ИИ на рабочем месте: внедрение растёт, отдача застряла

AI-модели в этой статье
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. А за кривыми – четыре среза, которые видны только в сборе: смесь задач, доверие и ошибки, эффект для бизнеса и география.
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. Почти каждая цифра ниже ссылается на наш отдельный разбор, где есть методология и ограничения.
Кривая внедрения: скучный линейный рост
Вот серия Gallup целиком, с 2023 года. «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 замеры на стороне отдачи сходились на одном – «мало», «плоско», «не работает», но 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 осознанно делает их сам. Продуктивность здесь – самооценки, объективного замера в опросе не было. 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.
Смесь задач меняется медленнее привычки
Кривая внедрения растёт, но растёт в основном в одних и тех же сценариях. В свежей волне Gallup верхние строки те же, что год назад: тексты (51% пользователей ИИ), поиск (49%), общая помощь (39%). Специализированные сценарии – аналитика, кодинг, автоматизация, управление проектами – сидят в диапазоне 16–18%. Разрыв между частыми и редкими пользователями концентрируется именно в них: в кодинге и автоматизации частые впереди почти втрое, в текстах – в полтора раза. Кто работает с инструментом каждый день, тот уходит в специализированные сценарии; кто заходит раз в неделю, остаётся на текстах.
Телеметрия и интервью эту картину подтверждают. Microsoft опросила 885 продакт-менеджеров и сверила ответы с телеметрией M365 (весна 2025): черновики документов используют 73%, саммари – 52%, анализ данных – 22%, прототипирование и код – 12%. Делегируют ИИ задачи с низкой ответственностью и вне профессиональной идентичности; спецификации и решения оставляют себе. Google в ATLAS разложил 14,65 млн диалогов: работа – лишь 14% всего трафика Gemini, а полная автоматизация задачи – меньше 10% диалогов даже внутри рабочего трафика. У Dejan.AI и Anthropic, проведших 1 250 глубинных интервью в декабре 2025, главный сценарий во всех группах – «старт с нуля»: первый черновик, который человек доводит сам. Креативщики проводят границу прямо: 90% отдают ИИ административную работу и не отдают ядро ремесла.
Единственное движение за год заметно в режиме делегирования. По данным Anthropic Economic Index, которые приводит AI Index, доля автоматизации в диалогах выросла с 41% в начале 2025 до 49% в августе – впервые выше доли совместной работы, – а к ноябрю совместная работа вернула себе 52%. Это колебание: люди пробуют отдавать задачи целиком и возвращаются к работе в паре. Смесь задач за год почти не сдвинулась. Это третья кривая, и она ещё более плоская, чем отдача.
Доверие не поспевает за использованием
Вторая вещь, которая за год не выросла, – доверие к результату. Workday насчитал, что 37% времени, сэкономленного с ИИ, уходит на исправление его ошибок, – у активного пользователя это полторы недели в год. В интервью Dejan.AI и Anthropic галлюцинации называют барьером номер один во всех группах респондентов, а у учёных проверка ответа иногда длится дольше, чем заняла бы сама работа. У Microsoft 47% продактов ставят главным барьером качество выдачи, и 56% говорят, что усилий меньше не стало, хотя время экономится. BCG добавляет с другой стороны: у 60% сотрудников выросла планка приемлемой работы, и половина тратит на проверку результата больше времени, чем раньше.
Объективный фон тоже не улучшается. Задокументированных ИИ-инцидентов в 2025 году стало 362 против 233 годом раньше – плюс 55%, по подсчёту AI Index.
При этом вера в технологию распределена странно. Позитивного влияния ИИ на работу ждут 73% экспертов и 23% публики. Доверие к государству как регулятору ИИ колеблется от 81% в Сингапуре до 31% в США – это минимум по опросу Ipsos. Люди массово пользуются инструментом, которому не вполне доверяют, и это нормальная картина для ранней технологии. Побочный эффект понятен менеджеру: доверие здесь зарабатывается проверкой, а проверка стоит времени, – пока команда не научилась проверять, она либо переплачивает за контроль, либо пропускает ошибки.
