Исследования

Различие статистически значимое: z = -5,6, p < 10⁻⁸. По квантильной регрессии, которая лучше справлялась с особенностью этих данных, размер эффекта находился в диапазоне от 0,73 до 1,3 стандартного отклонения. Заголовок почти пишет себя сам: ИИ обошёл занятие в Гарварде. Работа Кестина и коллег вышла в Scientific Reports, а данные и код анализа авторы выложили целиком – проверить расчёты можно самостоятельно.

Только полезный для менеджера вывод начинается на один уровень глубже. Студенты работали со специально собранной системой, где GPT-4 отвечал внутри жёсткой последовательности, видел заранее написанные решения и следовал педагогическим правилам. Системный промпт был лишь одним компонентом. Причём один важный компонент пришлось из него вынести.

Она называется Conversation Coach. В конце августа создатели выложили препринт с описанием. В нём много инженерных подробностей, но руководителю важнее другое. Люди открывали тренажёр именно перед трудными встречами. Разработчики сознательно выбрали более медленную и дорогую схему, потому что хороший разбор для них оказался важнее быстрого ответа. И весь замысел держится на голосе: переписка такой репетиции не заменяет.

Внутренней системы за корпоративные деньги у большинства из нас нет. Основную идею всё равно можно повторить вечером в голосовом режиме обычного чат-бота, бесплатно. Некоторые руководители уже так делают.

15 августа на arXiv вышла неприметная работа StateM – четыре автора, без громкой лаборатории. Внутри есть цифра, на которой стоит остановиться: DeepSeek-V4 Flash, модель не из лидерской группы нашего бенчмарка, после «адаптации» стоимостью $38 поднимается на Terminal-Bench 2.1 с 82,7% до 88,1%. А на общем ядре из 88 задач доходит до 89,1% – уровень флагманских прогонов GPT-5.6 Sol, эталонный прогон которых обошёлся в $574. Итоговый счёт всей конфигурации на DeepSeek – $52.

StateM не одиночка: за последние две недели вышло ещё минимум две работы о том, что даёт промпт-инжиниринг в агентных системах. DarwinX добавляет в среднем 17 пунктов на четырёх бенчмарках, LongHorizon-Harness поднимает Qwen 3.7-Plus на Terminal-Bench с 69,7% до 77,2%. Во всех трёх случаях веса модели заморожены. Меняется только то, что вокруг неё: промпты, инструкции, контроль исполнения.

Это прямо бьёт по популярному тезису о том, что промпт-инжиниринг вот-вот станет не нужен: модель сама напишет себе оптимальный промпт, учиться управлять ИИ не нужно. У свежих работ есть границы применимости – и есть практические следствия для руководителя, который работает с ИИ в обычном чате, без лабораторной инфраструктуры.

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.

В июне 2026 года аналитическая команда Exponential View выпустила отчёт The State of the AI Economy – независимую попытку измерить, за что компании реально платят в экономике ИИ. Авторы построили модель доходов по 1 000+ компаниям на основе отчётности, очистили цифры от двойного счёта и получили картину без маркетинга: генеративный ИИ вышел на темп $175 млрд годовой выручки. Мы уже писали, почему $700 млрд капзатрат Big Tech на ИИ в этом году не выглядят пузырём – этот отчёт о выручке смотрит на ту же экономику с другой стороны, со стороны тех, кто эти деньги платит.

Внутри отчёта есть слайд, который полезнее всех громких цифр. Команда EV проанализировала заявления компаний S&P 500 об эффекте ИИ на звонках с инвесторами. Результат: 7 из 10 заявленных эффектов – про экономию и эффективность. Сокращение затрат – 25%, экономия времени – 23%, рост пропускной способности – 22%. А рост выручки – всего 6%.

ИИ вполне способен приносить деньги напрямую. Просто компании, которые уже отчитываются о результатах перед инвесторами, в массе своей начали с другого конца. И у этого выбора есть простая математика, которую стоит понимать каждому менеджеру, выбирающему первую задачу для ИИ.

Это открывающий кейс исследования HBR, которое задаёт неудобный вопрос: если ИИ действительно повышает производительность, почему компании этого не видят? Глобальное исследование KPMG и Мельбурнского университета – более 48 тысяч респондентов – нашло ответ: 57% сотрудников признаются, что скрывают, как используют ИИ на работе.