Эффект от ИИ на 550 млрд рублей: как эту цифру считают и почему её нельзя проверить по отчётности

Меня зовут Карим, я занимаюсь автоматизацией и внедрением ИИ в NODA. Клиенты регулярно приносят мне один и тот же аргумент: Сбер отчитался об эффекте от ИИ в сотни миллиардов, значит, работает, давайте и нам. Я решил разобраться, откуда берётся эта цифра и что она означает.

Короткий ответ: «эффект от ИИ» — это не строка отчётности, а управленческая оценка контрфактического сценария. Компания считает, сколько заработала бы, если бы ИИ не внедряла, и разницу публикует как эффект. Проверить её снаружи нельзя ни по МСФО, ни по РСБУ. Можно только смотреть на косвенные признаки, и ниже я показываю, на какие именно и что они показывают сейчас.

Цифры Сбера озвучены публично, на конференции AI Journey в ноябре 2025 года.

В 2024 году банк вложил в искусственный интеллект чуть больше 100 млрд рублей, в 2025-м — 150 млрд, на 2026-й запланировано 350 млрд. За три года около 600 млрд.

Отдача заявлена так: эффект за 2025 год банк оценил в 450 млрд рублей, из них примерно 50 млрд пришлось на генеративные модели. План на 2026-й — 550 млрд, и генеративная часть в нём вырастает до сотни. Оценку за 2024 год я не привожу: публичные источники расходятся между собой, проверить не удалось.

Для масштаба: 350 млрд плановых инвестиций 2026 года — это примерно пятая часть чистой прибыли группы за 2025 год.

У Яндекса структура другая. Компания не публикует общую цифру «эффекта», зато называет капитальные затраты: 10–12% выручки в 2026 году. И отдельно раскрывает точечные результаты, к которым я вернусь ниже.

Сбер описывает состав этой суммы достаточно прозрачно. В неё входит рост доходов от индивидуальных предложений клиентам, более точное ценообразование, снижение кредитных потерь за счёт качества скоринговых моделей и экономия на собственных операциях.

Три из четырёх источников — это не экономия, а дополнительный доход или недополученный убыток. То есть величина, которой в природе не существует: её нельзя увидеть на счёте, потому что она описывает разницу между реальностью и гипотезой.

Отсюда и невозможность найти её в отчётности. Аудируемая отчётность фиксирует свершившиеся операции. Контрфактический сценарий там не появится никогда, и не потому, что кто-то что-то скрывает, а потому, что это разные жанры документа.

Это не делает цифру бессмысленной. Внутри компании такие расчёты нужны: без них невозможно принимать решения об инвестициях. Но у внутренней управленческой оценки и у аудированной отчётности разный статус доверия, и переносить первую в свою модель как вторую — ошибка.

Раз прямой проверки нет, остаются косвенные. Самая очевидная — операционная эффективность. Если ИИ действительно экономит на операциях, а больше 65% клиентских обращений уже обрабатывается с его участием (по телефону 66%, в чатах 71% — данные банка на июнь 2026), это обязано быть видно в расходах.

Смотрим отчётность за первое полугодие 2026 года.

Операционные доходы группы выросли на 14,6% и составили 2 294 млрд рублей. Операционные расходы — 639,6 млрд, рост на 15,2%.

Расходы прибавили быстрее доходов. Отношение расходов к доходам, главный показатель операционной эффективности банка, за год сдвинулось с 27,7% до 27,9%. Ухудшилось, пусть и на две десятых пункта.

Чистая прибыль при этом выросла на 18,6%, до 1 019,1 млрд рублей. Прибыль растёт, эффективность операций — нет, и это два разных сюжета.

Теперь про масштаб. Заявленный эффект в 550 млрд рублей за год сопоставим с четвертью операционных доходов группы за полугодие. Величина такого порядка, будь она чистой экономией, была бы заметна невооружённым глазом. Она не заметна.

Здесь я обязан остановиться, потому что напрашивающийся вывод неверен.

Во-первых, инвестиции в ИИ сами сидят в операционных расходах. Те самые 350 млрд плановых вложений 2026 года частично проходят по той же строке, в которой должна была появиться экономия. Затраты и отдача гасят друг друга внутри одного показателя, и без раскрытия разбивки разделить их снаружи невозможно.

Во-вторых, большая часть заявленного эффекта — это вообще не про расходы. Рост доходов от индивидуализации сидит в комиссионных и процентных доходах, снижение кредитных потерь — в резервах. Чистая процентная маржа за полугодие, к слову, выросла с 6,1% до 6,5%.

