Все статьи
Окупаемость инвестиций — AI-Native SAFe®
Дата: 18.07.2026
Окупаемость/возврат инвестиций (Return On Investment, ROI) — это одновременно инструмент принятия решений и механизм контроля эффективности. Организации, которые оценивают прогнозируемый ROI и сопоставляют его с фактическими финансовыми результатами на всех уровнях компании, принимают более обоснованные инвестиционные решения, эффективнее распределяют ресурсы и формируют финансовую дисциплину, необходимую для непрерывного создания ценности. Руководство AI-Native SAFe® (Scaled Agile Framework®) про ИИ-организации, в которых люди и ИИ объединяют свои возможности для прогнозирования, измерения и повышения ROI по различным продуктам.
От результатов к эффектам в ИИ-организации, вебинар AI-Native SAFe Series 30.06.2026 (русская озвучка, 25 минут)
Первый вопрос всегда звучит так: что именно вы понимаете под «отдачей»?
Содержание
Ключевые мысли:
- ROI — это количественный показатель, отражающий более широкую концепцию бизнес-ценности (business value) в SAFe, который переводит ожидаемые бизнес-эффекты в финансовые показатели.
- ROI — это запаздывающий показатель. Опережающие индикаторы — внедрение фич, длительность цикла, уровень удержания клиентов — дают ранние сигналы о динамике ROI.
- Показатели NPV (Net Present Value, чистая приведённая стоимость), IRR (Internal Rate of Return, внутренняя норма доходности) и срок окупаемости (Payback Period) дополняют ROI и нужны для многих инвестиционных решений на уровне портфеля.
- Грамотное управление портфелем создаёт замкнутый контур обратной связи по ROI через продуктовые KPI (Key Performance Indicators, ключевые показатель эффективности, КПЭ) и постоянно повышает качество инвестиций.
Какое место занимает ROI в цикле разработки продукта, ориентированном на бизнес-эффект?
В основе AI-Native SAFe лежит цикл разработки продукта, ориентированный на бизнес-эффект. Он применяется на уровнях портфеля, поездов и команд (см. схему 1). Чтобы инвестиции были экономически оправданы, руководители портфеля и представители бизнеса используют прогноз по ROI для оценки бизнес-эффектов и приоритетов для инициатив. Уже выпущенные продукты и решения приносят фактический ROI, который можно использовать для оценки прошлых вложений и решений о будущих инвестициях.
Почему моделирование ROI становится важнее в эпоху ИИ?
Инвестиции в ИИ (искусственный интеллект) могут быть масштабными и стремительными, а оценить их эффективность непросто. Создание GPU-инфраструктуры (база графических процессоров), лицензирование базовых моделей, проектирование систем обработки данных, разработка ИИ-агентов и построение конвейеров RAG (поиск с генерацией по внешним источникам) — вот примеры типичных ИИ-инвестиций, требующих значительных капитальных и операционных затрат. Обоснования проектов, данные лишь в качественных категориях (например, «это повысит продуктивность» или «это ускорит вывод продукта на рынок»), невозможно подтвердить расчетами. А неподтвержденные заявления — ненадежный инструмент для принятия решений об инвестициях.
Кроме того, ИИ позволяет создавать и внедрять новую функциональность с недостижимой ранее скоростью. Это создает финансовые риски, если экономический эффект от внедрения не был просчитан до начала разработки. Ускорение выпуска фич с низкой окупаемостью не только не улучшает показатели продукта или портфеля, а все быстрее увеличивает объем неэффективных инвестиций.
К этому добавляются расходы на токены — переменные операционные расходы, которые растут вместе с использованием системы. При разработке фич, работающих на инференсе (выполнение операций вывода результата), эти затраты должны быть заложены в экономическую модель, иначе ожидаемый ROI может быть завышен. Наибольшую выгоду от ИИ получат те, кто подходит к инвестициям с дисциплиной ROI, а не те, кто просто тратит больше всех.
Как моделируется ROI?
