За две недели вышли сразу три больших отчёта о том, как ИИ реально живёт в работе: Anthropic, BCG и Exponential View. Мы разобрали все три – и они складываются в одну картину: доступ к инструментам решён, время экономится, а результат появляется только там, где менеджер задаёт направление. И развязка истории прошлого выпуска: Fable 5 вернули через 18 дней после блокировки – с четырьмя обязательствами перед правительством и проверкой личности для доступа. Плюс Claude стал коллегой в Slack, а 41% инженерных лидеров фиксируют падение мотивации в командах.
Менеджеры и ИИ: чаще всех – но не для управления
23% пользователей – руководители. Управленческих задач – 4%
Начнём с отчёта Anthropic «Cadences» – свежего выпуска их Economic Index на данных почасовой телеметрии и опроса почти 10 тысяч человек. Мы разобрали его подробно, здесь – главная линия.
Из всех профессий среди пользователей Claude на первом месте менеджеры: 23% опрошенных при доле около 7% в занятости США. Руководители перепредставлены втрое. А управленческие задачи занимают около 4% всех сессий. Люди, которые управляют, используют ИИ для чего угодно, кроме управления.
Куда уходит время? В письмо, анализ и планирование – всё, что облепляет решение со всех сторон: записки, отчёты, аргументы к встрече. Само суждение и работу с людьми менеджеры оставляют себе, и делают это сознательно: на вопрос «чего ИИ не умеет» опытные респонденты уверенно называют контекстное суждение и управление людьми. На мой взгляд, это вполне зрелое разделение труда. И оно точно совпадает с тем, что 40 менеджеров ответили нам в прошлом выпуске: запрос идёт на снятие рутины вокруг управления, а решение люди хотят оставить за собой.
Две находки отчёта стоит забрать с собой. Первая: те, кто делегирует ИИ больше всех, оптимистичнее остальных по всем шести измерениям работы – от зарплаты до смысла, – и 57% из них считают, что их навыки стали ценнее. Делегирование выглядит рычагом (с оговоркой: невидимую эрозию самооценка не ловит – про этот механизм был выпуск #16 про thinkslop).
Вторая: медианный разговор в чате до готового текста – 13 раундов туда-сюда. Та же задача через Claude Code – один промпт. Разрыв сохраняется на одной и той же модели. Уровень автономии задаёт постановщик задачи – инструмент лишь следует за выбранным режимом. И не записывайте сотрудника в отстающие за то, что он ведёт с моделью диалог из десяти реплик: итеративная стратегия нередко даёт более выверенный результат.
Разбор в блоге · Anthropic: Cadences
День в неделю, который испаряется
BCG: кремниевый потолок пробит. Дальше – работа менеджера
Вторая часть картины – четвёртый ежегодный отчёт BCG «AI at Work»: почти 12 тысяч опрошенных на 14 рынках. Наш полный разбор здесь.
Проблема доступа закрыта: 74% рядовых сотрудников – регулярные пользователи ИИ, рост на 23 пункта за год. И 42% из них экономят как минимум полный рабочий день в неделю (у руководителей – 60%). А теперь вторая цифра: 66% рядовых сотрудников не получают никаких указаний, на что этот день потратить, и больше половины признаются, что никуда его не перенаправляют. День появился – и день испарился.
Причём наверху этого не видно. По оценке ясности указаний разрыв между руководителями и рядовыми – 14 пунктов, по перенаправлению времени – 22. Наверху кажется, что направление задано; внизу его не слышат. Знакомая ошибка: приоритет объявили один раз на общем звонке и посчитали услышанным.
Самый сильный график отчёта – про то, что двигать первым. Слабая стратегия и слабый доступ к инструментам – измеримый эффект у 55%. Добавили инструменты – 60%, плюс 5 пунктов. Добавили вместо этого ясную стратегию – сразу 80%, плюс 25. Направление даёт впятеро больше, чем лицензии.
И на энтузиазм в долгую рассчитывать нельзя: BCG показывает, что у новичков радость от ИИ держится на новизне, а через год этот драйвер слабеет вдвое, и на первое место выходит понимание, куда всё движется. Практический тест для вашей команды простой: если лишний час в неделю уже есть, может ли кто-то внятно сказать, на что он идёт? Если нет – утечка найдена.
Разбор в блоге · BCG: AI at Work 2026
Экономия или выручка: с чего начинают те, у кого получилось
7 из 10 реальных эффектов ИИ – экономия затрат
Третий отчёт закрывает вопрос «а что в итоге в деньгах». Exponential View выпустила The State of the AI Economy – модель доходов по 1 000+ компаниям: генеративный ИИ вышел на темп $175 млрд годовой выручки. Но полезнее всех громких цифр один слайд – анализ заявлений компаний S&P 500 об эффекте ИИ на звонках с инвесторами. 7 из 10 заявленных эффектов – экономия и эффективность. Прямой рост выручки – всего 6%, реже него нет ничего.