В-третьих, на расходы одновременно давит десяток вещей помимо ИИ: индексация зарплат, развитие экосистемы, стоимость привлечения.

Честный вывод из отчётности звучит скучно: она не подтверждает и не опровергает заявленный эффект. Она просто не о том. И это ровно та ситуация, в которой стоит перестать искать подтверждение и начать смотреть на структуру самого утверждения.

На той же ноябрьской конференции Греф ответил на вопрос об окупаемости прямо: инвестиции в генеративный ИИ пока не окупаются.

Сопоставим это с составом расходов. Основной прирост вложений идёт именно в генеративные модели — в GigaChat, в ассистентов, в агентские системы. А отдача считается от всего искусственного интеллекта разом, включая скоринговые и антифрод-модели, которые работают в банке полтора десятка лет и к нынешней волне отношения не имеют.

Получается конструкция, в которой дорогая новая часть и дешёвая проверенная часть сложены в один результат. Отдельной цифры окупаемости генеративного ИИ нет ни у Сбера, ни у кого-либо ещё из публичных российских компаний. Именно её я и хотел бы увидеть, и именно её не публикуют.

Яндекс в отчёте за второй квартал 2026 года пошёл другим путём и назвал точечные результаты.

Облегчённые языковые модели в поиске дали экономический эффект около 4,5 млрд рублей за год. ИИ-агент в поддержке Такси должен сэкономить больше 600 млн рублей в 2026 году. Рекомендательная технология на базе ИИ обеспечила почти половину прироста рекламной выручки. Потребление токенов клиентами через облачную платформу составило 398 млрд за квартал — вдвое больше, чем кварталом ранее.

На фоне выручки в 386 млрд рублей за квартал первые две цифры выглядят скромно. Но у каждой из них есть адрес: конкретный продукт, конкретный период, конкретный механизм. Такую цифру можно оспорить, уточнить, сравнить со следующим кварталом. Общий «эффект» оспорить нельзя — с ним можно только согласиться или не согласиться.

Мелкая проверяемая цифра полезнее крупной непроверяемой. Это, пожалуй, единственный практический вывод, который переносится из корпоративной отчётности в работу любого масштаба.

Я вижу эту же ошибку в малом бизнесе каждый месяц, только с другими нулями.

Контрфактика требует базовой линии. «Сколько было бы без внедрения» имеет смысл, только если вы замерили, сколько было до. Замер занимает неделю и делается до проекта, а не после: задним числом базовая линия всегда подгоняется под результат, причём без всякого злого умысла.

Сэкономленные часы деньгами не являются. Они становятся деньгами в двух случаях: человек тратит освободившееся время на работу, которая приносит выручку, или компания не нанимает следующего сотрудника. Иначе экономия остаётся на бумаге, а счёт за внедрение вполне реальный.

У цифры должен быть адрес. Не «эффект от автоматизации», а «обработка заявок с сайта, июль, минус 40 часов ручной работы». Первое невозможно проверить через квартал, второе можно.

Отдельно считается то, что не сработало. Проект, в котором не сработало ничего, обычно означает, что мерили плохо.

Три слабых места в собственном рассуждении, которые вижу сам.

Полугодие — короткий горизонт. Эффект от инфраструктурных вложений размазан на годы, и требовать его в соседнем отчёте наивно. Возможно, правильный горизонт здесь — три года, и тогда разговор преждевременный.

Я сравниваю разномасштабные величины. Заявленный эффект годовой, отчётность полугодовая, состав эффекта шире, чем операционные расходы. Это сопоставление даёт представление о порядке, но строгим не является, и я это признаю.

Отсутствие разбивки не равно её отсутствию внутри. Вполне возможно, что подробный расчёт существует и просто не публикуется — по причинам от коммерческой тайны до нежелания давать конкурентам ориентиры. Моё утверждение узкое: снаружи проверить нельзя. Утверждать, что внутри не считают, у меня оснований нет.

Простое правило, которым пользуюсь сам. Управленческая оценка эффекта — это гипотеза компании о самой себе. В модель она идёт с тем же весом, что и прогноз менеджмента по выручке: как ориентир, а не как факт.

А в собственных проектах стоит держать планку, которую мы предъявляем чужим отчётам. Если я не могу назвать процесс, период и механизм, за счёт которого возникла экономия, значит, я продаю ту же самую непроверяемую цифру, только с меньшим количеством нулей.

Вопрос к тем, кто внедрял ИИ у себя: вы замеряли базовую линию до проекта или считали эффект после, по ощущениям команды? И если замеряли — что мерили конкретно, часы, стоимость обращения, конверсию?