Коротко: что сказал Торстен Слок и почему это вызвало спор
Главный экономист Apollo Global Management Торстен Слок проанализировал показатели S&P 493, то есть S&P 500 без Alphabet, Amazon, Apple, Meta, Microsoft, Nvidia и Tesla, и не нашёл признаков того, что ИИ улучшает маржу прибыли или выручку на сотрудника. Формулировка жёсткая: технология «не дала финансовой отдачи корпоративной Америке вне tech-сектора» несмотря на масштабные инвестиции и хайп (TechCrunch).
Спор вызвал не сам факт плоских метрик, а вывод из него. Слок скептически оценивает популярное объяснение «нетехнологические компании просто отстают от гигантов». По его мнению, превратить удешевляющийся интеллект в более высокий рост выручки и более высокую маржу прибыли компаниям трудно, и причина не в размере бюджетов на GPU.
Границы вывода важны для практики: это агрегированная оценка по индексу, а не доказательство бесполезности ИИ. В источнике нет полной методологии и деталей расчёта. Но вопрос он ставит правильный: где измеримый эффект от вложений в ИИ в конкретной компании, если по рынку его не видно.
Что такое S&P 493 и как Слок измерял эффект от ИИ
Конструкция простая. Берётся S&P 500 и вычитаются семь компаний, которые производят или продают значительную часть ИИ-инфраструктуры и моделей: Alphabet, Amazon, Apple, Meta, Microsoft, Nvidia, Tesla. Остаток и называют S&P 493. Смысл в том, чтобы отделить выручку от продажи ИИ от эффекта, который ИИ приносит его покупателям.
Метрики две: маржа прибыли и выручка на сотрудника. По оценке Слока, обе выглядят неизменными, свидетельств роста производительности от ИИ в них нет. Логика выбора такая: выручка на сотрудника - грубый, но доступный прокси производительности труда, а маржа показывает, доходит ли эффективность до прибыли или её съедают цены и издержки.
Почему выручка на сотрудника и маржа - не идеальная метрика для ИИ
Выручка на сотрудника сильно зависит от отрасли, бизнес-модели, доли аутсорсинга и структуры занятости. Ритейлер с большим штатом и софтверная компания с командой из 40 человек по этой метрике несравнимы, хотя обе могут внедрять ИИ.
| Метрика | Что отражает | Где теряется эффект ИИ |
|---|---|---|
| Выручка на сотрудника | Сколько выручки приносит один работник | Зависит от отрасли и структуры штата; ускорение выпуска без роста продаж её не двигает |
| Маржа прибыли | Какая доля выручки остаётся прибылью | Экономию может съесть конкуренция, скидки или расходы на проверку результатов модели |
ИИ-эффект в отдельной функции часто не проявляется в агрегате. Автоматизация части обращений в поддержке снижает время обработки тикета, но если компания не меняет цены и не сокращает штат, маржа в квартальном отчёте останется на месте. Отсутствие эффекта в индексе не равно отсутствию эффекта в конкретном процессе. Вопрос об окупаемости при этом никуда не исчезает, он просто переезжает на уровень процесса.
Почему ИИ не превращается в рост выручки и маржи: аргументы Слока
Ключевой тезис экономиста: компаниям будет трудно «превратить удешевляющийся интеллект в более высокий рост выручки и более высокую маржу прибыли». Слок не согласен с версией, что нетехнологические компании просто идут следом за гигантами с задержкой в пару лет. Если бы дело было в отставании, метрики S&P 493 уже начали бы сдвигаться за счёт ранних внедрений в банках, логистике и рознице.
«Дешёвый интеллект» не равен росту прибыли
Падение стоимости инференса снижает цену экспериментов. Это необходимое условие для массовых внедрений, но не достаточное. Цепочка «дешевле токен → дешевле операция → больше прибыли» рвётся в двух местах.
- Операция дешевеет, но её результат не влияет на цену, объём продаж или численность. Экономия остаётся локальной и растворяется в общих расходах.
- Экономию забирает рынок: если у всех конкурентов появляется тот же инструмент, выигрыш уходит в скидки и снижение цен, а маржа возвращается к прежнему уровню.
Конкретных цифр по затратам на ИИ в исходном материале нет, поэтому подставлять свои оценки в чужой анализ смысла нет. Важна механика: снижение издержек на вычисления само по себе не создаёт спрос и не повышает готовность клиента платить.
Суждение, ответственность и доверие: что ИИ не закрывает
Вторая часть аргументации Слока касается природы бизнес-решений. Его формулировка: «ИИ может быть отличным калькулятором, но в бизнесе интеллект - это преимущественно суждение». Дальше следует перечень того, чего модель не понимает: ответственность, доверие, культура, негласные правила, этические компромиссы и справедливость. Именно эти вещи формируют репутационный риск и в итоге определяют рост выручки и маржи (TechCrunch).
На практике это выглядит так. Модель подготовит три варианта ответа клиенту, который жалуется на срыв поставки. Выбор между «признать вину и предложить компенсацию» и «сослаться на регламент» остаётся управленческим: он про репутацию, будущие контракты и готовность нести издержки сейчас. Ответственность за выбор нельзя передать в API.
Отсюда практическое следствие для архитектуры внедрения: ИИ готовит материал, человек принимает решение. Подробнее о том, как удержать поле решений за руководителем, разобрано в материале про «мозг фирмы» и поле решений предприятия.
