ИИ может добавлять работы

Применение искусственного интеллекта (ИИ) повышает производительность отдельных работников, однако масштаб этого эффекта зависит от состава задач, квалификации персонала и организации производства. Увеличение числа выполненных операций не всегда означает сопоставимый рост выпуска компании: часть выигрыша могут поглощать проверка результатов и ограничения, появляющиеся на других участках работы. Исследования 2025–2026 годов подтверждают положительные эффекты конкретных применений технологии, но пока не позволяют оценить их совокупный вклад в производительность бизнеса.

Актуальные международные обследования компаний фиксируют разрыв между распространением ИИ и оценками его результатов для производительности бизнеса. По данным исследования «Firm Data on AI» («Данные компаний об использовании ИИ»), опубликованного Национальным бюро экономических исследований США (NBER) в марте 2026 года, технологию применяют 69% из почти 6 тыс. опрошенных фирм США, Великобритании, Германии и Австралии. При этом около девяти из десяти руководителей не отметили ее влияния на производительность или занятость за предыдущие три года. Ответы отражают восприятие руководителей, а не независимые измерения выработки. Тем не менее они не дают оснований считать рост производительности уже массовым результатом внедрения ИИ.

Впрочем, экспериментальные оценки эффективности ИИ существенно выше. В испытаниях с участием 4867 разработчиков доступ к ИИ-помощнику увеличил число завершенных задач в среднем на 26%. Результат получен в Microsoft, Accenture и еще одной крупной компании и описан в работе «The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers» («Влияние генеративного ИИ на высококвалифицированный труд: результаты трех полевых экспериментов с разработчиками программного обеспечения»), опубликованной февраля 2026 года в Management Science. Менее опытные сотрудники чаще использовали инструмент и получали больший выигрыш, хотя оценки отдельных экспериментов заметно различались.

Противоречия, которое обнаруживается на первый взгляд, между этими результатами нет. Эксперимент оценивает определенный инструмент в конкретной деятельности, тогда как опрос охватывает компании с разной интенсивностью и способами использования ИИ. Кроме того, производительность предприятия зависит от всей последовательности операций. Ускорение разработки необязательно сокращает время проверки, согласования и выпуска продукта. Если эти этапы ограничивают производство, дополнительная выработка разработчиков не даст пропорционального прироста конечного выпуска.

Часть ограничений может возникать непосредственно в процессе применения ИИ. Автоматизация подготовки материалов увеличивает значение контроля качества, затраты на который нередко несут другие сотрудники. Такие случаи разбираются в статье «AI-Generated "Workslop" Is Destroying Productivity» («Низкокачественные рабочие материалы, созданные ИИ, подрывают производительность»), опубликованной Harvard Business Review (HBR) в сентябре 2025 года. Из 1150 опрошенных работников в США 40% за предыдущий месяц получали созданные с помощью ИИ материалы, недостаточно содержательные для выполнения задачи. На их проверку, уточнение и переделку получатели, по собственной оценке, тратили в среднем 1 час 56 минут на случай.

Эти данные не устанавливают чистых потерь: исследователи не сопоставляли дополнительные затраты получателей с экономией отправителей и объемом переделок без ИИ. Однако они указывают на риск завышения эффекта автоматизации. Если измерение заканчивается подготовкой документа, последующая проверка остается за его пределами. Для предприятия же производительность определяется совокупными затратами труда на пригодный к использованию результат. Улучшение показателя одного подразделения может сопровождаться ростом нагрузки на другое.

Экономическая целесообразность применения ИИ зависит не только от скорости выполнения задания. Существенны стоимость проверки и последствия ошибки. При подготовке вариантов рекламного текста неудачные результаты относительно легко отбраковать; в работе с договорами для обнаружения ошибки может потребоваться квалификация, сопоставимая с необходимой для самостоятельного составления документа. Это ограничивает возможность заменить труд специалиста, но оставляет возможность изменить состав его работы.

Такое распределение задач рассматривается в статье «The Gen AI Playbook for Organizations» («Руководство по применению генеративного ИИ в организациях»), опубликованной в HBR за ноябрь—декабрь 2025 года. Эксперты предлагают соотносить способ применения технологии с ценой ошибки и характером необходимых знаний. Обработку документированной информации можно передавать системе, сохраняя за сотрудником оценку обстоятельств и окончательное решение. Второе условие реализации выигрыша — использование высвободившегося труда. Сокращение времени на выполнение прежнего объема обязанностей создает возможность увеличить выпуск, повысить качество обслуживания или уменьшить продолжительность работы. Выбор зависит от спроса, загрузки смежных подразделений и решений работодателя. Если обязанности и рабочее время остаются прежними, а дополнительного выпуска нет, снижение трудоемкости отдельных операций не означает роста выработки на весь отработанный час.

Эффект от использования ИИ может состоять в расширении деятельности, а не только в удешевлении существующих операций. Снижение трудоемкости делает доступными задачи, от которых компания прежде отказывалась из-за недостатка ресурсов. Значение поиска таких применений проверили INSEAD и Гарвардская школа бизнеса в работе «Mapping AI into Production: A Field Experiment on Firm Performance» («Встраивание ИИ в производственные процессы: полевой эксперимент с результатами компаний»), опубликованной в апреле 2026 года. В эксперименте с 515 стартапами компаниям предоставляли информацию о том, как другие фирмы перестраивают работу с ИИ. Получившие ее участники находили больше применений технологии и выполняли на 12% больше задач, чем контрольная группа.

Для устойчивой эффективности использования технологии имеет значение и накопление квалификации. В трехмесячном эксперименте со 133 патентными юристами ИИ повышал качество документов, особенно у младших специалистов. После работы с ИИ юристам предложили самостоятельно отредактировать патентные документы. Опытные специалисты, которые ранее пользовались технологией, справились с задачей лучше коллег из контрольной группы. У начинающих юристов такого преимущества в среднем не наблюдалось, зафиксировано в работе «Does AI Assistance Enhance or Erode Expertise? Evidence from a Three-Month Field Experiment in Patent Drafting» («Развивает ли помощь ИИ профессиональную компетентность или ослабляет ее? Результаты трехмесячного полевого эксперимента по подготовке патентных документов»), опубликованной в сентябре 2026 года NBER. Следовательно, повышение текущего качества работы само по себе недостаточно для вывода о росте самостоятельной квалификации сотрудника. Для кадровых решений эти результаты необходимо оценивать раздельно.

Прибыльность также не служит прямым показателем производительности. Экономию труда могут поглощать расходы на разворачивание технологии. Конкуренция же может принуждать компании снижать цены, тогда часть выгоды от роста производительности останется покупателям, а прибыль компаний вырастет меньше. Это связано с общедоступностью технологии: конкуренты способны автоматизировать одни и те же операции. Поэтому рост выпуска при прежних трудозатратах может не сопровождаться увеличением маржи.

Таким образом, на сегодняшний день исследования надежнее подтверждают увеличение выработки в отдельных видах деятельности, чем общий прирост производительности компаний. Они также выявляют условия, способные ограничить эффект ИИ для производительности: дополнительные трудозатраты на проверку, сохранение прежней организации процессов и недостаточное развитие навыков. Для оценки устойчивого результата нужны наблюдения, одновременно учитывающие конечный выпуск, качество, рабочее время всех участников и затраты на внедрение. Без этих данных увеличение числа выполненных задач остается важным, но неполным показателем экономической отдачи от ИИ.