Формула ROI проста:
Она лежит в основе оценки эффективности продуктов как для внутренних, так и для внешних клиентов. Эту формулу можно применять для оценки самых разных результатов по четырём категориям ценности, определённым циклом разработки, ориентированным на бизнес-эффект:
- Создание новых продуктов для текущих, новых и близких по профилю клиентов и рынков.
- Масштабирование существующих продуктов, в том числе увеличение выручки от действующих клиентов за счет постоянных продуктовых инноваций.
- Повышение операционной эффективности, например, снижение затрат на обслуживание клиентов.
- Повышение качества и снижение рисков, например, за счет выявления мошенничества или повышением контроля за соблюдением политик управления.
Все эти сценарии объединяет общая логика: ресурсы компании ограничены, а отдача от инвестиций должна быть положительной. Эффективные модели ROI, строятся на комплексном анализе соотношения выгод и затрат.
Моделирование выгод
Моделирование ROI начинается со структурированного анализа материальных и нематериальных экономических выгод. И новый продукт, и снижение затрат на обслуживание клиентов приносят выгоды обоих типов.
Материальные выгоды определяются на основе объективных метрик и делятся на две категории:
- сокращение издержек, капитальных вложений, времени, усилий и рисков;
- рост экономической ценности: выручки, производительности, гибкости, расширение возможностей выбора и повышение удобства использования.
Лучший способ описать материальную выгоду — связать глагол с конкретным показателем ценности, значимым для клиента или компании. Примеры: «снизить затраты на комплаенс (обеспечение соответствия нормативным и регуляторным требованиям)», «увеличить выручку на одного клиента» и «исключить ручную обработку данных». Такая связка «глагол — показатель» делает анализ более строгим и создаёт прямой путь от выявления ценности к экономической модели для расчёта ROI.
Нематериальные выгоды столь же реальны, но их нужно перевести на язык экономических показателей. Инициатива, повышающая доверие клиентов, снижающая уровень тревожности или укрепляющая лояльность к бренду, создает подлинную экономическую ценность, даже если она не сразу находит отражение в финансовой отчетности.
Для моделирования экономической ценности нематериальных выгод можно использовать Методику Дугласа Хаббарда, следуя такому алгоритму:
- Перевести нематериальные факторы в диапазоны возможных экономических результатов.
- Присвоить вероятность каждому диапазону.
- Рассчитать ожидаемую величину (математическое ожидание).
Полученное значение встраивается в модель ROI вместе с анализом материальных выгод.
Рассмотрим пример с удовлетворенностью клиентов. Компании часто ставят целью повышение этого показателя. Анализ по Хаббарду начинается с вопроса: к каким измеряемым результатам приводит рост удовлетворенности? Это снижение оттока, рост числа рекомендаций и частоты продления контрактов. Все это поддается количественной оценке.
Предположим, у компании есть данные: повышение NPS (Net Promoter Score, индекса потребительской лояльности) на 1 пункт исторически снижает годовой отток клиентов на 1,6-2,2%. Компания рассматривает инвестиционный проект, который, по прогнозам повысит NPS на 2-3 пункта, сократив отток на 3,2-6,6%. При выручке в 5 млн долларов, которой угрожает отток, ожидаемый экономический эффект составит от 160 000 до 330 000 долларов. Точечная оценка (при среднем снижении оттока 4,9%) — 245 000 долларов. Нематериальный фактор превращается в обоснованную оценку ROI, представленную не одним точным числом, а диапазоном, отражающим неизбежную неопределённость.
Компаниям, построенным на базе ИИ (AI-Native), стоит быть осторожными при моделировании выгод от своих продуктов: традиционные методы могут занижать реальный эффект ИИ. Обычный софт не увеличивает ROI после развертывания, а продукты на ИИ — могут. Например, продукт, автоматизирующий взаимодействие с клиентами, может показывать на третий год существенно более высокий ROI, чем на первый, причем не за счёт новых инвестиций, а потому что в процессе работы он «научился» повышать свою эффективность.
В ИИ-организациях ИИ-агенты ускоряют моделирование выгод: они замечают аспекты материальных и нематериальных преимуществ, которые могут ускользнуть от внимания человека, сигнализируют, что прогнозы не подтвердились и помогают строить более глубокие и точные экономические модели. Но окончательная проверка моделей и ответственность за цифры остаются за людьми.
