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%?
В глобальном исследовании Workday с 3 200 респондентами за красивыми цифрами обнаружилась неприятная изнанка. Почти 40% времени, сэкономленного с помощью AI, тратится на исправление его ошибок. Причина не в багах отдельных инструментов и не в «неправильном использовании». Она в том, как организации внедряют искусственный интеллект.
Мы в mysummit.school уже разбирали Dejan.AI с его метафорой AI как младшего стажёра, Gallup с ростом использования вдвое за год и MIT с разрывом между лидерами и отстающими. Workday добавляет ракурс, которого не хватало: измеримую цену низкого качества AI-выводов. И цена эта 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 простая, хотя на практике её применяют редко. Валовая экономия (gross efficiency) – сколько времени сотрудники экономят благодаря AI. Та самая цифра для презентаций: «Мы экономим 5 часов в неделю!». Операционное торможение (operational drag) – сколько времени уходит на проверку, исправление и переписывание AI-контента. Вот его-то обычно и не считают. Чистая ценность – первое минус второе.
По данным исследования, из каждых 10 часов сэкономленного времени почти 4 часа уходят на исправление результатов. Остаётся 6 часов реальной экономии. Вендоры AI-инструментов показывают десятку. Реальность ближе к шести.
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 сценария AI доведены до реальной работы.
Удивительно, но именно у этой группы самый простой потенциал для роста: низкий барьер входа и никакого негативного опыта за плечами.
2. Стратеги (The Augmented Strategists)
Эти сотрудники – редкость. Они используют AI для улучшения результата, а не просто для ускорения работы. Высокая экономия, высокая чистая выгода.
Что их отличает? 93% используют AI как «радар» для поиска закономерностей, а не как «костыль» для выполнения работы за них. Подход принципиально другой: AI расширяет обзор, а рутину стратеги по-прежнему держат на себе.
Профиль стратега узнаваем. Чаще это опытные профессионалы 35–44 лет из IT и маркетинга (71%), в компаниях, которые вкладываются в командную работу. Но решающее отличие – обучение: стратеги получают его вдвое больше, чем любая другая группа.
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 мышление. И только 72% планируют остаться в компании на следующий год – самый низкий показатель среди всех групп.
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.
Почти половина здесь – сотрудники 25–34 лет, чаще всего из HR. 56% берут с помощью AI больше задач, но не более ценных. Больше объёма, та же отдача.
И вот главный парадокс. 62% из них пользуются AI ежедневно, 77% проверяют его результаты строже, чем работу коллег – и этот скрытый слой перепроверки съедает почти всю сэкономленную выгоду. При этом обучение получают лишь 37%, меньше, чем в любой другой группе.
Вывод контринтуитивный: самые активные пользователи несут и самую высокую нагрузку по исправлениям. Энтузиазм без системной поддержки заканчивается выгоранием.
«Налог на ИИ» – это стоимость непроверенных результатов. Снижают его вполне конкретные умения: заметить выдуманный факт, переформулировать задачу, заранее понять, где модель ошибётся. Именно здесь проходит граница между «сэкономил время» и «потратил его на переделку».
Хотите увидеть, где ИИ незаметно ошибается в вашей работе? 9 реальных задач менеджера – бесплатно, без регистрации.
Доступ сразу после регистрации
Кто платит больше всех
Молодые платят больше
Сотрудники 25–34 лет составляют 46% тех, кто больше всех тратит время на исправление AI.
Стереотип о том, что молодые быстрее осваивают технологии, здесь оборачивается ловушкой. Да, они используют AI чаще и увереннее. Но значит 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.
Почему именно HR
HR-специалисты составляют 38% сотрудников с самым высоким уровнем доработки AI-контента. Почему именно они?
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 поиску закономерностей, оптимизации систем, разведочному анализу – к задачам, где несовершенный результат допустим и легко дорабатывается. Разница здесь не в самих людях. Она в типе задач.
География: кто вкладывает в людей
По данным связанного Global Workforce Report картина по регионам расходится неожиданно. В Северной Америке рост продуктивности от AI отмечают 83% сотрудников – рекорд среди регионов. А вот доля компаний, которые вкладывают эту экономию обратно в людей, там самая низкая: 64%. В EMEA реинвестируют 84%, в APAC – 89%.
Корреляция очевидна: там, где компании вкладываются в навыки и устойчивость команд, сотрудники чаще превращают сэкономленное время в устойчивые улучшения. Там, где гонятся за валовой экономией, накапливается доработка.
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. Стоит спросить: обучение и правда приоритет – или 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.
Вывод напрашивается сам: нельзя встроить новую технологию в старую оргструктуру и ждать чудесных 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
У ежедневных пользователей AI сходится странная комбинация. Более 90% уверены, что AI повышает их шансы на успех в будущих ролях. При этом 77% проверяют AI-контент так же тщательно или тщательнее, чем работу коллег, и этот скрытый слой перепроверки никто не считает рабочим временем. А дальше начинается парадокс удержания: 95% планируют остаться на текущей работе в следующем году, но лишь 56% выбрали бы эту же работу снова.
Бенефиты и гибкий график удерживают людей на местах. Накопленная цена переделок подтачивает вовлечённость вдолгую.
Выгорание в эпоху AI редко связано с сопротивлением переменам. Куда чаще – с постоянным потоком сырых результатов, которые некому и некогда доводить до ума.
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 оптимисты с низкой отдачей.
- 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 тратить сэкономленное время на совместную работу, обучение и стратегическое мышление, а не просто на новый объём задач.
57% компаний, где преобладают стратеги, уже применяют эту практику.
Чек-лист готовности к AI от Workday
- Измерять чистую ценность – учитывать результат и доработку, а не только сэкономленные 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 совместной работы
И всё-таки 37% – это не приговор
Организации, которые вкладываются в обучение и обновляют роли, снижают этот «налог». Вопрос не в том, платить ли его, а в том, как удержать на минимуме. Винить сотрудников за низкую отдачу AI – всё равно что винить водителя за пробки: соотношение инвестиций 39 к 30 в пользу инфраструктуры показывает, где на самом деле недоинвестировали. А метрика «сэкономили 10 часов» без учёта 4 часов на исправления годится для презентации, но не для решения.
Исследование Workday за этим поднимает вопрос поглубже. Если 37% AI-экономии теряется на переделку – возможно, мы измеряем не то, что нужно? Организации гонятся за процентом внедрения и сэкономленными часами, игнорируя качество результата.
Не повторяем ли мы ошибку эпохи «цифровой трансформации», когда компании внедряли технологии ради технологий, а потом удивлялись отсутствию ROI?
AI Tax стоит читать как симптом. Мы автоматизируем процессы, не переосмысливая их. Накладываем новые инструменты на старые структуры. Ждём чудес, ничего не меняя в том, как работают люди.
И пока этот подход не изменится, «налог» будет только расти.
Инструмент есть. Дальше – навык
Программа курса: Foundation-модуль по промпт-инжинирингу и критическому мышлению плюс специализации по управлению проектами и аналитике. Практика, а не теория.
Stanislav Belyaev
Engineering Leader в Microsoft18 лет в управлении инженерными командами. Основатель mysummit.school. 700+ выпускников в Яндекс Практикуме и Стратоплане.