По последним данным Gartner, глобальные расходы на ИИ в 2026 году достигнут $2,59 трлн — рост на 47% к 2025 году. Если прогноз оправдается, ИИ станет самой быстрорастущей статьёй технологических расходов в истории корпоративного сектора. Сами расходы — реальность, и реальна инфраструктура, которую они финансируют. Квартальная выручка Nvidia в $81 млрд, полностью раскупленное производство HBM-памяти Micron на 2026 год и стройки дата-центров от Вирджинии до Сингапура — измеримые доказательства того, что капитал корпоративных бюджетов масштабно перетекает в системы ИИ.
Но есть и другая, куда менее обсуждаемая сторона: разрыв в подотчётности, который неизбежно возникает, когда $2,59 трлн годовых трат рано или поздно должны обернуться сопоставимой измеримой отдачей. Расследование Axios, опубликованное 28 мая, показало, как на практике выглядит бесконтрольное внедрение ИИ: один корпоративный клиент — имя не раскрывается, известно лишь, что речь о крупной компании, — потратил $500 млн за один месяц на ИИ-сервисы, не установив ни лимитов расходов, ни мониторинга затрат. Никто не задавал ограничений. Никто не отслеживал потребление — пока не пришёл счёт. Счёт на $500 млн за 30 дней — это не вышедший из-под контроля пилотный проект стартапа. Это провал корпоративного управления в промышленном масштабе, и подобных историй становится всё больше по мере того, как первая волна энтузиазма по поводу ИИ сталкивается с первым серьёзным циклом бюджетной проверки.
Проблема финансовых директоров
Расстановка сил внутри финансовых департаментов начала меняться ещё с конца 2025 года. Первые решения о закупке ИИ-решений в большинстве крупных компаний принимали технологические руководители — CTO, CIO и стратегические ИИ-команды — при относительно слабом контроле со стороны финансистов. Аргумент в пользу скорости звучал одинаково во всех отраслях: если конкуренты внедряют ИИ быстрее вас, разрыв в производительности и структуре издержек становится необратимым. Эта логика в сочетании с общей эйфорией вокруг возможностей больших языковых моделей создала благоприятную среду для трат на ИИ в обход обычного цикла оценки затрат и выгод, которому подчиняются прочие ИТ-расходы.
Ко второму кварталу 2026 года ситуация изменилась. По данным Forrester, компании переносят 25% запланированных ИИ-расходов на 2027 год из-за усиления финансового контроля. В опросе Gartner менее трети корпоративных управленцев смогли назвать конкретные финансовые результаты, которые можно связать с их инвестициями в ИИ. Проекты, вышедшие в промышленную эксплуатацию как пилотные разработки, теперь проходят проверку на продление финансирования — и критерии оценки стали куда жёстче. Реальный, но размытый прирост производительности (сотрудники выполняют задачи быстрее, но это не отражается измеримо в отчёте о прибылях и убытках) уже не считается достаточным обоснованием для строки расходов, которая теперь попадает в ежеквартальный обзор финансового директора.
COO Uber публично заявил об этом в мае 2026 года, сообщив аналитикам, что расходы на ИИ оказалось «сложнее обосновать», чем компания изначально предполагала. Это значимое признание со стороны технологически продвинутой компании с сильными инженерными ресурсами и развитой культурой управления издержками. У Uber есть все возможности оценивать окупаемость ИИ строже, чем у большинства корпораций. Сложности со связкой ИИ-расходов и финансовых результатов — это не вопрос аналитической некомпетентности, а отражение реальной сложности измерения ценности ИИ-усиленных рабочих процессов, когда эффект распределён между тысячами сотрудников, каждый из которых экономит немного времени, но это не отражается отдельной строкой в бюджете.
Провал управления на $500 миллионов
Цифра в $500 млн из расследования Axios — исключение по масштабу, но не по сути. Корпоративные внедрения ИИ без контроля за использованием порождают неконтролируемый рост издержек — механизм один и тот же, независимо от того, идёт ли речь о $5 млн или о $500 млн. Большинство корпоративных контрактов на ИИ строятся по модели оплаты за потребление — чем больше запросов к API или обработанных токенов, тем выше счёт. В отличие от традиционной программной лицензии с фиксированной годовой платой независимо от использования, тарификация ИИ по потреблению создаёт прямую связь между уровнем внедрения среди сотрудников и размером ежемесячного счёта. Если внедрение ускоряется неожиданно быстро, расходы растут вместе с ним.
