Скрытый налог на ИИ: почему 40% экономии времени исчезает
87% сотрудников используют AI на работе. 77% говорят, что стали продуктивнее. Звучит как история успеха цифровой трансформации. Но стоит задать неудобный вопрос: если AI настолько повышает продуктивность, почему только 14% реально получают чистую выгоду? Куда исчезают остальные 86%?
Workday провели глобальное исследование с 3 200 респондентами – и обнаружили, что за красивыми цифрами скрывается неприятная реальность. Почти 40% времени, сэкономленного с помощью AI, тратится на исправление его ошибок. Это не баг отдельных инструментов и не проблема «неправильного использования». Это системный сбой в том, как организации внедряют искусственный интеллект.
Мы в mysummit.school уже разбирали Dejan.AI (AI как младший стажёр), Gallup (рост использования в 2 раза за год) и MIT (разрыв между лидерами и отстающими). Workday добавляет новый ракурс: измеримую цену низкого качества AI-выводов. И эта цена оказывается выше, чем многие готовы признать.
Главная находка: «налог на ИИ» в 37%
Workday ввели понятие AI Tax – скрытый налог на продуктивность, который платят компании за некачественные результаты AI. Метафора точная: как и с обычными налогами, этот «налог» незаметен в повседневной работе, но ощутимо бьёт по итоговому результату.
Как считается налог
Формула проста, но её редко применяют на практике:
Валовая экономия (Gross Efficiency) – сколько времени сотрудники экономят благодаря AI. Это та цифра, которую любят показывать на презентациях: «Мы экономим 5 часов в неделю!»
Операционное торможение (Operational Drag) – сколько времени уходит на проверку, исправление и переписывание AI-контента. Эту цифру обычно не считают. А зря.
Чистая ценность = Валовая экономия − Операционное торможение
По данным исследования, картина выглядит так: из каждых 10 часов сэкономленного времени почти 4 часа уходят на исправление результатов. Итого 6 часов – реальная чистая экономия. Не 10, как заявляют вендоры AI-инструментов, а 6.
Для активных пользователей AI это означает 1,5 недели в год, потерянные на борьбу с галлюцинациями, неточностями и неподходящим тоном AI-текстов. Полторы недели – это больше, чем средний отпуск в США.
Четыре типа пользователей AI
Workday создали матрицу чистой продуктивности (Net Productivity Matrix), которая делит сотрудников по двум осям: сколько времени экономят с AI (X-ось) и сколько чистой выгоды получают после вычета времени на исправления (Y-ось).
Получилось четыре типа. И распределение оказалось неожиданным.
1. Наблюдатели (The Observers)
Эти сотрудники стоят в стороне. Они не тратят время на исправление AI, но и не получают от него пользы. Низкая экономия, низкие затраты – и нулевой результат.
Часто встречаются в HR и операционных функциях, работают в организациях с низкой AI-зрелостью. 33% из них отмечают, что в компании всего 1–2 AI-кейса в продакшене.
Удивительно, но именно эта группа представляет самый простой потенциал для улучшения – низкий барьер входа, отсутствие негативного опыта.
2. Стратеги (The Augmented Strategists)
Эти сотрудники – редкость. Они используют AI для улучшения результатов, а не просто ускорения работы. Высокая экономия, высокая чистая выгода.
Что их отличает? 93% используют AI как «радар» для поиска паттернов, а не как «костыль» для выполнения работы за них. Это принципиально другой подход: AI помогает видеть больше, а не делать меньше.
Профиль Стратега: 71% – опытные профессионалы 35–44 лет, концентрируются в IT и маркетинге. 57% отмечают, что компания инвестирует в командное взаимодействие. И критически важно: они получают в 2 раза больше обучения, чем остальные группы.
3. Потерянная середина (The Misaligned Middle)
Эти сотрудники пытаются использовать AI, но усилия на доработку превышают выгоду. Низкая экономия, высокие затраты на исправления – чистый убыток.
89% из них отмечают, что менее половины ролей в компании обновлены под AI. Это заставляет задуматься: проблема в людях или в системе? Данные указывают на второе.
17% беспокоятся, что зависимость от AI ослабляет их когнитивные навыки. И только 72% планируют остаться в компании на следующий год – самый низкий показатель среди всех групп. «Потерянная середина» – это не метафора, а диагноз.
4. Оптимисты с низкой отдачей (The Low-Return Optimists)
Самые энтузиастичные пользователи AI – и самые перегруженные. Высокая экономия на бумаге, низкая чистая выгода на практике.
