ИИ везде, кроме отчетов о производительности: почему экономика не ускоряется и какую роль сыграют виртуальные сотрудники
По новостям может показаться, что переход к эпохе искусственного интеллекта уже состоялся. Крупнейшие компании активно внедряют генеративные модели, капитализация производителей ускорителей растет, а венчурный рынок продолжает финансировать новые ИИ-проекты. Согласно прогнозам исследователей, к 2026 году генеративный ИИ будет использоваться большинством крупных организаций.
Однако макроэкономические показатели пока не подтверждают технологическую революцию. Производительность труда в мире растет примерно на 1-1,5% в год, а в отчетах центральных банков и международных организаций не видно резкого ускорения, сопоставимого с масштабом инвестиций в ИИ. Возникает закономерный вопрос: почему компании массово используют новые инструменты, но экономика в целом почти не меняется?
Современный вариант парадокса Солоу
В 1987 году экономист Роберт Солоу заметил: компьютеры можно увидеть повсюду, кроме статистики производительности. Персональные компьютеры и корпоративные информационные системы уже активно закупались бизнесом, но заметный вклад в ВВП проявился лишь спустя годы.
Причина заключалась не в бесполезности технологий. Компании должны были перестроить управление, логистику, структуру отделов и систему принятия решений. Компьютер сам по себе не менял бизнес-процесс - он лишь ускорял отдельные операции внутри старой организации.
С искусственным интеллектом происходит нечто похожее. Работники используют чат-ботов для подготовки писем, создания презентаций, написания SQL-запросов и обработки документов. Но если итоговый результат по-прежнему проходит прежнюю цепочку согласований, проверок и ручных передач между отделами, выигрыш от одного ускоренного этапа быстро исчезает.
Экономисты называют это современным парадоксом производительности ИИ. По данным опросов бизнеса, устойчивый эффект - заметный рост маржи или сокращение расходов более чем на 10% - получает лишь небольшая доля организаций. Такие компании принято называть лидерами внедрения ИИ. Для остальных технология остается полезным, но дорогостоящим дополнением к уже существующей инфраструктуре.
Главный барьер - не модель, а устройство компании
Наиболее распространенный сценарий внедрения выглядит просто: организация покупает доступ к языковой модели и предлагает сотрудникам "работать быстрее". Это действительно сокращает время на отдельные задачи, но редко меняет саму роль специалиста.
Например, юрист может быстрее подготовить черновик договора, однако документ все равно проходит прежние согласования. Аналитик быстрее соберет отчет, но данные по-прежнему приходится вручную выгружать из нескольких систем. Разработчик генерирует больше кода, но тестирование, проверка безопасности и выпуск продукта остаются прежними.
Так возникает эффект локального ускорения. Один участок процесса становится быстрее на 20-30%, но общий срок выполнения заказа почти не меняется, поскольку узкое место находится в другом месте. Теория ограничений Элияху Голдратта объясняет это достаточно просто: скорость всей системы определяется не самым быстрым этапом, а ее главным препятствием.
Поэтому организациям нужна не просто автоматизация отдельных действий, а архитектурная адаптация. Необходимо перепроектировать цепочку работы целиком: от поступления запроса до получения результата клиентом.
Скрытая цена проверки результатов
Еще одна проблема связана с контролем качества. ИИ способен создавать убедительные, но ошибочные ответы. Модель может неверно интерпретировать цифру, придумать источник, пропустить исключение в коде или сформулировать юридически рискованное положение.
В результате сотрудник тратит время не только на получение ответа, но и на его проверку. Иногда контроль занимает столько же времени, сколько выполнение задачи вручную. Особенно это заметно в медицине, финансах, юриспруденции, промышленности и сфере информационной безопасности.
Компании часто считают стоимость подписки на ИИ-сервис, но не включают в расчеты расходы на верификацию, настройку промптов, обучение персонала, исправление ошибок и разбор инцидентов. Между тем именно эти издержки определяют реальную экономическую эффективность технологии.
От "попугая" к виртуальному сотруднику
Большинство популярных чат-ботов работает в режиме собеседника: пользователь задает вопрос, получает ответ и самостоятельно выполняет следующие действия. Такой инструмент полезен, но он не является полноценным участником бизнес-процесса.
Следующий этап развития - агентский ИИ. Агент получает цель, анализирует контекст, обращается к корпоративным базам, запускает необходимые программы, проверяет промежуточный результат и доводит задачу до завершения.
Например, виртуальный сотрудник отдела закупок может самостоятельно принять заявку, проверить остатки на складе, подобрать поставщиков, сравнить цены, сформировать заказ и передать его на утверждение. Агент поддержки способен классифицировать обращение, запросить данные из CRM, предложить решение и закрыть типовой случай без участия оператора.
В такой модели измеряется уже не цена токена и не количество сгенерированных символов, а стоимость выполнения задачи - Cost per Task. Именно этот показатель ближе к бизнес-экономике: сколько стоит обработать заявку, подготовить договор, проверить документ или сформировать отчет.
Автоматизировать нужно роли, а не набор поручений
Одна из стратегических ошибок компаний заключается в попытке автоматизировать отдельные задачи, не меняя должностную структуру. В результате сотрудник получает десятки новых ИИ-инструментов, но продолжает отвечать за тот же фрагмент процесса.