Чтобы счёт за ИИ вырос до $500 млн, должно совпасть сразу несколько условий: тарификация по потреблению без зафиксированных лимитов расходов, темпы внедрения, превысившие плановые допущения организации, недостаточные инструменты мониторинга, не позволяющие вовремя заметить аномальное потребление до того, как оно накопится за целый месяц, и — что критично — процесс закупок и финансового контроля, в котором не были внедрены стандартные защитные механизмы, действующие для прочих облачных расходов. Корпоративные траты на AWS, Azure и Google Cloud порождали похожие истории-ужастики на протяжении последнего десятилетия; управление облачными издержками стало зрелой дисциплиной именно потому, что боль от бесконтрольного потребления научила компании: договоры с фиксированными обязательствами и инструменты мониторинга — не опция, а необходимость.
Разница с расходами на ИИ в том, что нарратив о внедрении — «каждый сотрудник должен пользоваться ИИ-инструментами, сопротивление ИИ — это конкурентный риск» — активно подавлял естественную контрсилу, которая должна была сдерживать неконтролируемое внедрение. Финансовые команды, поднимавшие вопросы издержек в 2024 году и начале 2025-го, нередко воспринимались как препятствие для трансформации. Итог в $500 млн — отчасти следствие корпоративной культуры, в которой бдительность в отношении затрат временно отошла на второй план ради скорости внедрения. Сейчас эта культура разворачивается в обратную сторону.
Где отдача есть, а где её нет
Компании, демонстрирующие измеримую окупаемость ИИ, сосредоточены в конкретных функциях: финансовые организации используют ИИ для выявления мошенничества и риск-моделирования; логистические компании — для оптимизации маршрутов и прогнозирования спроса; служба поддержки клиентов заменяет или усиливает линию первого уровня ИИ-агентами; команды разработки применяют ИИ-ассистентов для сокращения времени на рутинную генерацию кода и отладку.
У этих сценариев общая структура: результат поддаётся количественной оценке, есть измеримый сценарий сравнения (потери от мошенничества без ИИ, издержки от неоптимальных маршрутов, объём обращений в поддержку, часы разработчиков), а вклад ИИ достаточно изолирован, чтобы его можно было атрибутировать. JPMorgan Chase перевёл инвестиции в ИИ из экспериментального R&D в базовую инфраструктуру, выделив технологический бюджет в $19,8 млрд и 2 000 сотрудников, занятых исключительно ИИ, — контраст с трудностями внедрения Copilot у Microsoft, где корпоративное развёртывание буксует, несмотря на сопоставимые капитальные вложения. Такой уровень вложений отражает реальную уверенность в измеримой отдаче — по большей части в финансовых функциях, где измерение изначально встроено в бизнес-процесс.
Функции, где окупаемость доказать сложнее, — это как раз те, что вызвали наибольший энтузиазм на раннем этапе внедрения ИИ: интеллектуальный труд. Составление писем, резюмирование встреч, генерация документов, синтез исследований — все эти задачи действительно выполняются быстрее с помощью ИИ. Прирост производительности реален на уровне отдельного сотрудника. Проблема — в переводе этого эффекта на язык цифр: сотрудник, выполняющий задачи на 20% быстрее, автоматически не производит на 20% больше продукции, отражающейся в выручке, а 20-процентный рост производительности штата автоматически не превращается в 20-процентное сокращение штата, если организация не управляет численностью персонала активно, соотнося её с приростом эффективности.
Структурные сокращения в Cloudflare, Coinbase и Upwork представляют собой одну из моделей перевода прироста производительности ИИ в финансовые показатели: сократить штат в тех ролях, где ИИ способен воспроизвести функцию, и засчитать снижение издержек как отдачу. Эта модель неприятна, но финансово прозрачна. Более распространённая модель — сохранить штат при росте производительности, зафиксировать ценность в виде улучшенного качества результата или более быстрой поставки — куда сложнее выразить в отчёте о прибылях и убытках, и её всё труднее отстоять на бюджетном обзоре, когда ИИ-инструменты сами генерируют отдельную статью расходов.
Расхождение между инфраструктурой и прикладными решениями
Самая ясная финансовая картина расходов на ИИ в 2026 году разделяет сторону предложения и сторону спроса. На стороне предложения — Nvidia, Micron, TSMC и гиперскейлеры, управляющие дата-центрами, — отдача измерима и велика. Расходы на ИИ-инфраструктуру превращаются в выручку компаний, поставляющих вычислительные мощности, память и сетевую инфраструктуру. Эти $2,59 трлн корпоративных расходов на ИИ перетекают этим компаниям способами, которые отражаются в квартальной отчётности и подтверждаются аналитическими прогнозами.
На стороне спроса — у компаний, тратящих эти $2,59 трлн на внедрение ИИ в своей деятельности, — картина куда менее однородна. Заявление Дженсена Хуанга о том, что агентный ИИ требует на 1000% больше вычислительных мощностей, чем генеративный, намекает на то, что сторона спроса всё ещё находится на ранней стадии; если самые вычислительно ёмкие приложения ИИ ещё не развёрнуты в промышленном масштабе, проблема окупаемости может отчасти быть проблемой сроков — отдача от агентных рабочих процессов, полностью автоматизирующих сложные бизнес-процессы, измерима, но пока отсутствует просто потому, что эти процессы всё ещё строятся.
Это самое связное оптимистичное прочтение ситуации. Пристальное внимание финансовых директоров в 2026 году — это рынок, делающий именно то, что и должен: требовать обоснования расходов в момент, когда цикл первоначального энтузиастического инвестирования исчерпал себя, а решения о продлении требуют доказанной ценности. Компании, способные продемонстрировать эту ценность — в выявлении мошенничества, оптимизации маршрутов, обслуживании клиентов, разработке ПО, — продолжат инвестировать. Компании, которые не могут этого сделать, столкнутся именно с тем переносом расходов, который фиксирует Forrester. Это не кризис для ИИ. Это обычный процесс, в котором взрослеет технологический инвестиционный цикл.
Что дальше
Корпоративные расходы на ИИ во втором полугодии 2026 года будут определяться тремя одновременными факторами давления. Во-первых, цикл подотчётности перед финансовыми директорами: решения о расходах, принятые в 2024–2025 годах, сейчас проходят проверку на продление, а порог для этого продления вырос. Во-вторых, расширение возможностей агентного ИИ: системы, самостоятельно выполняющие многошаговые бизнес-процессы, а не просто помогающие сотрудникам, представляют собой другую модель окупаемости — здесь сценарий сравнения строится на полной стоимости сотрудника, а не на приросте предельной производительности. В-третьих, зрелость управления закупками ИИ: исключительный случай на $500 млн породит целое поколение практик управления ИИ-издержками — точно так же, как истории-ужастики о счетах за AWS 2012–2015 годов породили управление облачными затратами как отдельную дисциплину.
Компании, которые сейчас делают паузу и проводят оценку, не отказываются от ИИ. Они делают то, что компании рано или поздно делают с любой крупной технологической инвестицией: спрашивают, оправдывает ли отдача затраты, и соответствующим образом корректируют курс. Цифра Forrester в 25% отложенных расходов — это не вотум недоверия. Это требование подотчётности — той же самой подотчётности, которую сторона предложения ИИ-индустрии уже демонстрирует в квартальной отчётности, и которой теперь должна соответствовать сторона спроса.
История клиента на $500 млн будет цитироваться в советах директоров корпораций весь 2026 год как доказательство того, что управление ИИ нуждается в той же строгости, что и управление облаком. Итог этого цитирования — не сокращение расходов на ИИ. Это расходы на ИИ, которые труднее обосновать в совокупности, но которые приносят измеримо лучшую отдачу на каждый вложенный доллар. Для инфраструктурных поставщиков, продающих вычислительные мощности, это различие имеет меньшее значение, чем для компаний-покупателей. Для прикладного слоя ИИ — компаний, продающих инструменты, которыми пользуются корпоративные сотрудники, — смена парадигмы подотчётности становится первой серьёзной проверкой того, приносят ли их продукты ту ценность, ради которой их покупали.
Вопрос, который должен предшествовать вопросу об окупаемости
Есть особый вид путаницы, которая выглядит как проблема измерения, но на деле является проблемой определения. Когда руководители компаний говорят, что не могут рассчитать окупаемость своих инвестиций в ИИ, они часто описывают симптом более серьёзного провала: они не определили, что именно должен был делать ИИ, достаточно чётко, чтобы понять, справился ли он с этим. Окупаемость — это соотношение. Числитель — созданная ценность. Если вы не можете сформулировать заранее, как именно будет выглядеть эта ценность — конкретно, измеримо, в форме, которую можно отследить относительно контрфактического сценария, — то расчёт окупаемости невозможен по построению, а не из-за сложностей учёта.
Это не уникальная проблема ИИ. Это та же проблема, что преследовала ранние внедрения CRM, развёртывания ERP и переходы в облако. Каждая технологическая волна порождает свою версию этой истории: технологию покупают, потому что руководству сказали, что она создаёт ценность, внедрение измеряется метриками развёртывания, а не метриками результата, а проверка окупаемости наступает раньше, чем организация успевает изменить рабочие процессы так, чтобы эта ценность реально проявилась. ИИ проходит тот же провальный путь, но с более высокими издержками и в более сжатые сроки. Значительная доля из $2,59 трлн ежегодных расходов на ИИ приходится на внедрения, где метрика развёртывания — выделенные лицензии, интегрированные модели, включённая автоматизация — воспринималась как доказательство создания ценности, без более трудной работы по определению того, какую ценность это внедрение вообще должно было создать.
Самый ясный признак этого — паттерн провала управления: компании тратят $500 млн на ИИ-инструменты, которые сотрудники обходят стороной, потому что инструменты не соответствуют реальной структуре задач. Сотрудники, обходящие инструмент стороной, не капризничают. Они правильно решают задачу оптимизации. Если инструмент не даёт результата лучше прежнего метода, рациональный ответ — использовать прежний метод. Вопрос, который должен предшествовать вопросу об окупаемости, звучит так: в какой конкретно задаче этот инструмент лучше того, что мы делали раньше, и как мы об этом узнаем? Организации, ответившие на этот вопрос до закупки — картировавшие рабочий процесс, определившие узкое место и зафиксировавшие метрику успеха, — как раз и появляются в аналитике корпоративного внедрения ИИ с измеримой отдачей. Те, кто пропустил этот шаг, генерируют ту самую совокупную статистику окупаемости, которая всех тревожит.
О чём молчат агрегированные цифры
У цифры $2,59 трлн есть конкретная проблема, которую статистики называют пренебрежением базовой ставкой. Когда люди слышат, что глобальные расходы на ИИ выросли на 47% год к году, эта цифра запускает уверенный вывод: ИИ работает, значит расходы на ИИ оправданы, значит увеличивать расходы на ИИ рационально. Логика кажется убедительной, но она пропускает по-настоящему важный шаг: какая доля этих $2,59 трлн принесла измеренную отдачу, и как выглядит это распределение?
Честный ответ, исходя из имеющихся данных, — мы не знаем этого сколько-нибудь точно. Вывод опроса Gartner — менее трети управленцев могут назвать конкретные финансовые результаты — говорит нам о важном: знаменатель в расчёте окупаемости велик, а числитель по большей части не подсчитан. Но и это наблюдение — результат опроса субъективных оценок, которые несут собственные искажения. У руководителей, одобривших расходы, есть стимул сообщать о неопределённости, а не признавать отрицательную отдачу. Цифра Forrester о переносе расходов говорит нам, что 25% плановых трат откладывается, но не говорит, стоят ли за оставшимися 75%, которые продолжаются, более весомые доказательства или просто больший организационный импульс.
