Технический контекст: где именно исследование бьет по хайпу
Я посмотрел paper NBER w34836 и сразу увидел главное: авторы не спорят с тем, что ИИ умеет ускорять отдельные задачи. Они фиксируют другой, куда более неприятный для менеджмента факт — на уровне компании этот эффект почти не материализовался.
В выборке почти 6 тысяч руководителей из США, Великобритании, Германии и Австралии. Около 70% компаний уже используют ИИ, но более 80% не заметили измеримого влияния ни на занятость, ни на производительность, а 89% не увидели изменений в показателе sales per employee.
Я отдельно обратил внимание на еще одну цифру: топ-менеджеры сами используют ИИ в среднем около 1,5 часа в неделю, а четверть не используют вообще. Для меня это сильный сигнал, что во многих компаниях решения про внедрение искусственного интеллекта принимают люди, которые не живут внутри нового инструментария и не понимают, где именно возникает экономический эффект.
Исследование при этом не отрицает локальные победы. В саппорте, подготовке текстов и обработке информации рост бывает заметным, но между «сотрудник сделал задачу быстрее» и «компания стала производительнее» лежит целая пропасть из интеграций, процессов, KPI и управленческой дисциплины.
Влияние на бизнес и автоматизацию: кто выигрывает, а кто теряет время
Я давно говорю клиентам одну неприятную вещь: покупка LLM-доступа не равна результату. Если компания ограничилась чат-ботом, несколькими промптами и презентацией для совета директоров, она почти гарантированно попадет в те самые 80% без измеримого эффекта.
Выигрывают не те, кто «экспериментирует с ИИ», а те, кто строит AI-архитектуру вокруг конкретного операционного узкого места. Когда я проектирую ИИ решения для бизнеса, я не начинаю с модели. Я начинаю с unit economics процесса: где теряются часы, где растет стоимость ошибки, где есть повторяемый контур и где можно встроить контроль качества.
Проигрывают компании, которые считают productivity только по верхнеуровневым метрикам и ждут мгновенного скачка. Если ИИ сократил время ответа, улучшил качество классификации заявок или уменьшил процент брака в документах, это еще надо правильно донести до P&L через маршрутизацию, SLA, CRM, ERP и регламенты команды.
Именно поэтому ИИ автоматизация без нормальной интеграции редко дает результат. По нашему опыту в Nahornyi AI Lab, измеримый эффект появляется там, где мы связываем модель с данными, ролями, лимитами риска и системой принятия решений, а не оставляем ее отдельной «умной кнопкой».
Стратегический взгляд: парадокс продуктивности не опровергает ИИ, а разоблачает слабое внедрение
Я не читаю это исследование как приговор ИИ. Я читаю его как диагноз рынку. Бизнес массово дошел до стадии, где демо уже есть, а архитектуры ИИ-решений еще нет.
Это очень похоже на ранние этапы ERP, CRM и RPA. Сначала компании покупали инструмент, потом разочаровывались, а реальную отдачу получали те, кто переделывал процесс, менял ответственность и строил сквозную интеграцию искусственного интеллекта в операционный контур.
Мой прогноз простой: в ближайшие 12–24 месяца разрыв между «используем ИИ» и «зарабатываем на ИИ» станет еще заметнее. Рынок разделится на две группы — одни продолжат считать количество лицензий, другие начнут считать стоимость решения кейса, скорость цикла и маржу на сотрудника.
На проектах Nahornyi AI Lab я вижу один устойчивый паттерн. Как только мы убираем абстрактную цель «сделать ИИ автоматизацию» и заменяем ее на связку из процесса, метрики, интеграции и owner'а, эффект становится не философским, а финансовым. Именно этого сейчас не хватает большинству компаний из опросов.
Этот разбор подготовил Вадим Нагорный — ведущий эксперт Nahornyi AI Lab по AI-архитектуре, ИИ автоматизации и практическому внедрению ИИ в бизнес-процессы.
Я приглашаю вас обсудить ваш кейс вместе со мной и командой Nahornyi AI Lab. Если вам нужен не очередной пилот ради отчета, а рабочая архитектура, ИИ интеграция и понятная экономика проекта, свяжитесь со мной — я помогу собрать решение под ваш реальный операционный контур.