками), безопасность (loss prevention, доля детекций фрода) — эти характеристики считают отдельно и встраивают в систему целей, но не смешивают с P&L метриками.

Процесс оценки должен устранять конфликт интересов и отражать зрелость организации.

На старте достаточно общей методологии и ответственности бизнес владельца за применение правил. На среднем уровне целесообразно развести роли: бизнес планирует и реализует, а независимая функция обеспечивает финансовую валидацию. На высоком уровне добавляются целеполагание и портфельное планирование (AI стратегия), а также техническая валидация качества и надежности моделей.

В части методов оценки можно также выделить несколько подходов. Напомню, мы преимущественно говорим об инициативах с прямыми эффектами на P&L. Максимально надежен контролируемый эксперимент: A/B тест с тестовой и контрольной группами, едиными правилами отбора, достаточной мощностью и грамотной атрибуцией. Такой тест возможен разово на «пилоте» или как постоянный holdout контроль. Далее идут квазиэксперименты — мэтчинг, синтетический контроль и родственные подходы. Они вводят предпосылки о сходстве объектов: быстрее и дешевле, но ниже доверие. Самый простой уровень — альтернативное моделирование: сравнение факта с кейсом «без ИИ», что годится для быстрых оценок, но требует осторожности при выводах о причинности.

Важно понимать, что в этом процессе существует много деталей, которые необходимо учитывать для получения наиболее надежных результатов финансовой оценки. Эта работа критична для запуска и управления программой AI-трансформации в любой организации. Чтобы помочь всем участникам рынка с внедрением и улучшением этого процесса, мы, в Альянсе в сфере искусственного интеллекта, совместно с Банком России и Ассоциацией ФинТех запустили проект разработки первой национальной методики оценки финансовых эффектов от использования ИИ. Результаты планируем представить уже в этом году.