46% – сотрудники 25–34 лет, концентрируются в HR. 56% используют AI, чтобы взять больше задач, а не более ценных задач. Они работают больше, а не лучше.
И вот главный парадокс: 77% проверяют AI-контент строже, чем человеческую работу. Создаётся скрытый слой верификации, который съедает всю сэкономленную выгоду. При этом только 37% получают дополнительное обучение – меньше всех групп. 62% используют AI ежедневно.
Вывод контринтуитивен: самые активные пользователи несут самую высокую нагрузку по исправлениям. Энтузиазм без системной поддержки превращается в выгорание.
Кто платит больше всех
Возраст: молодые несут непропорциональную нагрузку
Сотрудники 25–34 лет составляют 46% тех, кто больше всех тратит время на исправление AI.
Удивительно, но стереотип о том, что молодые быстрее адаптируются к технологиям, оказывается ловушкой. Да, они используют AI чаще и увереннее. Но означает ли это, что они используют его эффективнее? Данные говорят об обратном.
AI ускоряет создание контента, но ответственность за качество никуда не девается. Она остаётся на сотруднике. Молодые специалисты берут на себя больше задач с помощью AI – и больше задач по проверке AI.
Функция: HR страдает больше всех
HR-специалисты составляют 38% сотрудников с самым высоким уровнем AI-rework. Почему именно HR?
Причина в специфике работы. HR работает с людьми, коммуникациями и комплаенсом. Здесь «достаточно хороший» результат недопустим – нужна точность, правильный тон и справедливость. Письмо кандидату с неуместной формулировкой. Политика с юридической неточностью. Отзыв с предвзятой оценкой. Цена ошибки слишком высока.
Поэтому HR-команды проверяют AI-контент с исключительной тщательностью. И платят за это временем.
IT-специалисты, напротив, чаще становятся Стратегами (32% из них). Они применяют AI к распознаванию паттернов, оптимизации систем, exploratory-анализу – задачам, где несовершенный результат допустим и легко дорабатывается. Разница не в людях, а в типе задач.
Регион: разница в реинвестировании
Географические данные обнажают любопытный паттерн.
Северная Америка: 83% сотрудников отмечают рост продуктивности от AI – самый высокий показатель. Но только 64% организаций реинвестируют экономию в развитие людей – самый низкий.
EMEA: 84% реинвестируют в людей.
APAC: 89% реинвестируют в людей.
Корреляция очевидна: там, где компании вкладывают в навыки и устойчивость команд, сотрудники чаще конвертируют экономию времени в устойчивые улучшения. А там, где гонятся за валовой экономией – получают rework.
Разрыв между намерениями и действиями
Обучение: 30-процентный разрыв
66% руководителей называют обучение AI-навыкам главным приоритетом инвестиций.
37% активных пользователей AI реально получают доступ к дополнительному обучению.
Разрыв в 29 процентных пунктов между словами и делами. Это заставляет задуматься: действительно ли обучение – приоритет? Или это просто правильный ответ на опрос?
Сотрудники отвечают за качество AI-результатов, но не получают инструментов и знаний для этого. Ответственность делегировали, а ресурсы – нет.
Роли: AI на старых рельсах
9 из 10 организаций отмечают, что менее половины ролей обновлены под AI.
Здесь скрывается системная проблема. AI накладывают на должности, спроектированные до его появления. Сотрудники используют инструменты 2026 года в рамках должностных инструкций 2015 года. Как если бы водителю Tesla выдали инструкцию для лошади и телеги.
54% сотрудников с проблемами продуктивности отмечают, что требования к их навыкам не обновлялись. В организациях, которые борются с достижением чистой продуктивности, менее 25% ролей адаптированы под AI.
Возможно, стоит признать очевидное: нельзя внедрить новую технологию в старую оргструктуру и ожидать магических результатов.
Инвестиции: технологии vs люди
Куда компании направляют экономию от AI:
| Направление | Доля инвестиций |
|---|---|
| Технологии и инфраструктура | 39% |
| Развитие персонала | 30% |
Технологии получают на 9 п.п. больше, чем люди.
Куда идёт сэкономленное время (опрос 1 700 руководителей)
| Приоритет | % руководителей |
|---|---|
| Фокус на стратегических задачах | 53% |
| Операционная эффективность | 46% |
| Снижение нагрузки на сотрудников | 45% |
| Улучшение клиентского опыта | 33% |
| Рост выпуска без увеличения штата | 32% |
| Обучение сотрудников AI | 29% |
| R&D | 20% |
Обучение AI на предпоследнем месте – ниже, чем «рост выпуска без увеличения штата».