Более эффективный подход - анализировать роль целиком. Если специалист тратит время на поиск данных, составление документов, коммуникацию между отделами и контроль статусов, виртуальный сотрудник должен закрывать эту связку операций, а человек - оставаться ответственным за решения, исключения и контроль рисков.
Это не обязательно означает массовое сокращение персонала. Во многих случаях речь идет о перераспределении труда: один специалист сможет вести больше клиентов, контролировать более крупный портфель или заниматься задачами, требующими опыта и нестандартного мышления.
Как изменится рынок труда
ИИ, вероятнее всего, будет постепенно заменять не профессии целиком, а повторяемые элементы внутри них. Исчезать будут отдельные операции: первичный поиск информации, расшифровка звонков, составление типовых писем, сверка документов, подготовка стандартных отчетов.
При этом возрастет спрос на работников, способных ставить задачи агентам, проверять их выводы, управлять цифровыми процессами и отвечать за конечный результат. Ценность специалиста будет определяться не только знаниями, но и умением выстраивать надежную систему взаимодействия человека и алгоритма.
Организациям придется пересматривать критерии эффективности. Количество обработанных документов или часов за компьютером постепенно уступит место более содержательным метрикам: скорости прохождения процесса, числу ошибок, стоимости результата и удовлетворенности клиента.
Коузовские трансакционные издержки
Одно из наиболее перспективных последствий агентского ИИ связано со снижением трансакционных издержек. Экономист Рональд Коуз показывал, что компании существуют, в частности, потому, что взаимодействовать внутри организации иногда дешевле, чем постоянно заключать сделки на рынке.
Виртуальные агенты могут резко удешевить поиск исполнителей, передачу информации, контроль обязательств и координацию между подразделениями. Небольшая компания сможет пользоваться сложными специализированными сервисами без создания крупных внутренних отделов.
Одновременно граница между фирмой и рынком станет менее четкой. Бизнес сможет быстро подключать временные цифровые команды под конкретный проект, а затем отключать их после завершения работы. Это повысит гибкость, но потребует новых правил доступа, ответственности и защиты данных.
Цифровой суверенитет и инфраструктурная зависимость
Экономический эффект ИИ зависит не только от программного обеспечения. Критически важны вычислительные ускорители, дата-центры, облачные платформы, каналы связи и электроэнергия. Если ключевые компоненты контролируются ограниченным числом поставщиков, национальная экономика становится зависимой от внешней инфраструктуры.
Дополнительную угрозу создает экспортный контроль. Ограничения на поставки передовых чипов и оборудования способны замедлить развитие целых отраслей. Даже при наличии талантливых специалистов страна может столкнуться с дефицитом вычислительных ресурсов.
Есть и финансовый риск. Строительство дата-центров требует огромных вложений, но пока не всегда ясно, принесет ли их загрузка достаточную прибыль. Если спрос окажется ниже ожиданий, рынок может столкнуться с переизбытком мощностей и проблемными инвестициями.
Энергетический и сырьевой барьеры
Современные модели требуют значительных объемов электричества не только во время обучения, но и при постоянной обработке запросов. Рост числа ИИ-агентов означает, что вычисления будут выполняться круглосуточно и в большем количестве бизнес-систем.
Это создает давление на энергосети, трансформаторы, системы охлаждения и производственные цепочки. Для строительства новых вычислительных центров нужны медь, редкоземельные элементы, специальные виды оборудования и надежная инфраструктура передачи энергии.
В результате масштабирование ИИ может упереться не в качество алгоритмов, а в физические ограничения. Более эффективные модели снизят стоимость отдельных операций, но общий спрос на вычисления продолжит расти из-за расширения числа сценариев применения.
Что необходимо сделать компаниям
Чтобы ИИ действительно повлиял на производительность, недостаточно выдать сотрудникам доступ к чат-боту. Компании стоит начать с аудита процессов и определить, где возникают самые дорогие задержки, ошибки и ручные передачи.
Затем нужно объединить данные, настроить единые правила доступа и определить зоны ответственности человека и агента. Для каждого проекта необходимо заранее установить измеримые показатели: время выполнения, стоимость операции, долю ошибок и экономию ресурсов.
Особое внимание следует уделить безопасности. Виртуальный сотрудник должен работать с минимально необходимыми правами, фиксировать действия, разделять конфиденциальные данные и передавать человеку спорные случаи. Без такой архитектуры автоматизация может ускорить не только полезную работу, но и распространение ошибок.
Когда появится настоящий эффект
Макроэкономический результат проявится не тогда, когда большинство сотрудников начнет пользоваться генеративными моделями, а когда компании изменят собственную организацию. Понадобятся новые должностные инструкции, системы мотивации, стандарты контроля и методы расчета производительности.
Вероятно, период адаптации снова займет несколько лет. Как и в случае с персональными компьютерами, технология сначала распространится массово, затем бизнес будет постепенно перестраивать процессы, и лишь после этого статистика начнет фиксировать существенный рост эффективности.
ИИ уже стал повседневным инструментом, но пока остается лишь слоем поверх старой экономики. Настоящий перелом наступит тогда, когда виртуальные сотрудники начнут отвечать не за отдельные подсказки, а за завершенные бизнес-процессы. Именно переход от генерации текста к выполнению задач способен превратить технологический ажиотаж в реальный рост производительности.
