Большая часть расходов на ИИ в предприятиях все еще не покинула лабораторию.

      Новое исследование ставит жесткие цифры на то, что многие IT-руководители уже подозревали. Большинство пилотных проектов по ИИ никогда не доходят до производства, и затраты на них не исчезают, они просто находятся в состоянии неопределенности. Джон Биц, главный директор по связям и соучредитель KloudStax, говорит, что это состояние неопределенности не является провалом, каким оно кажется снаружи.

      Цифры продолжают оставаться в одном и том же диапазоне, независимо от того, кто считает. Последние исследования Forrester о агентном ИИ показали, что три четверти руководителей предприятий говорят, что они его внедряют, но только небольшое меньшинство имеет его в работе за пределами ограниченных пилотов. Gartner прогнозирует, что к 2026 году организации откажутся от 60 процентов проектов ИИ, которые не поддерживаются данными и инфраструктурой, готовыми к ИИ. А собственное исследование Deloitte среди предприятий показало, что более трети компаний все еще используют ИИ на поверхностном уровне, с небольшими реальными изменениями в том, как они работают каждый день.

      Собрав все это вместе, начинает формироваться определенный шаблон. Предприятия одобряют бюджеты на ИИ быстрее, чем конвертируют эти затраты во что-то, что можно было бы назвать повторяемой, работающей системой, и разрыв между ними стал одним из более неудобных открытых вопросов в облачных технологиях для предприятий в настоящее время.

      Затраты не пропадают зря, они просто приостановлены.

      Джон Биц, который проводит большую часть своего времени в этих бюджетных обсуждениях как партнер Google Cloud, не считает, что ситуация так мрачна, как звучат цифры об отказах.

      «Значительная часть затрат на облачные технологии ИИ все еще происходит на этапе пред-продукции, и это не плохо», — сказал Биц. «Тестирование, эксперименты и валидация — все это критически важные части правильного внедрения ИИ. Вам нужна эта фаза, чтобы понять, что работает, а что нет».

      Где он действительно видит проблему, так это в том, как долго эта фаза обычно затягивается, не дожидаясь, пока кто-то вмешается, чтобы продвинуть ее вперед. «В некоторых случаях большая часть финансируемого еще не попала в стабильный, повторяемый производственный процесс», — сказал он.

      Его мнение о решении не заключается в сокращении бюджета на эксперименты, что является инстинктом, к которому многие финансовые команды обращаются, когда цифры пилотов становятся неудобными. Речь идет о том, чтобы более целенаправленно конвертировать то, что фаза экспериментов на самом деле учит организацию, во что-то, что можно запустить. «Наша цель не обязательно сократить эксперименты, а конвертировать их», — сказал Биц. «Чтобы взять то, что изучается, и превратить это в производственные системы, так что затраты переходят от тестирования к рабочим нагрузкам, которые действительно приносят ценность внутри бизнеса».

      Куда на самом деле идут деньги

      Спросите Бица, где облачные затраты уже приносят пользу, и он укажет на что-то менее эффектное, чем большинство заголовков о ИИ за последний год. Не новые модели, не большие контекстные окна, а просто непривлекательные вещи, которые уже работали в компании до появления генеративного ИИ.

      «Настоящая ценность проявляется в автоматизации основных рабочих процессов, превращая ручные, трудоемкие процессы в системы, готовые к производству», — сказал он, указывая на операции поддержки, производственные результаты и ИИ, встроенный непосредственно в рабочие процессы, генерирующие доход.

      Неправильное распределение, по его опыту, обычно следует знакомому сценарию. Команды гонятся за лучшей моделью или запускают больше GPU, потому что эта часть проста, в то время как более сложная работа по структурированию данных и определению рабочих процессов пропускается. «Если данные не структурированы, а рабочие процессы не четко определены, становится очень сложно перевести что-либо в производство», — сказал Биц.