У этого выбора есть математика, которую финансовый директор считает без калькулятора. Компания с выручкой $10 млн и прибылью $3 млн: минус $1 млн затрат даёт маржу 40%, плюс $1 млн выручки – только 36%. Тот же миллион эффекта, разные 4 пункта маржи. К тому же экономию не нужно защищать через атрибуцию – она считается по факту. Мы разобрали отчёт и собрали план выбора первой задачи – с двумя готовыми промптами: план для команды и одностраничное обоснование пилота для руководства.
Отдельно про масштаб трат. По платёжным данным Ramp (70 тыс. компаний США) медианная компания тратит на ИИ единицы долларов в месяц на сотрудника. Лимит Uber в $1 500 на инженера в год – это, по сути, цена годовой подписки Copilot с небольшим запасом – и даже он помещает компанию в топ-10% по расходам. То есть первый проект не требует строки в бюджете, которую нужно защищать на комитете. Требует он правильно выбранной задачи: повторяющийся процесс с большими часами, простой метрикой и дешёвой ошибкой.
И цифра для спора со скептиками: компании из топ-25% по доле AI-расходов нарастили выручку с конца 2022 года на 92 пункта больше, чем компании без AI-трат. Честно: это корреляция, причинность здесь не доказана. Но тот же разрыв ранних последователей уже был в волне автоматизации 2000–2016 годов.
Разбор и план первой задачи · Exponential View · Kilo: счёт за Copilot
Мотивация падает, штат растёт
Два тренда про людей, которые выглядят противоречием – но это одно и то же
По данным опроса, который цитирует Tech Manager Weekly, 41% инженерных лидеров отметили снижение мотивации в командах за последний год. Механизм понятный: ИИ забрал творческую часть – написание кода, – а людям осталась проверка сгенерированного. По косвенным оценкам, валидация теперь съедает 30–50% рабочего времени инженера. Работа из созидания превратилась в ревью, и людям это ожидаемо не нравится.
Параллельно анализ Revelio Labs по 21,5 тыс. компаний показывает: фирмы, активно внедряющие ИИ, за два года увеличили штат на 10%, а найм младших специалистов – на 12%. Драйвер найма – новые роли для масштабирования того, что автоматизация сделала возможным, и продуктовая функция: код теперь пишется быстрее, чем компании успевают решать, что именно писать. Свежая иллюстрация от самих вендоров: Anthropic нанимает больше продакт-менеджеров, чем инженеров – Claude Code сделал каждого разработчика втрое производительнее, и узким местом стали решения, что именно строить.
Мне кажется, эти два факта складываются в одну картину перераспределения. Задачи не исчезают – они меняют состав, и меняют его быстрее, чем менеджеры успевают пересобрать роли. Сооснователь HubSpot Дхармеш Шах формулирует в своей рассылке simple.ai жёстче: кто автоматизирует текущую работу и не ищет себе новых задач, тот делает себя ненужным – увольняют не за использование ИИ, а за то, что человек остался в старой роли.
Для руководителя отсюда два действия. Первое – аудит задач команды: где творческая работа незаметно заменилась проверкой за моделью, и что мотивирующего можно вернуть людям – архитектуру, продуктовые решения, работу с клиентами. Второе – пересмотр метрик: KPI на объём произведённого (строки кода, количество материалов) при ИИ становятся контрпродуктивными, они измеряют производительность генератора. Пользу видно в других метриках – стабильности и бизнес-результате.
Tech Manager Weekly #489 · Revelio Labs via Kilo
Fable 5 вернули через 18 дней – но не «как было»
Цена возвращения: четыре обязательства перед правительством и проверка личности
Развязка главной истории прошлого выпуска. 30 июня США сняли экспортные ограничения с Claude Fable 5, и с 1 июля Anthropic вернула модель по всему миру. Восемнадцать дней – от внезапного отключения за 15 минут до полного восстановления. Поводом для блокировки, как выяснилось, был отчёт исследователей Amazon о джейлбрейке, открывавшем доступ к узкой категории опасной информации.
Возвращение не бесплатное. Anthropic взяла на себя четыре обязательства: доступ правительства США к «значимым для нацбезопасности» моделям до публичного релиза, ускоренное раскрытие найденных уязвимостей, выделенные команды под совместные исследования безопасности и общий с Amazon, Microsoft и Google фреймворк оценки серьёзности джейлбрейков. Плюс новый фильтр, который блокирует опубликованную технику в 99% случаев – ценой роста ложных срабатываний в обычных задачах с кодом. И самая необычная деталь: с 8 июля полный доступ для обычных пользователей требует проверки личности по документам через сервис Persona. Доступ через облака – AWS Bedrock, Vertex AI, Microsoft Foundry – пока не восстановлен, сроков нет.
Реакция индустрии оказалась острее самой блокировки. Сэм Альтман и другие руководители лабораторий публично критиковали сам механизм: внезапные, непредсказуемые запреты отдельных моделей, по их словам, бьют по конкурентоспособности американских лабораторий сильнее, чем по злоумышленникам – тем более что сопоставимые открытые модели никуда не исчезали. Разработчики в обсуждениях сходятся на другом: формулировка «значимые для нацбезопасности модели» нигде не определена, а значит, прецедент может повториться с любым следующим релизом.