Насколько выводам Слока можно доверять: ограничения анализа и другие исследования
Ограничения стоит назвать прямо. Источник передаёт аргументы экономиста в кратком изложении: нет полных данных, нет описания методологии расчёта S&P 493, не указан горизонт и не названы отрасли внутри индекса. Утверждение о том, что недавние исследования также не зафиксировали значимого роста производительности от ИИ, подкреплено общей ссылкой без названий работ и цифр (TechCrunch).
Вывод сформулирован как результат наблюдения за показателями, а не как доказательство того, что отдача невозможна в будущем. Это важная разница: экономист фиксирует текущее состояние агрегата, а не выносит приговор технологии.
Что осталось за кадром: методология, отрасли, горизонт
- Как именно считались маржа и выручка на сотрудника: средневзвешенно по индексу, по медиане или по отраслевым группам.
- Какие компании внутри S&P 493 внедряли ИИ интенсивно, а какие почти нет: агрегат смешивает разные стратегии.
- Какой горизонт оценки: эффект от внедрения часто проявляется не в первом отчётном периоде.
- Учитывались ли расходы на ИИ: рост затрат при плоском результате даёт картину хуже, чем «нулевой эффект».
Для решения о своём проекте макро-картинки недостаточно. Она задаёт контекст и объясняет, почему совет директоров теперь спрашивает про окупаемость, но не отвечает, окупится ли конкретный RAG-контур по внутренним регламентам.
Что это значит для практического внедрения ИИ в компании
Если эффект не проявляется в агрегате, его нужно проектировать и измерять на уровне процесса. Компании, которые закупили лицензии и ждут роста маржи, попадают ровно в ту статистику, которую описал Слок.
Где ИИ даёт измеримый эффект, а где создаёт риск
Критерии отбора задач для пилота: работа повторяемая, результат проверяем, ошибка дешева и обратима, есть метрика времени или стоимости. Под это описание попадают:
- извлечение полей из счетов, накладных и договоров с последующей сверкой человеком;
- суммаризация длинной переписки и протоколов встреч;
- генерация черновиков писем, документации и описаний товаров;
- поиск по внутренней базе знаний через RAG, когда модель отвечает по документам компании, а не по памяти.
Задачи повышенного риска: решения о людях (найм, оценка, увольнение), публичные обещания клиентам, юридически значимые ответы, всё, где ошибка бьёт по доверию. Здесь ИИ остаётся на этапе подготовки материала, а подпись и ответственность сохраняет человек.
Как считать окупаемость: метрики и логика пилота
Рабочая схема без магии: зафиксировать базовую метрику до старта, задать горизонт, сравнить с контрольной группой или предыдущим периодом, учесть полные затраты.
- Базовая линия: время на операцию, стоимость обработки одного документа, доля ошибок, число возвратов на переделку.
- Горизонт: конкретный срок, после которого пилот либо масштабируется, либо закрывается.
- Полные затраты: API или локальное железо, интеграция, поддержка, время сотрудников на проверку результатов.
- Сравнение: параллельный участок без ИИ или тот же процесс за прошлый период.
Метрики уровня компании слишком инертны для оценки пилота на пару месяцев. Маржа и выручка на сотрудника реагируют на изменения с задержкой и с шумом, поэтому смотреть нужно на метрики процесса. Разница между ИИ-усилителем и ИИ-заменой и то, как эта разница выглядит в отчётности, разобраны в статье про цену ускорения, которая редко попадает в отчёт.
Отдельный риск, который съедает экономику: расходы на проверку. Если ответ модели приходится перепроверять целиком, выигрыш во времени исчезает. Чек-лист устойчивости AI-first процессов и границы применимости инструментов в разработке разобраны в материале про сценарий «магазин за два вечера».
Когда ИИ начнёт приносить прибыль: на что смотреть, а не гадать
Точной даты нет, и в исходных данных её тоже нет. Слок описывает текущее состояние, а не расписание. Вместо прогнозов разумнее определить сигналы, по которым видно, что отдача появилась.
- Устойчивый, а не разовый рост выручки на сотрудника и маржи у нетехнологических компаний, а не только у семи гигантов.
- Публичные кейсы с прозрачной экономикой: сколько стоило внедрение, сколько сэкономили, за какой срок.
- Снижение доли затрат на проверку и переделку результатов ИИ в общих расходах на процесс.
- Появление ролей и регламентов, где ответственность за решение с использованием ИИ описана формально.
Удешевление интеллекта остаётся необходимым, но не достаточным условием. Нужны процессы, доверие и распределённая ответственность. Как это сочетается с прогнозированием и гибридным управлением, разобрано в материале про архитектуру гибридного управления и ловушки слепого доверия алгоритмам.
Практический вывод: как внедрять ИИ, чтобы не попасть в статистику S&P 493
- Начинайте с процессов с проверяемым результатом и дешёвой ошибкой: извлечение данных, черновики, поиск по документам.
- Считайте метрики до и после, а не верьте в эффект. Метрика процесса информативнее, чем маржа компании за квартал.
- Оставляйте человека в контуре там, где есть ответственность, доверие и репутация: клиентские коммуникации, найм, комплаенс.
- Не путайте экономию на инференсе с ростом прибыли. Скидка на токены не заменяет изменение цены, объёма или численности.
- Используйте RAG для работы с внутренними документами, агентов для повторяющихся операций и локальные LLM там, где важны контроль над данными и предсказуемость затрат.
- Учитывайте стоимость проверки. Если проверка съедает всю экономию, сценарий не масштабируется.
Анализ Слока - повод проверять окупаемость, а не запрет на ИИ. Отдача появляется там, где её проектируют, считают и удерживают ответственность за человеком, а не там, где просто закупают модели и GPU.