ИИ повышает продуктивность: скрытые издержки и новые риски

В новой статье на Habr ML автор пытается ответить на вопрос, насколько действительно продуктивным становится использование искусственного интеллекта в бизнесе и повседневных задачах, и какие скрытые издержки с этим связаны. По словам автора, рост эффективности часто измеряется в процентах ускорения выполнения задач, но реальная стоимость проекта складывается из нескольких компонентов.

Во-первых, вычислительные ресурсы. Обучение и инференс современных моделей требуют значительных затрат на GPU/TPU, а также на облачную инфраструктуру. По оценкам, крупные компании тратят до 30 % своего ИТ‑бюджета на поддержание ИИ‑служб. Во-вторых, данные. Качество и объём тренировочных наборов напрямую влияют на результат, но их сбор, очистка и хранение обходятся дорого и требуют соблюдения регуляций (GDPR, закон о персональных данных).

Третий аспект – этика и безопасность. Автономные модели могут генерировать предвзятый контент, нарушать конфиденциальность или быть использованы в кибератаках. Для их контроля нужны дополнительные слои мониторинга и аудита, что увеличивает сложность проекта.

Четвёртый фактор – зависимость от сторонних провайдеров. Большинство компаний используют готовые API (OpenAI, Anthropic, Google), что приводит к риску «vendor lock‑in» и непредсказуемым изменениям цен.

Наконец, экологический след. Обучение больших моделей может потреблять мегаватты‑часы электроэнергии, что влечёт за собой углеродный след и усиливает давление со стороны регуляторов и общественности.

Автор подчеркивает, что без системного подхода к оценке этих факторов ИИ может стать не только драйвером роста, но и источником новых проблем, требующих внимательного управления.