Технічний контекст: де саме дослідження б'є по хайпу
Я переглянув paper NBER w34836 і відразу побачив головне: автори не сперечаються з тим, що ШІ вміє прискорювати окремі завдання. Вони фіксують інший, значно неприємніший для менеджменту факт — на рівні компанії цей ефект майже не матеріалізувався.
У вибірці майже 6 тисяч керівників зі США, Великої Британії, Німеччини та Австралії. Близько 70% компаній вже використовують ШІ, але понад 80% не помітили вимірного впливу ні на зайнятість, ні на продуктивність, а 89% не побачили змін у показнику продажів на одного співробітника.
Я окремо звернув увагу на ще одну цифру: топ-менеджери самі використовують ШІ в середньому близько 1,5 години на тиждень, а чверть не використовують взагалі. Для мене це сильний сигнал, що в багатьох компаніях рішення про впровадження штучного інтелекту приймають люди, які не живуть усередині нового інструментарію і не розуміють, де саме виникає економічний ефект.
Дослідження при цьому не заперечує локальних перемог. У сапорті, підготовці текстів та обробці інформації зростання буває помітним, але між «співробітник виконав завдання швидше» і «компанія стала продуктивнішою» лежить ціла прірва з інтеграцій, процесів, KPI та управлінської дисципліни.
Вплив на бізнес та автоматизацію: хто виграє, а хто втрачає час
Я давно кажу клієнтам одну неприємну річ: купівля доступу до LLM не дорівнює результату. Якщо компанія обмежилася чат-ботом, кількома промптами і презентацією для ради директорів, вона майже гарантовано потрапить у ті самі 80% без вимірного ефекту.
Виграють не ті, хто «експериментує з ШІ», а ті, хто будує AI-архітектуру навколо конкретного операційного вузького місця. Коли я проєктую ШІ-рішення для бізнесу, я не починаю з моделі. Я починаю з unit-економіки процесу: де втрачаються години, де зростає вартість помилки, де є повторюваний контур і де можна вбудувати контроль якості.
Програють компанії, які рахують продуктивність лише за верхньорівневими метриками і чекають на миттєвий стрибок. Якщо ШІ скоротив час відповіді, покращив якість класифікації заявок або зменшив відсоток браку в документах, це ще треба правильно донести до P&L через маршрутизацію, SLA, CRM, ERP та регламенти команди.
Саме тому ШІ-автоматизація без нормальної інтеграції рідко дає результат. З нашого досвіду в Nahornyi AI Lab, вимірний ефект з'являється там, де ми пов'язуємо модель з даними, ролями, лімітами ризику і системою прийняття рішень, а не залишаємо її окремою «розумною кнопкою».
Стратегічний погляд: парадокс продуктивності не спростовує ШІ, а викриває слабке впровадження
Я не читаю це дослідження як вирок ШІ. Я читаю його як діагноз ринку. Бізнес масово дійшов до стадії, де демо вже є, а архітектури ШІ-рішень ще немає.
Це дуже схоже на ранні етапи ERP, CRM та RPA. Спочатку компанії купували інструмент, потім розчаровувалися, а реальну віддачу отримували ті, хто переробляв процес, змінював відповідальність і будував наскрізну інтеграцію штучного інтелекту в операційний контур.
Мій прогноз простий: у найближчі 12–24 місяці розрив між «використовуємо ШІ» і «заробляємо на ШІ» стане ще помітнішим. Ринок розділиться на дві групи — одні продовжать рахувати кількість ліцензій, інші почнуть рахувати вартість вирішення кейсу, швидкість циклу та маржу на співробітника.
На проєктах Nahornyi AI Lab я бачу один стійкий патерн. Щойно ми прибираємо абстрактну ціль «зробити ШІ-автоматизацію» і замінюємо її на зв'язку з процесу, метрики, інтеграції та owner'а, ефект стає не філософським, а фінансовим. Саме цього зараз бракує більшості компаній з опитувань.
Цей розбір підготував Вадим Нагорний — провідний експерт Nahornyi AI Lab з AI-архітектури, ШІ-автоматизації та практичного впровадження ШІ у бізнес-процеси.
Я запропонував би вам обговорити ваш кейс разом зі мною та командою Nahornyi AI Lab. Якщо вам потрібен не черговий пілот заради звіту, а робоча архітектура, ШІ-інтеграція та зрозуміла економіка проєкту, зв'яжіться зі мною — я допоможу зібрати рішення під ваш реальний операційний контур.