Экономика изменения операционной модели под ИИ: кто платит (TCO), скрытый труд и методы измерения эффекта

Содержание и границы

evidence_of_effect: independent_measure (частично): CFO Survey и SBU/BTOS/RPS — независимые опросные измерения с раскрытой методикой (не самоотчёт вендора о своём продукте); при этом сам измеряемый 'эффект ИИ на фирму' внутри этих опросов — самоотчёт респондента-руководителя, а не контролируемое сравнение с контрольной группой. Отчёт о скрытом труде (W04) — survey_measure условий труда, не измерение эффекта ИИ.

implemented_vs_declared: {"value": "mixed", "basis_ru": "Измерительные опросы (BTOS/RPS/SBU/CFO Survey) документируют уже свершившиеся траты и адопцию (implemented, по самоотчёту) вперемешку с прогнозами на будущее (declared/ожидания) в одних и тех же волнах — сами исследователи явно разделяют 'past 3 years' и 'next 3 years' (W02); FinOps for AI и отчёт о скрытом труде — не про конкретное внедрение, а про рамку учёта и условия труда соответственно."}

Продолжение: Следующая волна: искать TCO конкретных названных компаний (capex/opex disclosure с разбивкой) и стоимость эксплуатационного человеческого контроля агентных систем (не только стоимость обучения моделей); повторно проверить census.gov на доступность.

q1_end_result_owner

Статус: HYPOTHESIS.

Не применимо в узком смысле (нет единого сквозного процесса с одним владельцем): каждый измерительный инструмент управляется собственным институтом — Census Bureau (BTOS), ФРБ Атланты (SBU), Duke University совместно с ФРБ Ричмонда/Атланты (The CFO Survey), FinOps Foundation (framework расходов).

q2_before_after_handoffs

Статус: UNKNOWN.

unknown — прочитанные материалы не описывают передачу процесса между ролями до/после внедрения ИИ; это опросные измерения агрегированного эффекта, а не кейсы конкретных workflow.

q3_decision_rights_accountability_exceptions

Статус: HYPOTHESIS.

Источник (The CFO Survey) не утверждает прямо, что CFO обладает правом принятия решения о величине ИИ-бюджета — CFO здесь респондент опроса о фактических/ожидаемых тратах своей фирмы; вывод о том, что решение принимает именно CFO, — интерпретация автора карточки (HYPOTHESIS), а не формулировка источника. По иерархии мотивов инвестирования источник прямо показывает: снижение затрат на труд (2,0 из 4) и прочих затрат (1,8) — наименее приоритетны по сравнению с повышением эффективности производства (2,9) и производительности труда (2,7) — это SOURCE_CLAIM.

q4_roles_structure_skills_incentives

Статус: SOURCE_CLAIM.

FinOps for AI фиксирует расширение круга стейкхолдеров расходов на ИИ за пределы ИТ — 'non-traditional groups—such as product, marketing, sales, and leadership—directly contributing to AI-driven expenses'. На другом полюсе цепочки — скрытый слой ролей, обслуживающих ИИ-модели: search quality rater, AI trainer, LLM evaluator, content moderator, модерирующие/размечающие данные через сеть подрядчиков (Telus, GlobalLogic, Scale AI, WeLocalize и др.) — по отчёту AWU-CWA/TechEquity.

q5_budget_data_support_integration_human_labor_tco

Статус: SOURCE_CLAIM.

Бюджет фирмы на ИИ (The CFO Survey, ожидания на 2026 год, медианы по невзвешенной выборке ~750 CFO, не перевзвешены к экономике США): крупная фирма (от 500 сотрудников) — $300 000, малая — $12 500; структура расходов у крупных фирм — 55% операционные (подписки/сервисы/обучение), 31% внутренняя разработка, 13% железо/GPU (подвыборка 183 ответа, 'Other' не показан); у малых — 64%/24%/7%. Отдельно и по другой базе — оплата скрытого человеческого труда на этапе обучения/разметки/модерации моделей у вендоров big tech в США (Ghost Workers, n=160): медианная оплата $15/час, медианная неделя 29 оплачиваемых часов ($22 620/год), 66% работников еженедельно не менее 3 часов ждут задачи без оплаты. Это не два слагаемых одного TCO одной организации: первое — бюджет фирмы-внедренца на использование ИИ, второе — труд у вендоров-разработчиков моделей; смешивать их в одну сумму TCO нельзя без явного указания base_object. FinOps for AI задаёт рамку учёта затрат (cost-per-token, GPU-аллокация, TCO vs ROI, формула Cost Per Inference), но конкретных агрегированных цифр TCO на прочитанной странице не приводит.

q6_metrics_quality_time_cost_employee_effects

Статус: SOURCE_CLAIM.

18% фирм (BTOS, доля фирм), 41% работников (RPS, доля работников, использующих GenAI) и 78% рабочей силы на фирмах-адоптерах (SBU, employment-weighted) — три разные по базе величины на близкие даты конца 2025, не диапазон одной метрики; 'парадокс производительности' — воспринимаемый прирост выше измеренного (The CFO Survey); разрыв прогноз/результат по своей фирме (Firm Data on AI): 9 из 10 управленцев не видят реализованного эффекта (реализованный самоотчётный прирост производительности — лишь ≈0,29% за 3 года), но прогнозируют +1,4% к производительности на 3 года вперёд.

q7_control_escalation_stop_rollback

Статус: UNKNOWN.

unknown — ни один из прочитанных материалов не описывает механизм остановки/отката ИИ-инициативы или эскалации при перерасходе бюджета; FinOps for AI упоминает 'fail fast' как стратегию стадии Crawl, но не детализирует процедуру остановки.

q8_standardization_repeat_cycle

Статус: SOURCE_CLAIM.

Периодичность самих измерительных инструментов см. chain.repeat_cycle (биеженедельно/квартально/разово). FinOps for AI вводит явную поэтапную модель зрелости расходов 'Crawl, Walk, Run', но источник описывает её как последовательность стадий одного внедрения, а не повторяющийся цикл улучшения — не переклассифицировано в PDCA/PDSA.