Что получил бизнес
На уровне компаний за год случилось то, чего не видно в индивидуальной статистике: организации начали двигаться.

BCG в четвёртой годовой волне фиксирует три сдвига сразу: регулярных пользователей среди рядовых сотрудников стало 74% против примерно 50% годом раньше, компаний, перестраивающих процессы целиком, – 42% против 22%, организаций с агентами в процессах – 30% против 13%. Wharton насчитал 46% руководителей с ежедневным использованием против 29% годом раньше. Телеметрия Microsoft добавляет самый резкий ряд: число активных агентов в Microsoft 365 выросло за год в 15 раз.
Отдача при этом распределена крайне неравномерно. Wharton отчитывается о положительном ROI у трёх четвёртей enterprise-компаний, а MIT NANDA – о нулевой отдаче у 95% организаций на фоне $30–40 млрд инвестиций. Противоречие снимается выборками: Wharton опрашивает крупнейшие компании, где уже есть и главы по ИИ, и привычка измерять ROI, а MIT меряет рынок целиком. У тех, кто вошёл в пять процентов, эффекты конкретные: квалификация лидов быстрее на 40%, удержание клиентов выше на 10%, сокращения только в поддержке и административной обработке – 5–20% позиций. AI Index добавляет секторные оценки продуктивности – плюс 14–15% в поддержке клиентов, плюс 26% в разработке – и тёмную сторону: занятость разработчиков 22–25 лет в США упала почти на 20% с 2022 года. Потребительский излишек от ИИ за год вырос со $112 до $172 млрд.
Картина внятная: деньги и эффект концентрируются у тех, кто перестраивает процессы; покупка лицензий сама по себе их не даёт. На уровне команды это то же наблюдение, что и у Gallup, только с другим знаменателем.
География внедрения
Самый неожиданный срез года – страновой.

По данным Microsoft AI Economy Institute, которые приводит AI Index, лидируют ОАЭ (64% населения используют ИИ) и Сингапур (61%). США – 28,3% и 24-е место, между Польшей и Чехией. Быстрее всех за полгода росла Южная Корея – плюс 4,8 процентного пункта.
Телеметрия ATLAS добавляет два контрастных факта. Первый: Индия и Россия, несмотря на статус технологических держав, попадают в нижний квинтиль по использованию на душу населения. Второй: рабочая доля диалогов максимальна в развивающихся странах – в Нигерии 91% использования среди пользователей приходится на работу, в ОАЭ 83%, в Индии 80%, – а США и Европа сидят в нижних квинтилях. Там, где ИИ достался недавно, его используют прежде всего для работы; там, где он давно, – прежде всего для жизни.
Для читателя из России здесь слепая зона. В рейтинге AI Index России нет вовсе, Gallup и SWAA опрашивают только США, а ATLAS даёт лишь квинтиль. Собственного замера уровня Gallup за год не появилось – отдельный вывод сам по себе: все эти данные мы читаем с поправкой на чужой рынок.
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.