      Счета гипермасштаберов подвергаются большему контролю, а не меньшему доверию

      В последнее время также ведется более громкая дискуссия о том, начинают ли предприятия оспаривать сами цены гипермасштаберов, особенно когда рабочие нагрузки ИИ делают ежемесячные счета менее предсказуемыми. Данные Flexera о состоянии облака в 2026 году подтверждают это с финансовой стороны, с непредсказуемостью затрат, связанной с динамическими рабочими нагрузками ИИ, которая оказывается одной из главных преград, о которых сообщают предприятия, и почти половина крупных организаций теперь имеет отдельную функцию управления ИИ, чтобы держать это под контролем. Биц говорит, что это не совсем складывается в противодействие самим платформам в том, что он слышит на практике.

      «Мы начинаем видеть больше контроля, но не так много противодействия самим гипермасштаберам или ценности решений и платформ», — сказал он. «Дело больше в том, как структурированы и управляются затраты». Вопросы, которые компании на самом деле задают, как правило, более узкие, чем референдум по ценам на облако: что на самом деле вызывает счет, что связано с производством, а что — с пилотами и доказательствами концепции, и где есть возможность оптимизировать.

      Этот контроль подталкивает компании к более определенным архитектурным решениям, безсерверным и управляемым услугам и рабочим нагрузкам, размер которых соответствует тому, что им действительно нужно, вместе с более строгим управлением тем, кто может запускать что. Партнеры также берут на себя большую часть этой работы по оптимизации. «Дело не в том, чтобы оспаривать цену, а в том, чтобы спрашивать, как правильно использовать эти платформы», — сказал Биц. «Когда архитектура, данные и модели использования правильные, экономика, как правило, следует за этим».

      Неэффективность имеет бумажный след, и она редко начинается с вычислений

      Соблазнительно рассматривать растущие счета за облачные технологии ИИ как проблему вычислений, поскольку это строка, которую все могут видеть. Биц говорит, что это почти никогда не является реальной историей.

      «Вычисления — это легкая вещь, на которую можно указать, но в большинстве случаев неэффективные затраты на самом деле являются отражением пробелов в данных, архитектуре, управлении и неопределенных рабочих процессах», — сказал он. Бросание большей модели или большего количества GPU на систему, которая изначально не была спроектирована для поддержки ИИ, не решает основную проблему, это просто делает ту же несоответствие более дорогим в эксплуатации. Как сказал Биц, ИИ не создает новые проблемы внутри организации, скорее, он усиливает те, которые уже существуют.

      Разрыв между большими и маленькими бюджетами на самом деле не связан с бюджетом

      Сейчас в разговоре многих компаний среднего рынка возникает отдельная тревога, что цены на облачные технологии и сложность инфраструктуры тихо расширяют разрыв между компаниями, которые могут позволить себе экспериментировать с ИИ, и компаниями, которые не могут. Биц считает, что разрыв реальный, но люди указывают на неправильную причину.

      «Сложность играет большую роль, чем просто разрыв в бюджете между малым и средним бизнесом и крупными предприятиями, хотя барьер для входа реальный», — сказал он. Более крупные организации имеют возможность поглотить несколько дорогих неудач на этом пути. Меньшие не имеют такой же маржи на ошибку, поэтому им в конечном итоге нужно быть более точными с самого начала, а не менее амбициозными. «Компании, которые мы видим, выигрывают с ИИ, не обязательно те, кто тратит больше всего, это те, кто внедряет самые чистые системы вокруг четко определенных случаев использования», — сказал Биц.

      Что произойдет в течение следующего года-полтора

      Биц не ожидает, что затраты на ИИ замедлятся, но он считает, что разговор внутри предприятий уже смещается в сторону ответственности, а не чистого масштаба. Он следит за тем, как организации переводят работу по доказательству концепции на реальные производственные KPI, уделяют больше внимания единичной экономике, такой как стоимость на выход или на рабочий процесс, инженерные команды оцениваются по результатам, которые они производят на основе ИИ, а не по тому, сколько инструментов они приняли, и больше видимости на уровне C в том, что на самом деле покупает затраты на ИИ.

      «Внедрение ИИ все еще на ранней стадии для многих организаций, и по мере того как команды становятся более уверенными,