Большинство финансовых лидеров рассматривают ИИ как серию решений о финансировании: какой пилотный проект одобрить, какого поставщика продлить, чей бизнес-план выглядит наименее спекулятивным в этом квартале. Такой подход имеет смысл. Это также причина, по которой столь многие инвестиции в ИИ никогда не окупаются. Когда каждая инициатива поступает как новая статья бюджета, каждая из них должна оправдывать себя с нуля. Каждая также заново строит ту же самую водопроводную систему данных под капотом, и каждая спорит о том, чей показатель верен. Вот почему модернизация данных стала финансовой проблемой в такой же степени, как и технологической.
Результаты говорят сами за себя. Согласно исследованию CEO Study компании IBM за 2026 год, генеральные директора, которые перепроектировали пять ключевых областей бизнеса, включая финансы, в 4 раза чаще реализовывали все преимущества, описанные в их бизнес-кейсах по ИИ. А генеральные директора, наиболее приверженные реинвестированию выгод от роста производительности и систематическому масштабированию ИИ, масштабировали на 23% больше инициатив в области ИИ на уровне предприятия по сравнению с наименее приверженными. Между тем, 83% генеральных директоров заявляют, что успех ИИ зависит скорее от внедрения людьми, чем от самой технологии¹.
Это не технологическая проблема. Это проблема распределения капитала, что делает ее проблемой финансового директора.
Последние новости технологий, подкрепленные экспертной аналитикой
Будьте в курсе важнейших и наиболее интригующих тенденций индустрии в области ИИ, автоматизации, данных и не только с новостной рассылкой Think Newsletter, выходящей дважды в неделю.
Три тенденции сходятся на финансовых лидерах прямо сейчас, и любая стратегия модернизации данных должна учитывать все три.
- Расходы на ИИ не отражаются в отчете о прибылях и убытках. Советы директоров финансируют ИИ, потому что они не могут позволить себе не делать этого. Но модель, которая отвечает на вопросы, которым никто не доверяет, или пилотный проект, который никогда не покидает лабораторию, — это чистые затраты. Инициатива в области ИИ, которая появляется как новая статья бюджета, борется за выживание в каждом цикле. Та, которая заметно снижает стоимость обслуживания или ускоряет принятие решений по выручке, заслуживает своего места в уже существующем бюджете.
- Вы платите за одни и те же данные многократно. Большинство предприятий копируют одни и те же данные о клиентах, продуктах и активах в хранилища, витрины данных, BI-выгрузки, а теперь и в конвейеры ИИ. Каждая копия несет в себе расходы на хранение, вычисления и сверку. В «Отчете о состоянии облачных технологий за 2026 год» компании Flexera отмечается, что объем растрачиваемых впустую расходов на облака вырос до 29% после пяти лет снижения, что в отчете объясняется растущей сложностью затрат из-за ИИ и новых облачных сервисов².
- Никто не согласен в оценках. Попросите три команды назвать показатель удержания чистой выручки (NRR), и вы часто получите три ответа, каждый из которых можно обосновать, и ни один из которых не сведен воедино. Сегодня это отнимает время при закрытии периода и подрывает авторитет в зале заседаний совета директоров. Как только агенты ИИ начнут отвечать на эти вопросы в масштабе, это превратится в аудиторский риск.
Каждая из этих проблем управляема сама по себе. Вместе они объясняют, почему окупаемость инвестиций в ИИ так труднодостижима. Финансовый отдел просят финансировать инновации при неизменном бюджете, сокращать затраты на данные, которыми он уже владеет, и отвечать за цифры, которые теперь генерируют машины, и все это одновременно.
Хорошая новость заключается в том, что никому не нужно строить стек завтрашнего дня с нуля. Большинство предприятий уже используют современную платформу данных, будь то Snowflake, Databricks, Google BigQuery или их комбинация. Проблема никогда не заключалась в хранении или вычислениях. Дело в том, что данные на этих платформах не упакованы, не определены и не регулируются таким образом, чтобы финансисты могли считать их активом. Устранение этого пробела — вот что означает модернизация данных для финансового директора.
Таким образом, вопрос меняется. Не «какой ИИ нам профинансировать следующим?», а «какие данные достаточно многоразовы, чтобы профинансировать их один раз и тратить многократно?»
В финансовых терминах путь модернизации данных к ответу на этот вопрос состоит из четырех этапов:
- Миграция: сокращение темпа затрат. Вывод из эксплуатации устаревших хранилищ и дублирующих копий. Открытые табличные форматы, такие как Apache Iceberg, позволяют командам сохранять единую физическую копию и совместно использовать ее на разных движках, вместо того чтобы платить за ее перемещение.
- Модернизация: обеспечение прозрачности расходов. Применение принципов FinOps к нагрузкам данных и ИИ. Распределение затрат на вычисления и использование ИИ по бизнес-подразделениям, которые их потребляют, так что расходы привязаны к ценности, а не к привычке. Компания Flexera сообщает, что 49% организаций в настоящее время используют юнит-экономику для привязки расходов на облака к результатам по сравнению с 40% годом ранее².
- Контекстуализация: определение каждого показателя ровно один раз. Интеграция бизнес-определений в управляемый семантический слой, чтобы каждый отчет, дашборд и агент ИИ использовали одну и ту же логику.