Моделирование затрат
Вторая часть анализа ROI — моделирование затрат. Они делятся на две категории: затраты на разработку и эксплуатационные расходы.
Затраты на разработку включают все инвестиции, необходимые для проектирования, создания, тестирования и внедрения продукта. Сюда входят полные затраты на оплату труда команды разработчиков, расходы на инфраструктуру, используемую в процессе разработки, инструменты и любые сторонние услуги, привлеченные на этом этапе. Организациям, работающим по модели AI-Native, где ИИ является основой продукта, необходимо учитывать переменные издержки, связанные с потреблением токенов, дополнительным оборудованием для локальных моделей и прочими сопутствующими расходами на разработку.
Поскольку разработка продуктов AI-Native может обходиться необычно дешево, базовую формулу ROI следует применять с осторожностью: она может указывать на целесообразность множества инвестиций с очень высокими показателями окупаемости. Это противоречит интуиции и создает впечатление, будто любые вложения одинаково привлекательны. Чтобы избежать этого, организациям необходимо расширить модель расчета затрат, включив в нее эксплуатационные расходы.
Эксплуатационные расходы отражают текущие затраты на поддержание работоспособности и доступности продукта для пользователей. Для SaaS-решений это включает расходы на облачную инфраструктуру, службу поддержки, системы мониторинга, лицензионные платежи, а также постоянную инженерную работу по поддержанию качества и производительности продукта с течением времени.
Для ИИ-организаций в состав эксплуатационных расходов должны в обязательном порядке входить затраты на токены — например, плата поставщикам ИИ-моделей за каждый запуск (инференс). Организациям, внедряющим базовые модели (foundation models) в продукты для конечных пользователей, следует моделировать расходы на токены уже на самых ранних этапах планирования, так как игнорирование этого фактора может существенно исказить прогноз окупаемости. При этом затраты необязательно будут расти по мере того, как будет накапливаться опыт использования продукта. Модели можно дообучать (fine-tuning) для оптимизации расхода токенов или переводить на более дешевые решения по их обработке, тем самым повышая окупаемость инвестиций со временем. Это означает, что знаменатель в формуле ROI перестает быть просто числом. Теперь это функция, меняющаяся в зависимости от уровня внедрения продукта, что требует от организаций разработки более сложных инвестиционных моделей.
ИИ-агенты могут помогать в моделировании обеих категорий затрат (на разработку и эксплуатацию), анализируя исторические данные проектов, сравнивая их с аналогичными инвестициями и формируя оценки в виде диапазонов, учитывающих неопределенность прогнозов. Специалисты должны сверять эти оценки с фактическими данными о расходах и корректировать их по мере поступления новой информации.
Пример реализации
В этом примере мы возьмем систему OKR (Objectives and Key Results) подразделения автономных грузовиков, входящего в крупную компанию грузоперевозок и применим к ней все, что разобрали выше. Подразделение расширяется и обслуживает 80 активных клиентов.
| OKR Портфеля | Занять доминирующее положение на рынке автономной доставки
|
|---|
Анализ ROI будет сосредоточен на третьем ключевом результате (KR3) при следующих допущениях:
- Средний контракт с клиентом — 200 000 долларов.
- В прошлом году контракты продлили 80% клиентов. Обычные показатели продления для B2B-услуг — 90–95%. Руководство хочет сократить этот разрыв.
- Причины отказов от продления разные: с одними клиентами восстановить отношения будет несложно. Для других нужны серьёзные улучшения качества услуг или смена позиционирования продукта по сравнению с конкурентами.
При уровне продления 80% контракты ежегодно продлевают 64 клиента. При уровне 95% — 76 клиентов. Улучшение показателя дает 12 дополнительных клиентов и 2 400 000 долларов дополнительной годовой выручки (12 × 200 000).
При 80 клиентах каждый 1% улучшения — это 0,8 клиента. Поскольку клиенты неделимы, то минимальная значимая единица улучшения — 1 клиент: изменение на 1,25% приносит 200 000 долларов годовой выручки. Дробные доли клиента не имеют смысла, поэтому не рассматриваются.
