Обзор The ROI of AI-assisted
Software Development

В апреле 2026 года исследовательская команда DORA выпустила отчет ROI of AI-assisted Software Development с методологией расчета ROI от внедрения AI. В отчете сформулирован фреймворк включающий модель, формулы и метрики, которые можно использовать для обсуждения как инвестиций, так и отдачи, которую ваша команда и организация могут ожидать от внедрения AI в SDLC. В дополнение к отчету доступен калькулятор ROI of AI calculator для детальной оценки. Для расчета ROI авторы использовали упрощенный подход от команды Value Realization Practice из Google Cloud, которая применяла его для клиентов для расчета ИТ инвестиций. Мы внимательно изучили методологию расчета ROI и подготовили краткий обзор.

Модель и фреймворк оценки ценности (Value model and framework)
Модель отображает цепочку взаимосвязей, связывающую освоение AI с финансовым результатом.
Отправной точкой служит освоение AI (AI adoption), которое умножается на набор возможностей и практик входящих в DORA AI Capabilities Model. Перечисленные практики улучшают метрики поставки программного обеспечения (Software delivery metrics) и формируют нефинансовую ценность (Non-financial value) в трех измерениях:

• Продуктивность (Productivity). Повышение продуктивности бизнеса и ИТ;
• Опыт разработчика (Developer Experience). Улучшение опыта и удовлетворенности разработчиков;
• Пользовательский опыт (User Experience). Повышение вовлеченности и удовлетворенности клиентов.

Нефинансовая ценность трансформируется в финансовую ценность (Financial value) через рост бизнеса (Business growth, Revenue) и экономическую эффективность (Cost efficiency, Cost savings). Сумма этих составляющих образует совокупную ценность (Total Value), из которой вычитаются совокупные затраты на внедрение AI (Total cost of implementing AI), давая чистую выгоду (Net Benefit). Деление чистой выгоды на совокупные затраты дает итоговый показатель ROI.

Методология расчета ROI от внедрения AI
Для расчета ROI предлагается использовать следующий набор метрик:

• Организационные метрики (Organizational metrics);
• Ключевые метрики поставки программного обеспечения (Baseline software delivery metrics);
• AI метрики (AI estimates).

Рассмотрим их подробнее.

Организационные метрики (Organizational metrics):

• Численность технического персонала (Technical staff size). Количество сотрудников занятых полный рабочий день. Охватывает все роли, которые могут использовать AI для участия в процессе, включая продуктовых менеджеров, разработчиков, UX дизайнеров, технических руководителей, инженеров по надежности (SRE) и других;
• Средняя полная стоимость занятости технического персонала (Average fully loaded technical staff salary). Зарплаты инженеров существенно варьируются в зависимости от региона мира, поэтому полная стоимость занятости (совокупные затраты работодателя) как правило добавляет от 30% (США) до 100% (Европа) к среднему базовому окладу с учетом налогов, льгот и накладных расходов.

Ключевые метрики поставки программного обеспечения (Baseline software delivery metrics):

• Выручка продуктового портфеля (Product portfolio revenue). Годовая выручка, генерируемая вашим программным обеспечением;
• Стоимость простоя в час (Cost of downtime per hour). Оценка стоимости одного часа простоя системы. Рекомендуется учитывать как потерянную выручку, так и дополнительные затраты, такие как репутационный ущерб;
• Текущее количество развертываний в год (Current deployments per year). Общее количество развертываний в год для данного приложения или сервиса;
• Текущее количество развернутой функциональности в год (Current features deployed per year). Количество единиц функциональности, развернутых в год. Функциональность - это улучшения, ориентированные на пользователя и предназначенные для улучшения опыта работы с продуктом;
• Показатель успешности идей (Idea success rate). Доля развернутой функциональности, которая увеличивает выручку;
• Среднее влияние на выручку на единицу функциональности (Average revenue impact per feature). Среднее увеличение выручки от каждой успешной единицы функциональности;
• Текущая частота сбоев при изменениях (Current change failure rate). Текущая доля изменений, выпущенных для пользователей, которые приводят к деградации сервиса;
• Время восстановления после неудачного развертывания (Failed deployment recovery time). Среднее количество часов, которое обычно требуется для восстановления сервиса после того, как изменение приводит к деградации сервиса.