- Монетизация: превращение данных в решения и выручку. Публикация надежных, пригодных для повторного использования продуктов данных, которые ускоряют внутренние решения и, где это имеет смысл, создают новые доходы за счет обмена данными с партнерами или клиентами.
Большинство программ модернизации данных тратят силы на первый и второй этапы. Реальная окупаемость кроется на третьем этапе.
Рассмотрим один показатель — удержание чистой выручки. Финансовый отдел владеет определением: расширение минус отток по активным контрактам, измеряемое ежемесячно на уровне учетных записей. На большинстве предприятий это определение живет в электронной таблице, сноске на слайде и дюжине слегка различающихся SQL-запросов.
Управляемый семантический слой меняет это. Определение пишется один раз в виде кода, закрепляется за конкретным сотрудником финансового отдела, тестируется и версионируется. Затем оно принудительно применяется на любой платформе, где хранятся данные: семантические представления в Snowflake, управляемые метрики в Databricks Unity Catalog или семантический слой Looker в Google Cloud. Дашборд, модель планирования и агент ИИ, задающие один и тот же вопрос, получают один и тот же ответ.
Та же логика применима к политике доступа. Такие правила, как «только бизнес-партнеры по HR видят данные о зарплате» или «данные клиентов из ЕС остаются в регионе», могут быть записаны на бизнес-языке один раз и скомпилированы в собственные элементы управления каждой платформы. Аудит, происхождение (lineage) и подтверждение качества затем возвращаются в виде единой системы показателей.
Для финансового директора это разница между надеждой на то, что ИИ говорит правду, и возможностью доказать это. Одно определение. Одна модель принудительного применения. Один след доказательств для аудиторов.
В финансовом руководстве циркулируют две заслуживающие доверия точки зрения на расходы на ИИ, и прагматичная стратегия признает напряжение между ними.
Первый лагерь говорит: заморозить. Пока ИИ не докажет свою окупаемость инвестиций, каждый доллар следует рассматривать как спекулятивный, а бремя доказательства лежит на бизнесе.
Второй лагерь говорит, что риск заключается в отставании. Конкуренты движутся вперед, и ожидание определенности означает, что позже придется заплатить больше, чтобы догнать их.
В некотором смысле правы оба лагеря. Ответ заключается не в выборе между осторожностью и скоростью. Он заключается в изменении того, что именно финансируется. Стройте от ядра наружу: сначала фундамент и определения, затем управляемые продукты данных и в самую последнюю очередь агенты ИИ. Агент настолько заслуживает доверия, насколько надежны данные под ним, и финансирование фундамента в первую очередь означает, что каждый последующий вариант использования ИИ стоит дешевле и несет меньше рисков, чем предыдущий.
Продукт данных — это управляемый, пригодный для повторного использования пакет данных с назначенным владельцем, четким определением, обязательствами по качеству и привязанными правилами доступа. Он создается один раз и потребляется множеством способов: через SQL, дашборды, приложения, API или агентов ИИ.
Этот сдвиг имеет значение для балансового отчета. Проект — это безвозвратные затраты. Продукт данных больше похож на актив: финансируется один раз, повторно используется разными командами и измеряется по степени использования. Такие возможности совместного использования, как Snowflake Secure Data Sharing, Databricks Delta Sharing и BigQuery sharing, позволяют командам предоставлять доступ к актуальным данным без создания новых копий. Измерение использования делает внутреннее перевыставление счетов практичным.
Эта схема работает во всех отраслях. Коммунальное предприятие, создавшее единое управляемое представление каждого объекта клиента, может повторно использовать его для уведомлений об отключениях, аналитики выставления счетов и поддержки тарифных исков. Производитель, упаковывающий данные о производительности линий один раз, может обслуживать цеховой уровень, команду цепочки поставок и финансовую отчетность из одного источника. Варианты использования различаются. Логика инвестиций идентична.
Практичная стратегия модернизации данных начинается не с программы трансформации. Она начинается с одного решения: назвать два или три пилотных домена и отвечающих за них бизнес-владельцев.
Исходя из этого, финансовый директор может задать четыре вопроса на следующем пересмотре бюджета:
- Из-за каких метрик мы спорим больше всего? Они являются первыми кандидатами на создание управляемого семантического слоя.
- За сколько копий наших основных данных о клиентах, продуктах или активах мы платите? Это потенциал экономии текущих расходов.
- Можем ли мы распределить расходы на данные и ИИ по тем бизнес-подразделениям, которые их потребляют? Если нет, FinOps предшествует следующему пилотному проекту по ИИ.
- Какие варианты использования ИИ будут повторно использовать те же продукты данных? Финансируйте их в первую очередь, потому что каждый из них снижает стоимость следующего.
Организации, которые выйдут вперед, будут не теми, у которых больше всего пилотных проектов по ИИ. Это будут те организации, которые относятся к модернизации данных как к инвестиционной дисциплине: управляют данными как активом, определяют значение своих показателей и финансируют основы, которые продолжают приносить отдачу.
Абхи Маджумдар
Партнер-ассоциат, Руководитель направления данных и ИИ в сфере промышленности и связи
IBM Consulting