Три сценария ниже соответствуют значимым для бизнеса порогам: 85% — нижняя граница нормы для B2B, 90% — средний показатель эффективности, 95% — уровень лучших.
Менеджер по продукту считает, что для достижения этого OKR нужны улучшения всего предложения, включая разработку ИИ-платформы для удержания клиентов. Это будет команда ИИ-агентов, которая анализирует поведение клиентов, выявляет клиентов из группы риска и запускает персонализированные кампании по удержанию. Разработка рассчитана на 12 месяцев с квартальными релизами. Во втором квартале — первые работающие фичи и первые измеримые улучшения процесса продления. В третьем и четвертом кварталах масштабируем охват и ИИ-возможности до выхода на целевые показатели.
| Статья затрат | Стоимость |
|---|---|
| Команда (персонал): менеджер продукта, 3 инженера, инженер по машинному обучению, руководитель по работе с клиентами | $1,200,000 |
| ИИ-агенты: генерация кода, анализ, тестирование | $400,000 |
| Инфраструктура и инструментарий | $300,000 |
| Итого затраты на разработку | $1,900,000 |
Таблица 1. Затраты на разработку (целевой показатель эффективности — 95%, срок — 12 месяцев)
| Статья затрат | Стоимость |
|---|---|
| Персонал: два специалиста по работе с клиентами, контроль систем машинного обучения | $420,000 |
| ИИ-агенты: прогнозирование оттока, взаимодействие с клиентами, мониторинг | $150,000 |
| Итого ежегодные операционные расходы | $570,000 |
Таблица 2. Ежегодные операционные расходы (целевой показатель 95%)
Выручка начинает поступать во втором квартале с внедрением базовых фич по удержанию клиентов. В течение первого года реализуется примерно 45% от совокупного годового эффекта, так как по мере выхода квартальных обновлений функционал расширяется.
| Целевой показатель | Восстановленные клиенты | Годовая выручка | Затраты на разработку | Ежегодные операционные расходы | Прибыль (1-й год) | Чистая прибыль (2 года) | ROI (2 года) |
|---|---|---|---|---|---|---|---|
| 85% | 4 | $800,000 | $500,000 | $150,000 | $360,000 | $360,000 | 45% |
| 90% | 8 | $1,600,000 | $850,000 | $255,000 | $720,000 | $960,000 | 71% |
| 95% | 12 | $2,400,000 | $1,900,000 | $570,00 | $1,080,000 | $440,000 | 14% |
Таблица 3. Анализ сценариев
| Уровень | Дополнительные клиенты | Дополнительная выручка | Дополнительные затраты на разработку | Дополнительные ежегодные операционные расходы | Маржинальная чистая прибыль (2 года) |
|---|---|---|---|---|---|
| 80%→85% | 4 | $800,000 | $500,000 | $150,000 | +$360 |
| 85%→90% | 4 | $800,000 | $350,000 | $105,000 | +$600,000 |
| 90%→95% | 4 | $800,000 | $1,050,000 | $315,000 | -$520,000 |
Таблица 4. Маржинальный анализ
Маржинальная доходность на этапе перехода от 90% к 95% оказывается отрицательной в двухлетней перспективе. Последние четыре аккаунта — те, что требуют наиболее сложных ИИ-возможностей и серьезных усилий по восстановлению отношений с клиентами, — обходятся в $1 680 000 (инвестиции за два года) при выручке в $1 160 000 за тот же период. Они выходят на уровень безубыточности лишь на четвертый год. Этот анализ демонстрирует типичную закономерность при оценке ROI: попытка охватить всех возможных клиентов зачастую оказывается не самым выгодным решением.
Сравнение сценариев Roofshot (амбициозный, но реалистичный максимум) и Moonshot (сверхамбициозная цель)
Сценарий с 90% — наиболее выгодный финансово. Он возвращает 8 клиентов, восстанавливает нормальные показатели эффективности в B2B-сегменте и даёт 71% ROI за два года при инвестициях в 1 360 000 долларов. Сценарий 85% — тоже даёт прибыль, но не дотягивает до минимально допустимого уровня для B2B-сегмента. Если бюджет позволяет достичь 90%, то останавливаться на отметке 85% означает упускать выгоду без веского на то обоснования.
