AI В Бизнесе

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.

52% руководителей в компаниях, использующих генеративный ИИ, уже запустили AI-агентов в продакшен. Не пилотируют. Не тестируют. Работают. Это данные из отчёта Google Cloud «AI Agent Trends 2026» – опрос 3 466 руководителей по всему миру, проведённый совместно с Google DeepMind.

Цифра выглядит впечатляюще, но стоит вспомнить, кто её сообщает. Google – крупнейший продавец облачной инфраструктуры для агентов. Их мотивация – показать, что будущее уже наступило, и вам пора покупать Vertex AI. Это не делает данные бесполезными, но требует более внимательного чтения.

Исследование AI in the Wild выходит в Harvard Business Review третий год подряд. В этом году команда проанализировала 12 637 реальных кейсов использования генеративного ИИ – на порядок больше, чем в предыдущих выпусках. База собрана из почти 50 000 записей с Reddit, Quora, LinkedIn, TikTok и YouTube за период с марта 2025 по февраль 2026 года.

Главный вывод исследования – не о том, что люди делают с ИИ. А о том, что они перестают делать сами.

Это ключевой тезис Бенедикта Эванса из его майской презентации «AI eats the world» – одного из лучших аналитических обзоров состояния рынка в 2026 году. Эванс предлагает простую, но неудобную классификацию: три фазы внедрения AI, на первой из которых застряло подавляющее большинство организаций. Неудобную – потому что попасть в первую фазу очень легко и при этом искренне верить, что ты «активно используешь AI».

В мае 2026 года Бенедикт Эванс обновил свою ежегодную презентацию «AI eats the world» – и в ней есть один слайд, который стоит разобрать отдельно. Не потому что он новый. А потому что он объясняет то, что большинство дискуссий об автоматизации упорно игнорируют.

Вопрос простой: почему ИИ уничтожит одни профессии – и сделает другие более ценными? Ответ, как оказывается, зависит от одного различия, которое кажется очевидным только после того, как его формулируют.

Бенедикт Эванс – аналитик, который раньше других замечает сдвиги в технологической индустрии, – в мае 2026 года выпустил презентацию AI eats the world. Первое, с чего он начинает – с денег. С очень больших денег.

В 2026 году крупнейшие технологические компании мира потратят на ИИ-инфраструктуру больше, чем стоит весь мировой рынок полупроводников. Apple, Google, Microsoft, Meta и Amazon вместе направляют порядка $700 млрд на дата-центры, чипы и сопутствующую инфраструктуру. Для сравнения: вся мировая полупроводниковая отрасль зарабатывает около $600 млрд в год. Инфраструктура для потребителя ИИ-чипов теперь больше, чем рынок самих чипов.

Это заставляет задуматься: что происходит, когда инвестиции такого масштаба вкладываются в одну технологию за несколько лет?

Сбер выпустил рекламный спецпроект: сорок бизнес-кейсов компаний, которые внедрили GigaChat и рассказывают об эффектах. EdTech, MedTech, HRTech, кибербезопасность, PropTech. Красивые карточки, конкретные цифры, реальные стартапы.

На изображении: промо-слайд «На шаг впереди» от акселератора Sber500×ГигаЧат – 40 стартапов из 9 индустрий. Заявленные эффекты: ускорение бизнес-процессов до x16, снижение затрат до 90%, автоматизация задач до 95%, рост выручки до 30%.

У нас есть бенчмарк: 29 моделей, 4 308 независимых оценок на управленческих задачах. GigaChat в нём занимает последнее, 29-е место по итогам второй волны тестирования. Это создаёт интересную ситуацию.

Не потому что Сбер лжёт. Кейсы реальные, стартапы существуют, автоматизация работает. Вопрос в другом: была ли это оптимальная модель для задач, которые они решали?