Роли, связанные с ИИ, на которые вы сейчас нанимаете, стоят в три-четыре раза дороже, чем зарабатывает средний сотрудник вашей команды, — а навыки, за которые вы платите эту надбавку, обесценятся всего за два-пять лет (Gartner, 2026). Это не строка расходов на софт. Это кадровые затраты на ИИ, и для большинства операций среднего рынка они не стоят ни в одном бюджете, ни в одной модели и за ни одним шлюзом согласования. При этом 88% организаций планируют увеличить расходы на ИИ в этом году (Gartner, 2026) — почти всё это учитывается как технологии.
Неудобный вывод из анализа Gartner за июнь 2026 года: главная угроза вашей отдаче от ИИ — не цена инструментов. Это кадровые затраты, которые инструменты тихо порождают, а затем оставляют за пределами баланса. ИИ не сокращает ваш счёт за персонал. Он его перемещает — из видимой численности штата в надбавки, обесценивание и повторные найма, которые вы не планировали.
Кадровые затраты на ИИ, которых нет в бюджете
Когда Head of Operations утверждает ИИ-инициативу, бизнес-кейс почти всегда выстраивается против софта: стоимость лицензий, внедрение, может быть, строка услуг. Сторона экономии выстраивается против штата — автоматизированные роли, высвобожденные часы, отложенные FTE. Обе стороны этого уравнения читаемы. Обе ошибаются насчёт того, куда деньги уходят на самом деле.
HR-аналитики Gartner Jan Bansch и Joe Coyle говорят прямо: ИИ переформатирует экономику труда, и наибольшие риски для окупаемости исходят от затрат, которые руководители не отслеживают (Gartner — Bansch & Coyle, 2026). Независимое освещение того же анализа описало их как три скрытые кадровые затраты, способные подорвать весь бизнес-кейс (HR Director, 2026). Общая линия: счёт за технологии — та часть, что вы заложили в бюджет. Счёт за персонал — та часть, что растёт в темноте.
Для компании на 50-500 FTE это опаснее, чем для крупной корпорации, а не наоборот. У вас меньше ролей, чтобы распределить дорогой талант, короче скамейка, чтобы поглотить неудачный наём, и меньше зазора в структуре оплаты, чтобы тихо исправить переплату. Те же незаложенные затраты, которые компания на 20 000 человек может усреднить, оборачиваются заметной вмятиной в компании на 200.
Почему навыки ИИ обесцениваются быстрее, чем вы успеваете их амортизировать
Вот механика, которая ломает стандартный бизнес-кейс. Софт вы покупаете один раз и амортизируете за известный срок службы. Вы предполагаете, что люди, которых вы нанимаете для его эксплуатации, сохраняют свою ценность так же. Это не так.
Роли, связанные с ИИ, сегодня требуют надбавку к оплате 3-4x относительно среднего работника, тогда как период полураспада базовых навыков схлопывается до двух-пяти лет (Gartner, 2026). Эта комбинация финансово беспощадна: вы платите больше всего за актив, который теряет ценность быстрее всего. Набор навыков по промптам и конвейерам, за который вы платите крутую надбавку в 2026-м, может стать ширпотребом — или устареть — прежде чем трёхлетний график амортизации успеет его списать.
Ловушка — трактовать эту надбавку как фиксированную стоимость способности, а не как обесценивающуюся. Если вы нанимаете ИИ-талант по 3-4x и предполагаете, что навык держится, вы систематически будете недорезервировать на переобучение или повторный наём, которые понадобятся, когда навык обновится. Затраты не исчезают оттого, что вы их не запланировали. Они приходят по собственному графику, обычно в середине инициативы, и учитываются как неприятный сюрприз, а не как плановая строка.
Побочный эффект для оплаты по результату
Есть версия второго порядка, застающая операторов врасплох. ИИ повышает индивидуальный объём выработки — иногда резко, — тогда как большинство структур оплаты по-прежнему вознаграждают объём. Оставьте модель оплаты по результату без корректировки, и выработка, подстёгнутая ИИ, может запустить непреднамеренные выплаты: вы в итоге платите повышенные бонусы за пропускную способность, которую произвёл инструмент, а не человек (HR Director, 2026). Экономия, учтённая на стороне автоматизации, вытекает обратно через план стимулов, который вы забыли перекалибровать.
Строка повторного найма, которую никто не оценил
Самое дорогое допущение в любом кадровом решении по ИИ — что сокращение постоянно. Gartner прогнозирует, что к 2029 году до 30% работников, вытесненных ИИ, будут наняты повторно — часто дороже, чем стоили упразднённые роли (Gartner, 2026). Почти треть «экономии» от вытеснения на текущей траектории — это отложенный и раздутый расход.
Схема не гипотетична. Gartner отдельно предупреждал, что организации, приостанавливающие наём начального уровня ради финансирования ИИ, позже столкнутся с более высокими затратами, поскольку опытный талант, который дали бы эти роли, придётся выкупать на открытом рынке, а не выращивать внутри (Gartner, 2026). Отрежьте низ воронки, чтобы оплатить автоматизацию, — и выкупите её середину с надбавкой через три года. Сокращение штата выглядело экономией в тот квартал, когда произошло. Оно читается как обязательство по повторному найму к моменту, когда всплывает разрыв в компетенциях.