Сценарий 95% — это сверхамбициозная задача. Он требует обоснования, выходящего за рамки краткосрочной финансовой отдачи. Финансировать его стоит только при дополнительных условиях:
- если материнская компания считает удержание на уровне лучших своим конкурентным преимуществом;
- если у подразделения высокая концентрация клиентской базы из-за чего каждый удержанный клиент приобретает непропорционально высокое стратегическое значение;
- или если руководство публично взяло на себя обязательство выполнить KR полностью.
Если ни одно из условий не выполняется, финансируйте 90% в текущем инвестиционном цикле, а к вопросу об оставшихся 5% вернитесь в следующем цикле.
Если вы дочитали до этого места, значит, вам интересен полезный контент о современных методах управления. Чтобы узнавать про новые статьи, видео и бесплатные мероприятия, вступайте в сообщество SAFe® Russia.
Как моделировать ROI с точки зрения клиента?
Для коммерческих организаций моделировать ROI клиента так же важно, как и свой собственный. Если клиент не видит отдачи от продукта, он не станет продлевать подписку, совершать повторные покупки, расширять использование продукта или рекомендовать его другим. Так что моделировать ROI клиента — это одновременно и задача по развитию продукта, и элемент коммерческой стратегии.
Отправная точка — взгляд клиента на ценность: важны не столько функции продукта, сколько то, какой результат он приносит бизнесу, миссии или личным целям клиента. Анализ ROI клиента — это карта ценности каждого сегмента клиентов с денежной оценкой каждого конкретного аспекта.
Пример: продукт для управления автопарком, который позволяет сократить простой техники на 12%. Если средний простой одного грузовика — 15 дней в год, а потеря выручки за день простоя — 1 500 долларов, то компания с парком из 2 000 машин теряет из-за простоев 45 миллионов долларов ежегодно (2 000 автомобилей × 15 дней × 1 500 долларов/день = 45 000 000 долларов). Сокращение простоя на 12% возвращает 1,8 дня эксплуатации на каждую машину в год (15 дней × 12% = 1,8 дня). Это возвращает клиенту 5,4 миллиона долларов выручки в год (2 000 автомобилей × 1,8 дня × 1 500 долларов/день = 5 400 000 долларов) или около 1,35 миллиона в квартал (5 400 000 долларов / 4 = 1 350 000 долларов).
Для B2C-продуктов (ориентированных на массового потребителя) нужда в модели ROI зависит от цены. Например, геймеру не нужна модель ROI, чтобы купить недорогую игру. А владельцу дома, который планирует установку солнечных панелей с современной и системой управления энергией, может понадобиться анализ окупаемости с детальным расчетом экономии на расходах за электроэнергию, чтобы оправдать свои вложения.
ИИ-организации дают больше возможностей для построения моделей ROI клиентов. ИИ помогает менеджерам продуктов глубже понять выгоды и затраты клиентов. ИИ-агенты могут анализировать телеметрию пользования, обращения в поддержку и динамику продления подписок, чтобы найти, какие фичи дают клиентам максимум отдачи, а какие не отвечают ожиданиям. Если гипотеза о ценности не подтверждается на практике, ИИ заранее сигнализирует об этом, давая командам по разработке и коммерсантам время на принятие мер до того, как это скажется на показателях удержания клиентов. Но интерпретировать такие сигналы и принимать решения должны люди.
Почему ROI — запаздывающий показатель, и к чему это приводит?
Фактический ROI говорит о том, что уже произошло, а не о том, что происходит сейчас. К моменту расчёта ROI инвестиционные решения, давшие такой результат, уже приняты. Задача — найти опережающие показатели, тесно коррелирующие с будущим ROI, и по ним вносить корректировки как можно раньше.