Парадокс выгорания
Ежедневные пользователи AI демонстрируют странную комбинацию:
Высокий оптимизм:
- Более 90% уверены, что AI повышает их шансы на успех в будущих ролях
Высокая нагрузка:
- 77% проверяют AI-контент с такой же или большей тщательностью, чем человеческую работу
- Это создаёт скрытый слой работы по верификации
Парадокс удержания:
- 95% планируют остаться на текущей работе в следующем году
- Но только 56% выбрали бы эту же работу снова
Бенефиты и гибкость удерживают людей на местах. Но накопленная цена rework разрушает долгосрочную вовлечённость.
Выгорание в эпоху AI – это не сопротивление изменениям. Это длительное воздействие низкокачественных результатов без адекватной организационной поддержки.
Что делать менеджеру
Workday предлагает четыре направления действий.
1. Измерять чистую ценность, а не сэкономленные часы
Метрика «сколько времени сэкономили» скрывает реальную картину. Нужно учитывать время на исправления.
Примеры метрик по функциям:
| Функция | Вместо | Измерять |
|---|---|---|
| HR | Время на закрытие вакансии | Качество найма |
| Финансы | Скорость транзакций | Точность прогнозов |
| Операции | Объём выпуска | Доля продукции без доработок |
2. Инвестировать туда, где трение максимально
Найти функциональные, географические и возрастные «горячие точки», где концентрируются Low-Return Optimists.
- Целенаправленное обучение промпт-инженерии для группы 25–34
- Специализированное обучение для HR-команд по работе с чувствительным контентом
- Перенаправить бюджеты с велнес-программ (симптомы) на обучение (причины)
3. Обновить должностные инструкции
AI нельзя просто добавить к существующим ролям без последствий.
Провести ревизию ролей в отделах с высоким трением:
- Где AI должен помогать
- Где критически важно человеческое суждение
- Как измеряется успех
4. Использовать сэкономленное время для человеческого взаимодействия
Организации, которые получают чистую выгоду от AI, явно разрешают сотрудникам использовать сэкономленное время для коллаборации, обучения и стратегического мышления – а не просто для увеличения объёма задач.
57% организаций Стратегов уже применяют эту практику.
Чек-лист готовности к AI от Workday
- Измерять чистую ценность – учитывать исходы и rework, а не только часы
- Фокусировать инвестиции – направлять развитие навыков в роли и демографии с высоким трением
- Обновить дизайн ролей – формально включить AI-компетенции в должностные инструкции
- Реинвестировать время в людей – направлять AI-экономию на развитие навыков и время для коллаборации
Ключевые выводы
37% – это не приговор. Это управляемая величина. Организации, которые инвестируют в обучение и обновляют роли, сокращают этот «налог». Вопрос не в том, платить ли – а в том, как минимизировать.
Активные пользователи ≠ эффективные пользователи. Энтузиазм без поддержки создаёт перегруженных сотрудников, а не продуктивные команды. Количество использования AI – плохой прокси для качества результатов.
Технологии без людей не работают. Соотношение 39/30 в пользу инфраструктуры – это стратегическая ошибка. Данные показывают обратную зависимость: больше инвестиций в людей = выше чистая продуктивность. Не наоборот.
Роли требуют редизайна. AI накладывают на устаревшие должностные инструкции. Это системная проблема, не индивидуальная. Винить сотрудников за низкую эффективность AI – всё равно что винить водителя за пробки.
Измерять нужно иначе. «Сэкономили 10 часов» – бессмысленная метрика без учёта 4 часов на исправления. Валовая экономия – для презентаций. Чистая ценность – для бизнеса.
Исследование Workday поднимает более глубокий вопрос. Если 37% AI-экономии теряется на исправления – возможно, мы измеряем не то, что нужно? Организации гонятся за adoption rate и hours saved, игнорируя качество результатов.
Не повторяем ли мы ошибку эпохи «цифровой трансформации», когда компании внедряли технологии ради технологий, а потом удивлялись отсутствию ROI?
AI Tax – это не просто метрика. Это симптом. Мы автоматизируем процессы, не переосмысливая их. Накладываем новые инструменты на старые структуры. Ждём чудес, не меняя ничего в том, как работают люди.
И пока этот подход не изменится, «налог» будет только расти.
Источники
- Beyond Productivity: Measuring the Real Value of AI – полный отчёт Workday (январь 2026)
- Workday Global Workforce Report – связанное исследование о распределении AI-gains
Хотите сократить «налог на AI» в своей работе?
На курсе разбираем, как проверять AI-контент, формулировать промпты для качественных результатов и избегать типичных ошибок. Практические навыки, а не теория.