ИИ на рабочем месте: внедрение растёт, отдача застряла

За год этот блог разобрал больше десятка крупных замеров использования ИИ на рабочем месте: Gallup, Stanford, Wharton, BCG, Workday, Epoch AI, Google, Microsoft. По отдельности каждый отчёт рассказывает свою историю – и у каждого мы эту историю проверяли. Собранные в одну ленту, они показывают то, чего не видно ни в одном из них: две кривые, которые год движутся в разных направлениях.

Первая кривая – внедрение. Она растёт линейно и предсказуемо: по квартальным замерам Gallup, ежедневных пользователей ИИ среди работающих американцев стало 15% против 8% годом раньше, а корпоративное внедрение по Stanford AI Index дошло до 88%. Вторая кривая – отдача. Она плоская: доля тех, кто получает от ИИ чистую выгоду за вычетом переделок, Workday оценивает в 14%, и за год наблюдений эта цифра никуда не сдвинулась.

Ниже – обе кривые по первоисточникам, которые мы отслеживали весь год, с оговорками о том, что с чем можно сравнивать. И один свежий замер, который впервые появился на стороне отдачи.

Как мы считали

Сначала правила игры, потому что без них эта статья была бы манипуляцией.

Опросы в этой статье несопоставимы напрямую. Gallup опрашивает работающих взрослых в США, Stanford SWAA измеряет дни в неделю, AI Index собирает корпоративную отчётность, Workday, BCG и Wharton работают со своими панелями в других странах и с другими формулировками вопросов. Складывать их проценты в одну среднюю нельзя, и дальше я этого не делаю. Что можно сделать честно: посмотреть, куда движется каждый ряд сам по себе, и проверить, расходятся ли направления.

Единственный источник, где волны сравнимы между собой, – это квартальная серия Gallup Panel: один инструмент, одна методология, выборки больше 22 тысяч человек на волну. Поэтому каркас первой кривой построен на ней, а остальные источники работают как независимые подтверждения. Каждая цифра ниже ссылается на наш отдельный разбор, где есть методология и ограничения.

Кривая внедрения: скучный линейный рост

Вот серия Gallup целиком, от лета 2025 до лета 2026. «Частые» – это те, кто использует ИИ несколько раз в неделю и чаще:

За год доля использующих выросла на 12 процентных пунктов, ежедневных пользователей стало почти вдвое больше. Никакого взрыва – плюс два-три пункта в квартал, волна за волной. Мы зафиксировали эту серию дважды: в декабрьском разборе стояли значения третьего квартала 2025, в августовском – второго квартала 2026.

Остальные источники меряют другое и другим способом, но направление у них то же. Stanford SWAA, ежемесячный опрос с более чем 200 тысячами наблюдений, насчитал рост рабочего использования с 0,4 дня в неделю в декабре 2024 до 0,5 дня в октябре 2025. Stanford AI Index зафиксировал подъём корпоративного внедрения с 78% до 88% за год. У BCG доля рядовых сотрудников, называющих себя регулярными пользователями ИИ, выросла на 23 процентных пункта за год – до 74%. Wharton в октябре 2025 насчитал 82% руководителей, работающих с ИИ еженедельно.

Повторю оговорку: эти пять рядов измеряют разные явления, и точные уровни между ними сравнивать нельзя. Показательно другое – за год ни один из них не показал плато или разворота. Вопрос «внедрять ли ИИ» на уровне статистики закрыт. Рынок ответил.

Кривая отдачи: плоская

Теперь вторая лента – замеры того, что люди и компании получают взамен.

Первый сигнал прозвучал ещё в июне 2025: Brookings опросил 1 163 американца и выяснил, что при 57% использующих ИИ рост продуктивности видят только 19%. В августе 2025 MIT NANDA опубликовал разбор более трёхсот внедрений на фоне $30–40 млрд корпоративных инвестиций: измеримую отдачу получили 5% организаций, остальные 95% – ноль влияния на финансовый результат.

Дальше посыпались подтверждения с разных сторон. Workday с выборкой в 3 200 человек нашёл, что 87% сотрудников используют ИИ и 77% считают себя продуктивнее – но чистую выгоду после вычета времени на исправления получают только 14%. Почти 40% сэкономленного времени уходит на исправление ошибок самого ИИ (в точной формулировке отчёта – 37%). Epoch AI и Ipsos в марте 2026 показали, что 62% пользователей применяют ИИ к одной-двум задачам. Google в своём ATLAS разобрал 14,65 млн реальных диалогов с Gemini: ИИ присутствует в профессиях, где занято 88% работников США, но медианная профессия подключает его к 21% задач.