AI метрики (AI estimates):

• Чистое сэкономленное время на разработчика (Net time saved per developer). Чистый прирост продуктивности на разработчика, выраженный в процентах. Учитывается как время, сэкономленное при генерации кода, так и налог на верификацию, связанный, например, с проверками кода. Существует множество источников оценок экономии времени, и эти оценки варьируются от 40 до 150 минут в день;
• Годовая стоимость лицензии на AI на пользователя (Annual AI license cost per user). Годовая стоимость подписки на AI на пользователя;
• Дополнительные годовые затраты на AI на пользователя (Additional annual AI costs per user). Дополнительные затраты на пользователя, такие как стоимость использования API или токенов;
• Дополнительные годовые затраты на AI инфраструктуру (Additional annual AI infrastructure costs). Новые затраты на инфраструктуру, связанные с AI, включая вычислительные мощности, сетевые ресурсы, хранилище и мониторинг;
• Годовые затраты на обучение на пользователя (Annual training costs per user). Затраты на обучение и обеспечение освоения для каждого сотрудника;
• Целевое количество развертываний в год (Target number of deployments per year). Ожидаемое количество развертываний в год при использовании AI в SDLC;
• Целевое количество развернутой функциональности в год (Target number of features deployed per year). Ожидаемое количество единиц функциональности, развернутых в год;
• Целевая частота сбоев при изменениях (Target change failure rate). Целевая доля изменений, выпущенных для пользователей, которые приводят к деградации сервиса. Исследования DORA показывают, что освоение AI связано с ростом нестабильности поставки;
• Снижение продуктивности по J-кривой (J-Curve productivity drop). Временное снижение продуктивности в фазе обучения AI;
• Продолжительность снижения продуктивности по J-кривой (J-Curve productivity drop timeline). Длительность снижения продуктивности.

Далее по формулам рассчитываются итоговые метрики:

• Выгода за первый год (First year benefit);
• Возврат на инвестиции (Return on investment, ROI);
• Период окупаемости (Payback period);
• Совокупные фактические затраты (Total hard costs);
• Стоимость J-кривой (J-Curve cost);
• Совокупные инвестиции за первый год (Total first year investment);
• Высвобожденная инженерная емкость (Headcount reinvestment capacity);
• Выручка от дополнительных развертываний (Revenue from extra feature deployments);
• Выручка за счет сокращения простоев (Downtime impact, экономия/затраты);
• Совокупная ценность за первый год (Total first year value).

Формулы расчета ROI от внедрения AI:

• Выгода за первый год = Отдача за первый год — Инвестиции за первый год
• ROI за первый год (%) = Выгода за первый год / Инвестиции за первый год
• Период окупаемости = Инвестиции за первый год / Отдача за первый год
• Совокупные фактические затраты = ((Стоимость лицензии + Дополнительные затраты на AI + Затраты на обучение) * Численность персонала) + Дополнительные затраты на инфраструктуру
• Стоимость J-кривой = Численность персонала * Зарплата * Снижение по J-кривой * Продолжительность J-кривой / 12
• Совокупные инвестиции за первый год = Прямые фактические затраты + Стоимость J-кривой
• Высвобожденная инженерная емкость = Численность персонала * Полная стоимость занятости * Чистое сэкономленное время на разработчика
• Выручка от дополнительных развертываний = (Целевое количество развернутой функциональности - Текущее количество развернутой функциональности) * Показатель успешности идей * Влияние на выручку * Выручка портфеля
• Выручка за счет сокращения простоев = (Текущее количество развертываний * Текущий CFR * FDRT * Стоимость простоя в час) — (Целевое количество развертываний * Целевой CFR * FDRT * Стоимость простоя в час)
• Совокупная ценность за первый год = Высвобожденная инженерная емкость + Выручка от дополнительных развертываний + Выручка за счет сокращения простоев

В отчете также приведена концепция J-кривой освоения AI (J-Curve of AI value realization), которая отображает траекторию, которую проходит организация после начала освоения AI. В момент старта (Time zero) показатель реализованной ценности (Value realized) временно снижается относительно исходного базового уровня (Starting baseline) под воздействием трех факторов:

• Кривая обучения (The learning curve). Команды тратят время, отвлекаясь от регулярной поставки функциональности, чтобы освоить новые интерфейсы, адаптировать ежедневные рабочие процессы и овладеть продвинутыми техниками (от работы пользователей с запросами к AI до систем, построенных на контексте, намерении и спецификации);
• Налог на верификацию (The verification tax). Разработчики тратят время на проверку генерируемого кода из-за опасений относительно достоверности результатов и галлюцинаций. Кроме того, инструменты увеличивают объем производимого кода, что расширяет общую нагрузку по ревью, необходимую для соответствия внутренним стандартам безопасности и архитектуры;
• Адаптация конвейера (Pipeline adaptation). По мере того как отдельные разработчики генерируют код быстрее, последующие процессы (тестирование и утверждение изменений) должны масштабироваться для обработки возросшего объема, что открывает возможности для устранения ограничений.

После прохождения нижней точки спада организация восстанавливается, превышает исходный уровень и переходит в фазу экспоненциального роста (Eventual exponential growth).

Основные материалы из отчета The ROI of AI-assisted Software Development приведены ниже: