Почему команда использует ИИ не для того: данные Gallup
AI-модели в этой статье
20 июля Gallup опубликовал очередной квартальный замер внедрения ИИ в американских компаниях. Заголовок у исследования оптимистичный: 47% сотрудников говорят, что их организация интегрировала ИИ-инструменты – плюс шесть процентных пунктов за квартал, причём до этого внедрение заметно отставало от роста индивидуального использования. Само индивидуальное использование тоже растёт: 52% работников применяют ИИ в своей роли, 15% – ежедневно.
Дальше в данных есть таблица, которая с этим оптимизмом согласуется плохо. Самые частые сценарии – написание и редактирование текстов (51% пользователей ИИ), поиск и исследования (49%), общая помощь (39%). А когда тех же людей спрашивают, где ИИ реально улучшил их продуктивность, порядок переворачивается: наивысшие оценки у помощи в кодинге и автоматизации процессов (77%), презентаций (76%) и аналитики (75%). Тексты (68%) и поиск (65%) оказываются в самом низу.
Выходит развилка: команды массово используют ИИ именно там, где отдача самая слабая. Разберёмся, насколько этим цифрам можно верить и что из них следует для руководителя проекта или продукта.
Что измерил Gallup
Сначала про сам источник, потому что «Gallup измерил продуктивность ИИ» звучит громче, чем есть на самом деле.
Это ежеквартальный опрос Gallup Panel: самозаполняемая веб-анкета по случайной выборке работающих взрослых в США. Волна прошла с 6 по 20 мая 2026 года и собрала 22 573 респондента; погрешность ±0,9 процентного пункта. Методология солидная для опроса. Принципиально другое дело – что именно спрашивали. Всё, что Gallup знает о продуктивности, – это самооценка респондентов, и к этому мы ещё вернёмся.
Вот основная таблица исследования. В левой колонке – доля пользователей ИИ, которые применяют его для данного сценария. В правой – доля среди них, кто говорит, что ИИ положительно повлиял на их продуктивность:
| Сценарий | Используют | Отмечают прирост продуктивности |
|---|---|---|
| Написание и редактирование текстов | 51% | 68% |
| Поиск и исследования | 49% | 65% |
| Общая помощь, решение задач | 39% | 70% |
| Управление знаниями и информацией | 31% | 72% |
| Почта и коммуникации | 29% | 72% |
| Помощь на встречах, транскрипция | 19% | 73% |
| Анализ данных, аналитика | 18% | 75% |
| Презентации и слайды | 17% | 76% |
| Генерация изображений, видео, аудио | 17% | 70% |
| Помощь в кодинге | 16% | 77% |
| Управление задачами, расписанием, проектами | 16% | 72% |
| Автоматизация процессов | 16% | 77% |
Первая колонка читается сверху вниз, вторая – почти снизу вверх. Сценарии, за которые берётся большинство, дают самые скромные оценки эффекта. Сценарии с наивысшими оценками освоили по 16–18% пользователей.
Есть и вторая закономерность, на широту применения. Среди тех, кто использует ИИ для одной-двух задач, прирост продуктивности отмечают 45%. Для трёх-четырёх задач – 66%, для пяти-шести – 78%, для семи и более – 90%. Чем шире человек встроил ИИ в работу, тем выше его оценка отдачи.
Насколько этим цифрам можно верить
Прежде чем строить на этом план внедрения, три оговорки.
Первая оговорка – самоотчётность. Продуктивность здесь – субъективное ощущение человека; объективного замера в опросе нет. Люди, которые вложились в освоение ИИ, склонны этот выбор защищать. Опрос не видит ни качества результата, ни времени, потраченного на проверку и переделку. А эта статья расходов весомая: по данным Workday, почти 40% времени, сэкономленного с ИИ, уходит на исправление его ошибок. Gallup этой цифры не измерял вовсе.
Вторая – корреляция. Градация 45–66–78–90% выглядит как «добавьте сценариев – получите прирост». Сам Gallup честно пишет, что это не следует: возможно, люди, которым ИИ подходит, просто находят ему больше применений, и часть профессий даёт больше точек подключения, чем другие. Если раздать скептику четыре новых сценария, его оценка продуктивности автоматически не вырастет. Это согласуется и с другими замерами: Epoch AI и Ipsos насчитали, что 62% пользователей применяют ИИ всего к одной-двум задачам – и поведение это упрямое, широта сама собой не расширяется.
Третья – география и мягкое «внедрение». Выборка – только США, с их доступом к инструментам и зрелостью процессов. И сам показатель внедрения мягкий: 47% означают, что сотрудник считает, будто организация интегрировала ИИ «для повышения продуктивности, эффективности или качества». Под эту формулировку попадает и реальная перестройка процесса, и купленная лицензия, о которой один раз написали в корпоративной рассылке. Показательно, что каждый пятый респондент вообще не знает, внедряла ли его компания ИИ – эта доля не меняется несколько кварталов.
При всём этом главный вывод таблицы выдерживает проверку. Разрыв между 65% и 77% устойчив, и косвенно его подтверждает поведение самих опрошенных: те, кто пользуется ИИ часто, системно дрейфуют в сторону специализированных сценариев. Люди, которые работают с инструментом каждый день, голосуют за эту разницу собственными привычками.
Лестница сценариев: где стоит ваша команда
Самый полезный кусок исследования для практики – сравнение частых и редких пользователей. Частые (несколько раз в неделю и чаще) используют ИИ шире по всем направлениям, но разрыв распределён очень неравномерно:
| Сценарий | Частые пользователи | Редкие пользователи |
|---|---|---|
| Помощь в кодинге | 22% | 8% |
| Автоматизация процессов | 21% | 8% |
| Управление задачами и проектами | 21% | 9% |
| Общая помощь, решение задач | 48% | 28% |
| Написание и редактирование | 58% | 41% |
| Поиск и исследования | 54% | 42% |
В текстах и поиске частые пользователи впереди редких в полтора раза. В кодинге, автоматизации и управлении проектами – почти втрое. Gallup формулирует это аккуратно: частые пользователи применяют ИИ для задач, где у инструмента есть понятная связь с конкретной функцией их работы.
Из этих цифр складывается лестница зрелости, которую можно приложить к собственной команде.
Ступень 1. Тексты и поиск (эффект 65–68%)
Черновики писем, саммари документов, ответы на справочные вопросы. Это нормальная входная точка – именно сюда попадает большинство. Плохо, если через год использования команда осталась на той же ступени: она получает от ИИ самую слабую из измеренных отдач.
Ступень 2. Коммуникации и знания (72%)
Разбор входящих, протоколы встреч, работа с базой знаний. ИИ уже подключён к процессу команды, хотя пока на вспомогательных задачах.
Ступень 3. Аналитика и презентации (75–76%)
Разбор метрик спринта, подготовка материалов для заинтересованных сторон, анализ результатов пульс-опроса. Здесь модель работает с данными проекта, и её выводы требуют проверки, зато и отдача заметно выше.
Ступень 4. Автоматизация и управление проектами (72–77%)
Повторяющаяся отчётность, которая собирается из сырья без ручного участия: протоколы превращаются в реестр рисков, статусы команд – в сводку для руководства, изменение вводных – в пересчёт плана. Для руководителя проекта это его прямая функциональная зона – и именно здесь, по Gallup, зазор между частыми и редкими пользователями один из самых больших: 21% против 9%.
Отдельно стоит строка про 20% сотрудников, которые не знают, внедрён ли ИИ в их компании. Это диагноз коммуникации: внедрение, о котором не знает пятая часть коллектива, существует в основном в презентации. Сам Gallup в своём предыдущем исследовании прямо связывает уровень использования с поддержкой руководителя команды. Мы видели похожую картину и в прошлогоднем замере Gallup, и в разборе Google ATLAS: широкий охват при мелкой глубине – устойчивый паттерн, который повторяется из замера в замер.
Лестница выглядит простой, пока не попробуешь поднять по ней реальную команду. Переход со ступени на ступень – это смена постановки задачи для модели: от «напиши текст» к «разбери данные и выдай решения». Убедиться в разнице проще всего руками.
Пройдите 9 реальных задач менеджера с ИИ – от черновика письма до разбора рисков проекта. Бесплатно, без регистрации
Доступ сразу после регистрации
Демонстрация: из протокола созвона в реестр рисков
Вот как выглядит четвёртая ступень в миниатюре. В промпт ниже уже вложена расшифровка типичного статус-созвона: полторы минуты чтения, пять рисков, спрятанных в бытовой болтовне. Задача модели – извлечь из неё реестр рисков с цитатами-основаниями, отчёт для директора и список недостающей информации. Это уже аналитическая работа, заметно дальше по лестнице, чем «перепиши письмо вежливее». Запустить можно как есть, потом подставить протокол собственного созвона.
Модели подобраны по нашему бенчмарку – наведите на название, чтобы увидеть актуальные цифры. Kimi K3 держит верх сразу двух профильных категорий – «анализ и решения» и «планирование», и по описанию её сильная сторона именно здесь: переформулирует проблему, строит сценарии, выдаёт готовые таблицы. Плюс она доступна из России напрямую. GPT-5.6 Sol лидирует в общем зачёте и держится в верхних строчках «анализа и решений»; отличается структурными разборами и честностью о пределах данных, для доступа из России понадобится обходной путь.