И наконец, восьмимесячное наблюдение за ~200 сотрудниками технологической компании, опубликованное в HBR, добавило механизм: сэкономленное время не высвобождается, а возвращается в виде большего объёма задач, меньшего числа пауз и работы, размазанной на вечера.

Оговорка та же, но здесь она важнее. Эти исследования меряют разное: самооценки, телеметрию диалогов, вскрытия проектов. Усреднять их нельзя. А вот что заметить стоит: за год ни один измерительный инструмент не зафиксировал, что отдача растёт вслед за внедрением. Кривая внедрения за год прошла от 40% до 52%. Кривая отдачи за тот же год – от 19% у Brookings до 14% у Workday, с поправкой на то, что это разные линейки.

Читатель, который дошёл досюда, уже видит обе кривые в чужих отчётах. Сложнее увидеть их в собственной команде: там нет Gallup, зато есть список сценариев, часы на проверку и освободившееся время, которое куда-то девается.

Первый замер на стороне отдачи

До этого лета у стороны отдачи был только хор голосов «мало», «плоско», «не работает» – без ранжирования. В июльском отчёте Gallup впервые появилась таблица, которая раскладывает отдачу по сценариям. Мы разобрали её в отдельной статье, здесь – суть.

Среди пользователей ИИ прирост продуктивности чаще всего отмечают те, кто применяет его для помощи в кодинге и автоматизации процессов – по 77%. Дальше презентации (76%) и аналитика (75%). Самые массовые сценарии – написание текстов и поиск – замыкают таблицу с 68% и 65%. Есть и градация по широте: у тех, кто использует ИИ для одной-двух задач, прирост отмечают 45%, у работающих с семью и более сценариями – 90%.

К этим цифрам три оговорки, и Gallup честно делает их сам. Это самооценки, а не объективный замер. Связь широты с отдачей – корреляция: возможно, люди, которым ИИ подходит, просто находят ему больше применений. Выборка – только США. При всём этом содержательный сдвиг состоялся: вопрос «даёт ли ИИ отдачу вообще» сменился вопросом «какие сценарии её дают». А это уже управленческая постановка.

Почему кривые расходятся

Три механизма, которые повторяются в источниках независимо друг от друга.

Первый – автоматизируется только записанное. В ATLAS профессии с зарегламентированной работой подключают ИИ заметно глубже: в структурированной умственной работе на автоматизацию приходится больше четверти диалогов, в неструктурированной – меньше 10%. Массовые сценарии вроде текстов и поиска как раз относятся к работе, где процедура не записана, – и потолок у них низкий по конструкции.

Второй – налог на проверку. Workday измерил его в 37% сэкономленного времени. Dejan.AI и Anthropic ещё в декабре описали то же явление через метафору стажёра, чью работу проверяешь дольше, чем делал бы сам. Чем дальше сценарий от «напиши черновик», тем выше требования к проверке результата – и тем чаще команда обнаруживает, что навыка проверять у неё нет.

Третий – у сэкономленного времени нет адреса. BCG зафиксировала: 66% рядовых сотрудников не получают никаких указаний, куда направить освободившиеся часы, и больше половины признаются, что не вкладывают их в более важную работу. HBR показал, что происходит вместо этого: объём задач растёт до размеров освободившегося времени. Экономия без назначения превращается в интенсификацию.

Общий знаменатель у всех трёх – управление. Microsoft в Work Trend Index 2026 посчитал, что организационные факторы определяют 67% эффекта от ИИ – вдвое больше, чем личные навыки сотрудников. Выбор сценариев, стандарт проверки, судьба сэкономленных часов – всё это решения, которые принимает руководитель, а не модель.

Что с этим делать

Вопрос «внедрять ли ИИ» больше не стоит – статистика закрыла его. Открытый вопрос другой: где в вашей команде отдача, а где движение ради движения. Три действия под него.

Первое – провести ревизию сценариев. Выпишите, для чего команда реально использует ИИ, и разложите по таблице отдачи Gallup. Промпт ниже делает это за вас: в него уже вложены таблица и пример списка сценариев проектного офиса, запустить можно как есть, потом подставить свои пункты.

Модели подобраны по нашему бенчмарку. GPT-5.6 Sol лидирует в общем зачёте, для доступа из России понадобится обходной путь. Kimi K3 доступна из России напрямую и по профилю подходит этой задаче: её сильная сторона – анализ и решения, она переформулирует проблему и выдаёт структурированные таблицы.

Я прогнал промпт на обеих моделях 18 августа. С классами отдачи они справились ожидаемо: сводка статусов, разбор метрик и слайды ушли в высокую, письма и саммари – в среднюю, поиск по базе – в базовую (Kimi K3 честно оговорила, что этот сценарий сидит на стыке «управления знаниями» и «поиска», и показала обе трактовки). Интереснее два расхождения. Первое: цена проверки не совпала с уровнем отдачи – письма при средней отдаче получили высокую цену проверки у обеих моделей, потому что аудитория внешняя и ошибку видит заказчик. Второе: кандидаты на перестройку разошлись. Kimi K3 выбрала сводку статусов (аргумент – риск тихо потерянного блокера при сжатии), GPT-5.6 Sol – слайды квартального отчёта. Это нормальный результат: «куда расти» зависит от того, где у команды боль, и однозначного ответа у таблицы Gallup здесь нет.

На что смотреть в ответе: не на класс отдачи, а на обоснование цены проверки – она съедает экономию. У разбора метрик, например, GPT-5.6 Sol поставил высокую цену (проверять выборку, формулы и причинные выводы), Kimi K3 – среднюю с резонным аргументом, что расчёты дёшево перепроверить по дашборду, а внимания требует интерпретация. Подставляя свои сценарии, читайте эти обоснования, а не только оценки.

Второе действие – назначить цену проверке. Заведите счётчик часов, которые команда тратит на вычитку и исправление результатов ИИ, и сравните с часами экономии. Если переделка растёт быстрее экономии, вы двигаетесь по сценариям быстрее, чем позволяет ваша планка качества. Это тот самый налог в 37% от Workday, только посчитанный на ваших данных.

Третье – дать сэкономленному времени адрес. До того как команда освободит часы, решите, на что они пойдут. По BCG, без такого решения время растворяется у двух третей сотрудников. Промпт ниже – заготовка для этого разговора с самим собой: в него вложены типовые цифры (8 сэкономленных часов в неделю на команду из шести) и две квартальные цели, подставьте свои.

Обе модели сошлись в слабом звене: вариант «поделить часы пополам между двумя целями». Восемь часов в неделю – это пятая часть ставки, и дробление опускает каждый трек ниже критической массы. Формулировка Kimi K3: дробление найденного времени – отложенное решение, замаскированное под решение. Полезная деталь в обоих ответах – требование оформить сэкономленные часы как защищённые блоки в календаре с владельцем: если блока нет, время уже растворилось.

Что покажет следующий год замеров

Год наблюдений за этими отчётами оставляет простую картину. Кривая внедрения движется сама – лицензии куплены, привычка сформирована, плюс два-три пункта в квартал не требуют от компаний никаких решений. Кривая отдачи сама не движется: она сдвинулась ровно один раз, когда Gallup впервые измерил, какие сценарии окупаются, – и выяснилось, что массовые окупаются хуже всех.

Открытый вопрос следующего года звучит так: останется ли отдача плоской линией, когда измерять её научатся так же регулярно, как измеряют внедрение. Ответ зависит от того, сколько команд перестанут считать процент освоения и начнут считать сценарии, часы проверки и адрес сэкономленного времени. Ваш процент в этой статистике вы выбираете сами.

Читайте также

Промпт-инжиниринг работает: одна модель, два результата

Почему команда использует ИИ не для того: данные Gallup

Внедрение ИИ застряло на 21% задач: данные Google

OpenRouter Fusion vs Claude: окупается ли оркестрация ИИ

Замеры в статье: Gallup Panel, волны Q2 2025 – Q2 2026, выборки 22–24 тыс. работающих взрослых США на волну, погрешность ±0,9–1,0 п.п.; Stanford SWAA, более 200 тыс. наблюдений, последняя волна – октябрь 2025; Stanford AI Index 2026 (данные за 2025); BCG «AI at Work», 11 749 респондентов на 14 рынках, июнь 2026; Wharton-GBK, октябрь 2025; Brookings, 1 163 респондента, июнь 2025; MIT NANDA, 300+ внедрений, 2025; Workday, 3 200 респондентов; Epoch AI / Ipsos, март 2026; Google ATLAS, 14,65 млн диалогов, июль 2026; HBR, 8-месячное наблюдение за ~200 сотрудниками, февраль 2026. Методологии различаются – уровни между исследованиями напрямую не сравниваются.