AI В Бизнесе

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.

23 июля Google опубликовал ATLAS – разбор 14,65 млн обезличенных диалогов с Gemini, разложенных по официальным классификаторам занятости США. В новостях разошлась одна цифра: ИИ используют в профессиях, на которые приходится 88% занятости в стране. Формулировка удобная, спорить с ней трудно.

Внутри отчёта есть вторая цифра, которая в заголовки не попала. В типичной профессии, где вообще замечено использование ИИ, он подключён к 21% рабочих задач. Пятая часть. И только у 3% профессий этот показатель переваливает за три четверти.

Разрыв между 88% и 21% – это и есть содержательная часть исследования. Охват широкий, глубина мелкая. Причём мелкая она предсказуемым образом, и из того, какие профессии оказались исключением, можно вытащить вполне рабочий вывод про собственную команду.

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.

«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.

Это реальный тип запроса. В наборе ответов наших студентов на вопрос «какую рабочую задачу вы хотели бы ускорить с помощью ИИ» набралась целая группа про ресёрч: найти магазины машинной пряжи в Европе, проанализировать мировой объём продаж картофеля, собрать кейсы применения ИИ в нефтегазе, провести анализ конкурентов по узкому промышленному оборудованию, систематизировать нормативную базу проекта и подтягивать по ней новости. Общую картину всех 40 запросов мы разобрали в отдельном материале – ресёрч занял там заметное место. Запросы из разных миров, но боль одна – собрать информацию о рынке, которой у тебя пока нет.

И ровно здесь ИИ опаснее всего. Когда он не знает ответа, он его не оставляет пустым. Он его сочиняет – уверенно, складно и в том же тоне, что и правду.