Продуктивность

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.

«Большинство людей до сих пор думают, что AI-агент – это просто ChatGPT с хорошим промптом». С этой фразы начинается статья Sunil Ramlochan «The AI Agent Stack Is Not a Prompt. It’s a Production System», и дальше автор называет это убеждение «утешительным мифом». Полезная правда, по его словам, в другом: настоящий агент ближе к маленькой операционной системе для работы. У него есть мозг, руки, память, правила, логи, планы восстановления и кто-то, кто отвечает, когда агент делает не то.

Тезис статьи укладывается в одну строчку: агент – это целый стек. И надёжность ему даёт архитектура вокруг, тогда как сама по себе модель или удачный промпт – лишь один из ингредиентов. Картина инженерная, поэтому разберём её с другой стороны – что из этого стека реально касается менеджера, который не пишет код, но решает, запускать ли агента в работу.

Мы знаем эту боль не из презентаций вендоров. В одном из заданий курса {{ }} мы спросили сорок человек, какую рабочую задачу они хотели бы ускорить с помощью ИИ. Полный разбор ответов опубликован отдельно; здесь остановимся на одном кластере, который сошёлся ровно вокруг клиентской переписки. Один человек сформулировал цель с цифрой: классифицировать обращения, предлагать ответы и снизить время отклика на 50%. Другой хотел рассылать ценовые предложения так, чтобы каждый клиент получал только интересное ему, а при молчании система напоминала бы менеджеру вернуться. Третий просто устал набирать руками одни и те же письма.

Запрос здравый, и ИИ в нём действительно силён – но не так, как обещает реклама. Разберём по частям, где реальная экономия, а где красиво упакованный риск.

Отчётность и статусы оказались второй по размеру группой запросов в этом наборе данных. Еженедельный статус для команды и заинтересованных сторон, краткие резюме по итогам совещаний, отчёты по исполнению месячного бюджета, материалы к ежедневным планёркам. Спрос реальный, и он попадает ровно туда, где языковые модели сильны. Разберём, как выстроить под него повторяемый процесс.

В одном из уроков модуля для руководителей есть короткое задание: написать одну-две фразы о том, какую рабочую задачу вы хотели бы ускорить с помощью ИИ. Без подсказок, без вариантов ответа. Сорок человек – менеджеры проектов и продуктов, аналитики, специалисты по персоналу – написали, чего они хотят. Это не опрос про намерения «в принципе». Это первичный спрос, снятый с людей, которые завтра пойдут применять инструмент к своей работе.

Картина оказалась интереснее, чем ожидалось. Больше половины запросов сошлись в три понятные группы. И эти три группы почти точно легли на то, что языковые модели реально делают хорошо. А выбросы – запросы, улетевшие куда-то не туда – оказались самым полезным, что было в этих данных.

Если ваша лента состоит из людей, которые пишут промпты на завтрак и строят агентов на ужин, у вас сложилось ощущение, что ИИ повсюду и все им владеют. Это ощущение не выдерживает встречи с данными. Microsoft WTI 2026 фиксирует: организационные факторы объясняют 67% разницы в AI-эффективности между компаниями.

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.