Для операций среднего рынка строка повторного найма — та, что важнее всего моделировать явно, потому что у вас меньше всего запаса, чтобы её поглотить. Повторный наём по рыночной надбавке, плюс время на выход в темп ради восстановления утраченного контекста, плюс институциональные знания, вышедшие за дверь, — ничего из этого не появляется в расчёте кадровой экономии, который останавливается на дате ухода.
Вам не нужен идеальный прогноз, чтобы её оценить, — только честный. Возьмите роли, которые вы рассматриваете к сокращению, примените хотя бы консервативную версию 30-процентной ставки повторного найма Gartner и прикрепите к этой доле правдоподобную надбавку и стоимость выхода в темп. Команда из десяти, теряющая три роли на автоматизацию, с одной выкупленной в течение трёх лет с надбавкой 20% плюс квартал потерянного выхода в темп, — это не чистый минус-три по строке штата, это минус-три сейчас и реальный, датируемый расход позже. Дело не в точности оценки; дело в том, что смоделированная стоимость повторного найма, пусть и грубая, меняет, какие сокращения реально сходятся. Сокращения, пережившие честное допущение о повторном найме, — те, что стоит делать.
Возражение: разве это не просто цена конкуренции?
Справедливое возражение: повышенная оплата за дефицитные навыки — так работает любой технологический сдвиг. Облачные архитекторы когда-то требовали надбавку; мобильные инженеры тоже. Рынок переоценил, навыки распространились, надбавка нормализовалась. Разве кадровые затраты на ИИ — не просто текущий пример схемы, которую операторы уже умеют оседлать?
Отчасти — и именно поэтому это опасно. Надбавка реальна и часто стоит того, чтобы её платить. Провал не в том, чтобы её платить; он в том, чтобы платить её без оценки распада. Надбавка облачного архитектора была посильной, потому что срок полезной службы навыка примерно совпадал с горизонтом амортизации систем, которые он строил. Надбавка ИИ-навыка сложнее, потому что кривая обесценивания круче периода окупаемости большинства финансируемых ею инициатив. Вы амортизируете инвестицию на три-пять лет против навыка, который может переоцениться за два.
Операторы, у которых это получается, — не те, кто отказывается платить за ИИ-талант. Это те, кто вписывает надбавку, график обесценивания и риск повторного найма в модель до решения — чтобы число, которое они утверждают, было настоящим, а не льстивым.
Что операциям среднего рынка стоит сделать в этом квартале
Рычаг здесь — не бюджет ИИ. Это строка кадровых затрат, которую вы прикрепляете к каждому решению об автоматизации и штате прежде, чем его принять. Три конкретных шага, ни один из которых не требует новых инструментов:
1. Добавьте явную строку кадровых затрат в каждый бизнес-кейс по ИИ. Для каждого решения об автоматизации или штате смоделируйте три элемента рядом со стоимостью софта: зарплатную экспозицию (надбавка, которую вы платите, и на сколько ролей), график обесценивания навыков (примите срок службы два-пять лет, а не бессрочный) и риск повторного найма (оцените вероятность выкупить способность обратно). Бизнес-кейс, показывающий только стоимость инструментов и кадровую экономию, ошибается не чуть-чуть — в нём нет строки, которая с наибольшей вероятностью сдвинет окупаемость.
2. Перекалибруйте оплату по результату до масштабирования инструмента, а не после. Если ИИ вот-вот поднимет объём выработки команды, чья оплата вознаграждает объём, скорректируйте модель стимулов в том же цикле, в котором разворачиваете инструмент. Иначе вы профинансируете прирост производительности дважды — раз в лицензии и раз в бонусном фонде.
3. Относитесь к сокращениям начального уровня как к решению о воронке, а не о затратах. Прежде чем приостановить или упразднить джуниор-роли ради финансирования ИИ, оцените повторный наём и утраченный путь внутреннего роста против краткосрочной экономии. Если трёхлетняя стоимость восстановления превышает экономию, вы не режете затраты — вы занимаете их под повышенную ставку.
Решение, которое умещается в одну строку
ИИ не уменьшает ваши кадровые затраты. Он перемещает их туда, куда ваш бюджет не смотрит, — в обесценивающиеся надбавки, переплачивающие стимулы и повторные найма, которые вы учли как постоянную экономию. Пока ваши ИИ-бизнес-кейсы останавливаются на строке софта, вы будете и дальше утверждать структурно слишком оптимистичные числа и обнаруживать разницу на квартал или год позже нужного.
Поэтому конкретное решение на этот квартал маленькое и точное: перед следующим утверждением ИИ требуйте строку кадровых затрат — зарплатную экспозицию, график обесценивания навыков и риск повторного найма — на той же странице, что и стоимость софта. Счёт за технологии — тот, что вы уже видите. Кадровые затраты на ИИ — те, что решают, была ли окупаемость вообще реальной.