Лучшая практика — использовать временной горизонт OKR, чтобы понять, как ключевые результаты влияют на соотношение опережающих и запаздывающих показателей. Чем короче цикл OKR, тем больше ключевые результаты тяготеют к опережающим. Чем длиннее, тем чаще они могут выступать одновременно и как опережающие, и как запаздывающие индикаторы.
Пример: OKR с горизонтом планирования в один год. Данные об использовании фич в первом квартале могут служить опережающими индикаторами будущей эффективности. Во втором квартале их влияние может проявиться в запаздывающих показателях, например, в ROI. Независимо от горизонта OKR, если ключевые результаты движутся в нужном направлении, ROI как правило, следует за ними. Если нет — руководителям нужно как можно быстрее корректировать курс.
Есть три опережающих показателя, которые хорошо предсказывают итоговый ROI в самых разных организациях:
- Уровень распространения фичи (Feature Adpotion Rate) — один из самых надёжных предикторов ROI. Когда клиенты используют фичу постоянно — это приносит ощутимую пользу. Низкий уровень использования — ранний сигнал, что ожидаемый эффект не достигается и модель окупаемости может не сработать. Компании, которые отслеживают внедрение фич продукта в реальном времени, могут заметить проблему за месяцы до того, как низкий показатель ROI станет очевидным фактом.
- Время цикла (Cycle Time) — это время от принятия решения по реализации функционала до его передачи клиенту. Она напрямую связана со скоростью получения ценности (time-to-value). Каждый день задержки — это день, когда инвестиционные затраты уже свершились, а отдачи ещё нет. Сокращение длительности цикла ускоряет окупаемость и улучшает общие финансовые показатели портфеля. SAFe-команды, которые последовательно и системно сокращают длительность цикла, повышают свой ROI.
- Пролонгации клиентов (Customer Retention Rate) — главный опережающий индикатор, наиболее тесно связанный с ROI, для коммерческих компаний. Пролонгации отражают реальную ценность, которую клиенты получают от решения. Это также индикатор, что анализ выгод был верен: если продукт удерживает клиентов, он даёт обещанную пользу. Если клиенты уходят, то на языке финансов это означает, что модель ценности была неверной.
ИИ-организации отслеживают эти и другие опережающие метрики непрерывно. ИИ-агенты выявляют закономерности, находят аномалии и сигнализируют об отклонениях показателей от ожидаемой траектории. Руководители на основе этих сигналов корректируют инвестиционную стратегию, перераспределяют ресурсы или ускоряют корректирующие действия. ИИ даёт сигнал. Человек на основе этого сигнала принимает решение.
Как ROI формирует замкнутый контур обратной связи с показателями портфеля?
ROI — не просто показатель прошлых результатов. В хорошей системе управления портфелем он создаёт контур обратной связи, который постоянно повышает качество будущих инвестиционных решений.
Продукты со стабильно высоким ROI предоставляют веские факты для инвестиционных решений на следующих этапах развития портфеля. Продукты с низким ROI заставляют пересмотреть исходные предположения: не была ли переоценена польза для клиента? Не оказался ли уровень распространения фич ниже прогноза? Отслеживались ли опережающие показатели и принимались ли на их основе меры?
Встречи Sense and Respond (мониторинг и адаптация) позволяют выявлять эти вопросы системно, не дожидаясь ретроспективного «посмертного» анализа уже после того, как ущерб нанесен. Встречи по синхронизации портфеля (Portfolio Sync) и стратегическому обзору портфеля (Strategic Portfolio Review) дают руководителям возможность принимать решения с учетом этих результатов.
ИИ-организации ускоряют этот цикл обратной связи несколькими способами. ИИ-агенты обрабатывают данные о запущенных продуктах и внедренных фичах, о поведении клиентов и операционных KPI, постоянно обновляя модели ROI для каждого продукта. Они находят, какие переменные в исходной модели давали самый точный прогноз, а какие оказались менее точными, и позволяют компании строить более точные модели в каждом следующем цикле планирования. Они выявляют корреляции между KPI портфеля и показателями ROI по разным потокам ценности, давая (в рамках подхода Lean Portfolio Management) руководству целостную картину эффективности инвестиций, которую было бы практически невозможно собрать вручную.
