«Сколько мы сэкономим с ChatGPT?» — вопрос, на который нельзя ответить одной цифрой подписки. Экономический эффект от ИИ складывается из изменения времени сотрудников, качества решений, конверсии воронки и стоимости ошибок. Без модели до пилота CFO видит только OPEX на API и разработку; с моделью — payback period и приоритет очереди инициатив. Ниже — практичная формула, допущения и три числовых примера, согласованных с архитектурой AI-агентов и RAG, а не с «игрушечным чатом на сайте».

Для подготовки сметы разделите пилот и рабочую эксплуатацию: в BrainwaveAI есть разбор бюджета внедрения ИИ и состава проектной оценки. Он помогает учесть данные, интеграции и сопровождение отдельно от стоимости вызовов модели.

Базовая формула годового эффекта

Для операционных сценариев (поддержка, продажи, back-office) удобно начать с:

Benefit = Σ (Δ часов сотрудника × loaded rate × доля успешной автomation) + Σ (Δ ошибок × стоимость ошибки) + Δ выручки от конверсии − риски (штрафы, churn от плохого бота).

Cost = разработка и интеграция (amortize на 3 года) + inference (tokens × цена) + поддержка индексов RAG + мониторинг + дообучение промптов (FTE доля).

ROI = (Benefit − Cost) / Cost × 100% за период (обычно 12 месяцев после стабилизации, не первый месяц пилота).

Loaded rate — зарплата + налоги + накладные (часто 1.3–1.8× gross). Доля автomation — не 100%: измеряется на golden set: сколько кейсов закрыто без правок человека.

Метрики, которые нужно собрать до старта

  • Среднее время обработки тикета / лида / запроса остатков (p50, p90).
  • Доля эскалаций L2 и стоимость одной эскалации.
  • Частота ошибок в ручном вводе в CRM (пересчёт по выборке аудита).
  • Конверсия этапов воронки, где планируется copilot.
  • Текущие затраты на поиск информации (минуты × число сотрудников × ставка).

Без baseline пилот не защитить: «стало быстрее» не пройдёт финконтроль. Методика сбора — в материалах исследовательского раздела; примеры внедрений с цифрами — в кейсах.

Пример 1: L1 поддержка + RAG

1000 обращений в месяц, 12 минут оператора, loaded rate 1200 ₽/час. RAG + bot закрывает 35% без эскалации, среднее время на остальные −3 минуты за счёт подсказок.

Экономия времени ≈ 1000 × (0.35×12 + 0.65×3) = 1000 × 6.15 мин ≈ 102.5 ч/мес → ~1230 ч/год.

Benefit_time ≈ 1230 × 1200 ₽ = 1.48 млн ₽/год. Cost: API + хостинг RAG ~180k ₽/год, поддержка 0.2 FTE ~400k ₽ → ~580k ₽. ROI ≈ 155% (упрощённо, без учёта снижения churn).

Если bot галлюцинирует без citations, Benefit съедается компенсациями — заложите quality gate из статьи про типичные ошибки RAG.

Пример 2: CRM copilot (Bitrix24)

20 менеджеров, 5 лидов в день, 15 минут на подготовку к контакту (сбор истории, КП). Copilot с read tools сокращает подготовку на 6 минут на лид.

Δ время = 20 × 5 × 6 × 250 раб.дней / 60 ≈ 2500 ч/год. При ставке 1500 ₽/ч loaded → 3.75 млн ₽ benefit. Cost middleware + LLM ~600k ₽/год. Дополнительно: +2% win rate на 200 млн ₽ pipeline → +4 млн ₽ (осторожно закладывать 0.5–1% до A/B).

Интеграционные риски и whitelist — см. LLM и Bitrix24. ROI чувствителен к adoption: если менеджеры игнорируют виджет, benefit → 0; закладывайте change management.

Пример 3: складские запросы через 1С

Кладовщики и менеджеры: 400 запросов остатков в день, 4 минуты на ручной отчёт/звонок. Bot с getStock (см. LLM и 1С) закрывает 70% за 30 секунд.

Экономия ≈ 400 × 0.7 × (4 − 0.5) мин × 250 д / 60 ≈ 4083 ч/год. При 800 ₽/ч → ~3.27 млн ₽. Cost ~350k ₽/год. Payback < 3 месяцев при разовой разработке HTTP-сервисов 400k ₽.

Ошибка остатка дороже минут: если bot не read-only и «списал» товар — используйте только read tools в ROI-модели до появления approve-flow.

Что не включать в ROI «в лоб»

Маркетинговые обещания вендора «+30% productivity everywhere»; стоимость экспериментов без prod traffic; сравнение с гипotетической «идеальной автоматизацией без ИИ» (RPA могла бы закрыть часть кейсов дешевле). Сравнивайте варианты: статический FAQ vs RAG vs full agent.

Юридические штрафы за утечку через LLM — tail risk; закладывайте CAP через on-prem / фильтры ПДн, а не нулевой риск.

Цикл пересчёта

Квартально обновляйте: фактическую долю auto-close, cost per 1k tokens, loaded rate, объём обращений. ROI — living document для product owner, не слайд для первого пitch deck.

Стратегия портфеля: сначала проекты с коротким payback (остатки, FAQ), затем агентные сценарии с записью в CRM. Авторская методика и аудит расчётов — Александр Тимофеев.

Итог: считайте ROI от конкретного workflow с измеримым baseline, явными Cost и консervative Benefit. Свяжите цифры с архитектурой (RAG, tools, CRM/1С) — тогда финдиректор и CTO смотрят на один dashboard, а не на два несовместимых narrative.

Анализ чувствительности

Стройте три сценария: pessimistic (adoption 50% от плана, cost +30%), base, optimistic (adoption 120%, +1% win rate). CFO чаще одобряет проект, если pessimistic ROI > 0 или payback < 18 мес. Отдельно покажите breakeven hours saved per month: при 400 часах проект сходит с нулём при ваших Cost.

Сопоставьте ROI с roadmap: RAG FAQ (быстрый cash), CRM copilot (средний), cross-system agent (длинный). Не суммируйте benefit двух инициатив, использующих одних и тех же людей, без коэффициента overlap. После запуска публикуйте факт vs plan в кейсах — это усиливает доверие к следующим волнам и исследованиям на ваших данных.

Фиксируйте opportunity cost: команда, которая 3 месяца делает chatbot вместо автоматизации проводок, не видна в Cost LLM, но видна в portfolio delay. Добавьте строку «альтернативная автоматизация без LLM» — иногда хватит правила в CRM или простого RPA.

Включите в отчёт для совета директоров одностраничный summary: baseline, benefit drivers, top risks — без технического жаргона про embeddings.

Если считаете эффект для пилота в Новокузнецке или Кемерово, свяжите цифры с локальным планом внедрения: внедрение ИИ в Новокузнецке и Кемерово, география — Новокузнецк / Кемерово, консультация — AI2Business.