Вы
Ты – консультант по внедрению ИИ. Ниже – список сценариев, для которых команда использует ИИ, и таблица отдачи по сценариям из опроса Gallup (Q2 2026, самооценки работников США): помощь в кодинге – 77% пользователей сценария отмечают прирост продуктивности; автоматизация процессов – 77%; презентации – 76%; аналитика – 75%; помощь на встречах – 73%; управление знаниями – 72%; почта и коммуникации – 72%; управление задачами – 72%; генерация изображений – 70%; общая помощь – 70%; написание текстов – 68%; поиск – 65%. Сделай три вещи: 1. Классифицируй каждый сценарий из моего списка: высокая отдача (75% и выше), средняя (70–74%), базовая (ниже 70%). Если сценарий не попадает в таблицу напрямую, отнеси его к ближайшему по типу работы и скажи об этом отдельно. 2. Для каждого сценария оцени цену проверки: сколько внимания требует результат, прежде чем ему можно доверять (низкая / средняя / высокая), и почему. 3. Выбери один сценарий-кандидат на перестройку: какую задачу из списка стоит перевести из постановки «составь текст» в постановку «разбери сырьё и предложи решение». Напиши готовую формулировку такой задачи для модели. Сценарии команды (проектный офис, 6 человек): 1. Черновики писем заказчику и рассылок по проекту. 2. Саммари протоколов еженедельных статус-созвонов. 3. Поиск ответов по внутренней базе знаний (регламенты, шаблоны). 4. Подготовка слайдов для квартального отчёта руководству. 5. Разбор метрик спринта: скорость, сгорание, отклонения от плана. 6. Автоматическая сводка статусов трёх команд в один отчёт для директора. Формат ответа: таблица по пунктам 1 и 2, затем пункт 3 текстом с готовой формулировкой задачи.
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 по три раза. С классами отдачи они справились ожидаемо: сводка статусов, разбор метрик и слайды ушли в высокую, письма и саммари – в среднюю. С поиском по базе знаний вышло интереснее: GPT-5.6 Sol во всех прогонах отнёс его к базовой, а Kimi K3 – к средней, но каждый раз с оговоркой, что сценарий сидит на стыке «управления знаниями» и «поиска», и показывала обе трактовки. Дальше – два расхождения. Первое: цена проверки не совпала с уровнем отдачи. Поиск по базе при нижней строке таблицы отдачи получил высокую цену проверки почти во всех прогонах обеих моделей: ответ выглядит уверенно, а ошибку – устаревшая версия регламента, смесь двух документов – видно только в первоисточнике, то есть проверка равна повторному поиску.
Второе расхождение – кандидаты на перестройку. Kimi K3 чаще выбирала 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: прежде всего на обоснование цены проверки – она съедает экономию. Показательная закономерность прогонов: самую высокую цену проверки обе модели ставили как раз трём сценариям с верхней строкой отдачи – сводке, метрикам и слайдам. Kimi K3 сформулировала вывод прямо: проценты Gallup – это самооценка прироста до вычета проверки, поэтому чистый выигрыш определяется дизайном процесса. 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.
Вы
Ты – операционный консультант. Команда из 6 человек экономит с помощью ИИ около 8 часов в неделю суммарно (саммари встреч, черновики документов, сводка статусов). Исследования показывают, что без явного решения такое время растворяется в том же объёме рутины. Предложи три варианта, куда перенаправить эти 8 часов, исходя из двух квартальных целей: сокращение срока онбординга клиентов с 6 до 4 недель и запуск двух пилотов вместо одного. Для каждого варианта укажи: что конкретно команда делает в эти часы, какой артефакт появляется к концу месяца, и как руководитель измерит, что время не растворилось. В конце отметь, какой из трёх вариантов ты считаешь слабым звеном и почему.
GPT-5.6 Sol во всех прогонах назвал слабым звеном вариант «поделить часы пополам между двумя целями»: восемь часов в неделю – это пятая часть ставки, и дробление опускает каждый трек ниже критической массы. Kimi K3 в каждом прогоне собирала свой набор вариантов, но там, где среди них оказалось деление 4+4, отвергла именно его с той же логикой и добавила формулировку, которую стоит забрать себе: время, которое «всем понемногу», растворяется первым. Полезная деталь в ответах обеих моделей – 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.
Замеры в статье: Gallup Panel, волны Q2 2023 – 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), включая Anthropic Economic Index, Microsoft AI Economy Institute и опрос Ipsos; 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; Microsoft Research, опрос 885 продакт-менеджеров с телеметрией M365, весна 2025; Dejan.AI / Anthropic Interviewer, 1 250 интервью, декабрь 2025; Microsoft Work Trend Index, 20 000 респондентов в 10 странах, май 2026. Методологии различаются – уровни между исследованиями напрямую не сравниваются.




