ИИ сокращает расходы на военную технику до 23%: цифры и скрытые риски

Искусственный интеллект позволяет снизить расходы на обслуживание военной техники до 23%, но создает новые риски для армий, передает ArbatMedia.

О том, насколько заметной может быть экономия от внедрения алгоритмов в оборонной сфере и какие у этого есть слабые места, рассказала эксперт Qazaq Expert Club, финансист Венера Жаналина.

Один из наиболее ощутимых источников экономии связан с эксплуатацией и обслуживанием военной техники.

Эксплуатационные расходы за жизненный цикл могут быть сопоставимы со стоимостью самой техники или превышать её.

Поэтому сегодня в приоритете предиктивное обслуживание с использованием ИИ. Алгоритмы анализируют данные датчиков и технические параметры оборудования, прогнозируя возможные поломки ещё до их возникновения.

По данным GAO*, внедрение подобных технологий позволило снизить расходы на запасные части на 12% для вертолётов AH-64 Apache, 23% для CH-47 Chinook и 16% для UH-60 Black Hawk. Также GAO сообщает, что Корпус морской пехоты США фиксировал снижение простоя техники на 32% и сокращение трудоёмкости технического обслуживания на 69% после внедрения систем предиктивной аналитики.

Помимо ремонта и снабжения, ИИ помогает уменьшать так называемые «транзакционные издержки войны» — затраты на обработку разведывательной информации, подготовку решений, координацию подразделений и управление операциями. По словам эксперта, автоматизация этих процессов снижает риск дорогих просчетов — от лишних вылетов авиации до перерасхода топлива и боеприпасов.

При этом экономия имеет и обратную сторону. Чем больше армия опирается на цифровые платформы и алгоритмы, тем сильнее становится зависимость от связи, электроснабжения и дата-инфраструктуры. Если противник сможет нарушить работу этих элементов, последствия для управления и обеспечения могут быть тяжелыми.

Еще один уязвимый момент — привязка к поставщикам технологий. Когда военные системы глубоко «завязаны» на конкретную модель ИИ, возрастает зависимость от компании-разработчика. В качестве примера Жаналина упомянула обсуждавшийся в СМИ конфликт вокруг модели Claude компании Anthropic, который показал, что разработчики способны вводить собственные ограничения на использование технологии.

С экономической точки зрения это означает рост затрат на быстрый переход: требуется заменить модель, заново подключить ее к внутренним контурам, повторно проверить безопасность и соответствие требованиям, переобучить персонал, а в отдельных случаях — временно замедлить процессы. В результате часть выгоды от внедрения ИИ может быстро превратиться в дополнительные расходы и задержки.

Вывод простой: чем глубже ИИ встроен в управление и операции, тем дороже и болезненнее «замена детали». Поэтому важны не только сами алгоритмы, но и такая архитектура, которая позволяет быстро менять поставщика без остановки работы.