Взвешенный взгляд на окупаемость корпоративного ИИ в 2026 году требует разделения трёх принципиально разных категорий, которые агрегированные цифры сводят в одну. Первая категория — расходы на ИИ, принёсшие количественно подтверждённую, документированную отдачу: выявление мошенничества в финансовых организациях, прогнозирование спроса в логистике, конкретный прирост производительности разработки ПО, измеренный во времени выполнения задач. Такие случаи существуют и множатся. Вторая категория — расходы на ИИ, где отдача правдоподобна и направленно положительна, но не измерена с точностью, необходимой для финансовой подотчётности: помощь в интеллектуальном труде, резюмирование встреч, поддержка исследований. Третья категория — расходы на ИИ, где метрика развёртывания использовалась как замена оценке создания ценности, а реальная отдача так и не была оценена. Данные Forrester о переносе расходов говорят о том, что третья категория весьма значительна.
Ошибка, которую рынок допустил в 2024-м и начале 2025 года, заключалась в предположении, что агрегированная цифра расходов подтверждает агрегированный тезис. Это не так. Она подтвердила лишь то, что компании были готовы поставить на то, что ИИ принесёт отдачу. Цикл подотчётности 2026 года проверяет, была ли эта ставка сделана обоснованно. Компании, которые пройдут эту проверку с неурезанными ИИ-бюджетами, — это те, кто провёл различие между категориями до того, как об этом спросил финансовый директор, а не после.
Проблема размытой ответственности
Есть паттерн, который проявляется всякий раз, когда технология внедряется быстрее, чем организация успевает выстроить структуры подотчётности для её отслеживания, и корпоративные расходы на ИИ в 2026 году — показательный тому пример. Никто в компании из списка Fortune 500 не принимал политического решения о том, что окупаемость ИИ останется без измерения. Вместо этого произошли сотни более мелких, по отдельности разумных решений — руководитель подразделения одобряет пилот, потому что демо от поставщика выглядело убедительно, финансовый директор утверждает бюджетную строку, потому что конкуренты тоже тратят, руководитель проекта объявляет об успехе, потому что инструмент был развёрнут в срок, — которые в сумме складываются в систему, где ни один отдельный участник не в состоянии задать единственный важный вопрос: а сработало ли это? Стимул каждого, кто принимал решение, был локально рациональным. Пилот получал финансирование, потому что сказать «нет» ИИ в 2025 году означало больший карьерный риск, чем сказать «да» и получить неоднозначный результат восемнадцать месяцев спустя.
Это не история о недобросовестных игроках или некомпетентности. Это история о том, как размытые права принятия решений порождают размытую ответственность — структурно иной сбой, чем тот, для выявления которого выстроено корпоративное управление. Традиционная дисциплина распределения капитала предполагает единственного утверждающего, который отвечает за результат. Закупки ИИ в волне 2024–2026 годов часто проходили через дюжину утверждающих в дюжине подразделений, каждый из которых делал небольшую, оправданную для себя ставку, и ни один не отвечал за портфель в целом — хрестоматийный случай размытой ответственности. Провал управления на $500 млн, с которого начинается этот материал, — не одно плохое решение. Это сумма множества небольших, достаточно хороших по отдельности решений, принятых людьми, которые никогда не были в позиции увидеть картину целиком. Исправить это можно, только закрепив ответственность за агрегированным показателем за конкретным человеком — единственным ответственным владельцем распределения корпоративного ИИ-капитала, как когда-то работало бюджетирование капитала до того, как ИИ превратил каждое подразделение в собственный отдел закупок, — а не написав ещё один опрос о настроениях.
Источники
- Gartner — прогнозы расходов на ИТ и ИИ: оценки глобальных корпоративных технологических затрат на 2026 год
- Axios — расследование корпоративного управления ИИ: кейс о неконтролируемых расходах на $500 млн (май 2026)
- Forrester Research — расходы корпораций на ИИ и подотчётность окупаемости: данные опроса 2026 года
- JPMorgan Chase — годовая отчётность о технологических инвестициях и вложениях в ИИ-инфраструктуру
- Uber — комментарии COO об обосновании расходов на ИИ на звонке с аналитиками за 1 квартал 2026 года
