AI Статистика

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.

Звучит как очевидное решение: если одна модель хороша, три модели плюс независимый арбитр должны быть лучше. Результаты бенчмарка это подтверждают. Но за первое место пришлось заплатить – в 2,27 раза больше денег и почти в семь раз больше времени ожидания, чем у Fable 5, занявшего третье место.

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?

Рынок ИИ-моделей в 2026 году устроен иначе. Стоимость одного запроса варьируется от $0,0001 до $0,17 – три порядка величины. А реальная разница в качестве между десятью лучшими моделями? 0,24 балла по пятибалльной шкале. Тем временем Wharton / GBK Collective фиксируют: треть корпоративных ИИ-проектов не выходит за рамки пилота. А Epoch AI показывает, что лишь 5,6% пользователей применяют ИИ по-настоящему глубоко.

Может, вопрос не в том, какая модель лучше, а в том, даёт ли переплата за премиум пропорционально лучший результат для типичных управленческих задач.

Мы проверили. Ответ оказался жёстче, чем ожидали.

Проблема в том, что российские модели отстают. В нашем исследовании 54 моделей GigaChat набрал 3,26 из 5, GPT-5.4 – 4,80. Разрыв 32%.

Если GigaChat – всё, что у вас будет, можно ли вытянуть из него приемлемое качество с помощью грамотного промптинга?

На этой неделе Сбер представил GigaChat Ultra – новую флагманскую модель с режимом рассуждений (Thinking). Модель доступна бесплатно в веб-версии, мобильных приложениях и через Telegram-бот. Мы сразу добавили оба варианта в наше исследование AI-моделей для менеджеров: прогнали через все 32 сценария по единой методологии, оценили обоими LLM-судьями, сравнили с остальными 52 моделями.

Мы провели масштабное исследование: 54 модели, оценки от двух независимых LLM-судей, 8 категорий управленческих задач. Это самый полный русскоязычный рейтинг AI для менеджеров на сегодня.

Вопрос остаётся тем же: какой AI реально работает для руководителя в России – без VPN, без костылей?

Это не теоретическая проблема. Это данные Microsoft за 2025 год по академическому сектору. И у школ России, Казахстана, Беларуси ситуация не лучше – она хуже.