Масштабирование ИИ в телеком-компаниях рискует привести к резкому росту операционных расходов. Разбираем ловушки интеграции нейросетей и способы выстроить эффективную экономику процессов.
3 мин
В ближайшие несколько лет структура операционных расходов телекоммуникационных компаний претерпит одно из самых значительных изменений за последние десятилетия. По мере внедрения агентов искусственного интеллекта в обслуживание клиентов, управление сетями и разработку программного обеспечения, затраты на вычислительные мощности и токены станут существенной статьей бюджета.
Формируется новая операционная модель. В ней традиционные расходы составляют около 70-80%, а оставшиеся 20-30% приходятся на оплату ИИ-агентов и токенов. Для телекоммуникационной отрасли этот переход сложнее, чем для цифровых компаний, из-за необходимости поддерживать громоздкие устаревшие системы (legacy) и соблюдать строгие регуляторные требования.
Главный риск для индустрии сегодня — это сценарий ползучего роста затрат. Компании рискуют получить более высокие операционные расходы без пропорционального роста производительности или улучшения клиентского опыта. Аналитики выделяют три основные ловушки, в которые попадает бизнес при масштабировании ИИ.
Первая ловушка заключается в иллюзии дешевеющих моделей. Хотя стоимость использования нейросетей падает примерно в десять раз каждый год, итоговые счета компаний непредсказуемо растут. Это происходит из-за увеличения количества запросов, усложнения задач и перехода на новые, более ресурсоемкие алгоритмы. Бизнесу необходимо перестать считать «стоимость токена» и перейти к оценке «стоимости решенной проблемы» — будь то закрытый тикет в поддержке или сгенерированное коммерческое предложение. Например, компания AT&T перестроила оркестрацию ИИ: крупные «супер-агенты» стали делегировать простые задачи специализированным малым моделям. Это позволило снизить затраты на 90% и утроить пропускную способность.
Изображение из источника
Вторая ловушка — попытка «прикрутить» ИИ к устаревшим процессам. В результате возникает двойная операционная модель: люди продолжают выполнять работу по-старому, а ИИ автоматизирует лишь отдельные фрагменты на периферии. Вместо этого требуется полный пересмотр рабочих процессов. Оператор Vivo продемонстрировал такой подход в управлении сетью: ИИ не просто ищет аномалии, а выполняет полный цикл от обнаружения проблемы до ее устранения и проверки результата, привлекая человека только в крайних случаях.
Третья ловушка — подмена реальной трансформации демонстрационными проектами. Внутренние чат-боты или системы суммаризации звонков полезны, но они редко меняют экономику телеком-оператора. Настоящая ценность лежит в решении проблем клиентов, которые ранее были слишком дорогими или долгими для обработки человеком. Так, Telia запустила ИИ-киоски самообслуживания в сельских районах, обслуживая клиентов там, где открытие традиционных офисов было бы экономически невыгодным.
Чтобы избежать этих ловушек и выстроить эффективную работу с ИИ, руководителям необходимо предпринять несколько шагов. Во-первых, измерять стоимость выполнения конкретной задачи, а не общие затраты на API. Во-вторых, выделить защищенный бюджет на ИИ-вычисления, рассматривая их как стратегический производственный ресурс. В-третьих, выбрать несколько высокозатратных процессов и полностью их перепроектировать с учетом возможностей автономных агентов.
Также критически важно внедрить систему управления (governance) до того, как использование ИИ станет повсеместным. У каждого автономного агента должен быть конкретный владелец, измеримые результаты и четкая финансовая ответственность. Только так интеграция новых технологий приведет к реальному росту эффективности, а не к раздуванию бюджетов.
Масштабирование ИИ без изменения базовых бизнес-процессов ведет к неконтролируемому росту операционных расходов, где затраты на токены могут составить до 30% бюджета.
Падение стоимости самих ИИ-моделей парадоксальным образом приводит к увеличению общих счетов компаний за счет неконтролируемого роста объема и сложности запросов пользователей.