Я прогнал этот промпт на обеих моделях 18 августа. Обе нашли все пять рисков, заложенных в расшифровку: падающий контур банка, единственный владелец платёжного модуля перед отпуском, запрос заказчика на Госуслуги, нулевой запас по тестированию и 4% «кривых» записей при миграции. Каждый риск обе модели обосновали цитатой – это важно, потому что цитата позволяет проверить вывод за секунды.
На что смотреть в ответе. Первое – последний блок отчёта директору: там должны стоять конкретные решения, которые вы запрашиваете у руководства. Именно этот блок отличает аналитический артефакт от саммари встречи. Второе – производные числа. Kimi K3, например, вычислила из «4% = 80 тысяч» полный объём базы в ~2 млн записей. Арифметика верная, но это уже вывод модели, и у неё задокументированная слабость как раз в конкретных цифрах – такие места проверяйте руками. Смежный вопрос – насколько модель вообще настаивает на своём, когда вы возражаете: по нашему исследованию уступчивости, давление без новых фактов регулярно сдвигает ответы, так что спор с моделью – тоже часть проверки. Третье – блок недостающей информации: это та точка, где заканчивается работа модели и начинается работа руководителя. Модель честно показывает, чего в расшифровке нет; добыть это может только человек с доступом к проекту.
Разобрали чужой созвон за минуту. Теперь то же самое – на задачах из вашей практики: 9 сценариев для менеджера, бесплатно
Доступ сразу после регистрации
Что сделать в понедельник
Из всего этого исследования для руководителя вытекают четыре действия.
Проведите инвентаризацию. Выпишите, для чего ваша команда реально использует ИИ, и разложите сценарии по лестнице из четырёх ступеней. Если список состоит из текстов и поиска – вы на медиане Gallup, где прирост продуктивности ощущают 45–68% пользователей, и потолок этой конфигурации известен.
Переведите одну задачу на ступень выше. Возьмите повторяющуюся отчётную задачу – еженедельный статус подходит лучше всего – и перестройте её из сценария «составь текст» в сценарий «разбери сырьё и выдай решения». Промпт из предыдущего раздела годится как отправная точка, а полный рабочий цикл такой автоматизации мы разбирали в статье про отчёты и статусы с ИИ. Разница видна через одну-две недели, и она ощутимо больше, чем от смены модели.
Посадите пары. Данные Gallup показывают, что частые пользователи применяют специализированные сценарии в два-три раза чаще редких. Поставьте вашего самого продвинутого пользователя в пару к самому осторожному на одну реальную задачу – это дешевле любого тренинга, а передаётся как раз то, что тренинги не передают: привычку связывать инструмент с конкретной функцией работы.
Меряйте переделку вместо ощущений. Gallup измеряет субъективную продуктивность – это полезный индикатор настроения, но слабая метрика для управления. Ваш внутренний показатель – часы, которые команда тратит на проверку и исправление результатов ИИ. Если этот счётчик растёт быстрее экономии, вы двигаетесь по лестнице слишком быстро для своей планки качества. Есть и расход, который часами не измеришь: мышление, постепенно подменяемое готовыми ответами.
И общий вывод. Заголовок Gallup – про рост внедрения. Для руководителя содержательная часть другая: сам факт внедрения почти ничего не говорит об отдаче. Говорит о ней ступень, на которой стоит команда. Пока её сценарии – это тексты и поиск, она получает ровно те 65–68%, которые Gallup записал в нижние строки своей таблицы. Как этот замер вписывается в год наблюдений за такими отчётами, мы разобрали в обзоре двух кривых: внедрение растёт линейно и предсказуемо, отдача за тот же год почти не сдвинулась.
Популярный сценарий у вас уже есть. Пора освоить эффективный
Специализация «Проектное управление»: статусы, риски, отчётность для руководства, пересчёт плана – специализированные сценарии ИИ на собственном проекте, с разбором и обратной связью.
Источник: Kemp A. Organizational AI Adoption Jumps Six Points. Gallup, 20 июля 2026. Опрос Gallup Panel, 6–20 мая 2026, n = 22 573 работающих взрослых в США, погрешность ±0,9 п.п. Дополнительно: Gallup о роли руководителя во внедрении ИИ.
Часто задаваемые вопросы
Для чего сотрудники чаще всего используют ИИ по данным Gallup?
Какие сценарии использования ИИ дают наибольший прирост продуктивности?
Доказывает ли исследование Gallup, что расширение сценариев повышает продуктивность?
С чего начать перевод команды на специализированные сценарии ИИ?
Stanislav Belyaev
Engineering Leader в Microsoft18 лет в управлении инженерными командами. Основатель mysummit.school. 700+ выпускников в Яндекс Практикуме и Стратоплане.