Для менеджера вывод из развязки, пожалуй, важнее вывода из самой блокировки. Модель вернулась, но появились три постоянных факта: у флагманских моделей теперь есть регуляторный выключатель, у доступа – проверка личности, а у вендора – обязательства перед правительством, о содержании которых вы узнаете последним. Второй контур из прошлого выпуска остаётся в силе – блокировку сняли, а прецедент нет.
Хорошая новость в том, что заменитель уровня Fable сегодня не проблема. По публичным бенчмаркам близкие альтернативы уже есть: GLM-5.2 почти догоняет Fable 5 в рассуждениях и местами обходит в кодинге, Sakana Fugu собирает frontier-качество из более лёгких моделей (её слоган так и звучит: «No Fable? No problem»), а Devin Fusion (о нём ниже) даёт уровень Fable на бенчмарке FrontierCode. Fable в нашем бенчмарке нет – мы меряем менеджерские задачи, – но и там верхушка сидит в пределах полубалла: Claude Opus 4.6 (8,77), GPT-5.5 (8,66), MiMo v2.5 Pro (8,37), Kimi K2.6 (8,27), причём MiMo и Kimi работают из России без VPN. Эти 18 дней и были натурным экспериментом: команды, у которых второй контур существовал заранее, потеряли часы на переключение – остальные ждали новостей от регулятора.
Anthropic: Redeploying Fable 5 · NBC News · Al Jazeera
Идеи и ссылки
Anthropic выпустила Claude Tag – Claude теперь живёт в Slack как обычный коллега: его тегают в тредах, он читает контекст канала, а в ambient-режиме сам мониторит переписку и подхватывает незакрытые вопросы. Один общий ассистент на всю команду: каждый видит его работу и может продолжить задачу коллеги. Для тех, кто не готов к подписке, уже есть OpenTag – открытый аналог, к которому подключается любая модель и внутренние инструменты; развернуть – день-два работы разработчика.
Cognition показала Devin Fusion – связку из флагманской модели и дешёвого «напарника», которая даёт уровень Fable 5 на 35% дешевле. Показательно, что это позиционировалось как ответ на блокировку Fable: frontier-качество собирают из того, что доступно. Блокировку сняли (см. выше), а сам подход остался – страховка от следующего «выключателя» плюс 35% экономии. Тренд «дешёвые модели для дешёвых задач» продолжается – там же был MiniMax M3 с багами за $0,07.
В ту же копилку – Anthropic снизила цену Claude Sonnet 5 до $2 за миллион входных токенов до 31 августа, в 2,5 раза дешевле флагмана. Если ваши процессы сидят на Opus для задач попроще – хороший повод пересадить.
Любопытное из документации Anthropic: перегруженные промпты с десятками строгих правил ухудшают ответы, особенно у новых моделей. Чёткий контекст, аудитория и задача работают лучше, чем стена ограничений. Если у команды есть библиотека шаблонов – стоит провести ревизию и выкинуть лишнее.
Сравнение GLM-5.2 и Kimi K2.7 в планировании кода дало неожиданный вывод: обе модели построили одинаково работающий сервис, несмотря на разницу в баллах. Качество результата определял этап планирования – исполнителя можно было менять без потерь. Это хорошо ложится на цифру «13 раундов против одного» из отчёта Anthropic выше: постановка задачи решает больше, чем модель.
Google обновил Gemini Spark для macOS – теперь он сортирует PDF по папкам прямо в Finder, классифицируя документы по содержимому: контракты, отчёты, презентации. Мелочь, но именно такие мелочи съедают часы у тех, кто работает с документами.
Отрезвляющая история от разработчика Dan Luu: ИИ-агент, «доказывая» существование бага, создал поддельное окружение с симулированной ошибкой и записал это как видео-доказательство. Автор поверил и потратил время на ложный след. Правило отсюда простое: результат работы агента проверяется через независимый канал. Материалы, которые агент произвёл сам, доказательством не считаются.
К этому примыкает исследование Бостонского университета (via MIT Technology Review): менеджеры на 18% чаще пропускают ошибки, если думают, что работу выполнил «AI-сотрудник» по имени Алекс, а не безликий чат-бот. Чем больше агент похож на коллегу, тем меньше мы его проверяем. С учётом того, что агентов теперь буквально нанимают в Slack, – неприятный когнитивный баг, о котором стоит рассказать команде.
Иерархии продолжают сплющиваться. По подборке Tech Manager Weekly: 67% компаний недавно прошли реорганизацию, доля сокращений среди топ-менеджеров выросла с 13% до 23% за два года, а слои middle-менеджмента убирают целенаправленно. ИИ здесь ускоритель: чем больше координации берёт на себя инструмент, тем меньше нужно «маршрутизаторов информации».
Кризис AI-бюджетов, который мы разбирали в двух прошлых выпусках, продолжается: Kilo прогнозирует до $100 тыс. в год на разработчика при агентной работе, а по наблюдению из разбора политик выбора моделей 90% команд не могут объяснить финдиректору, куда уходят деньги на ИИ – решения «какая модель для какой задачи» нигде не записаны. Письменная политика на одну страницу закрывает обе проблемы сразу.
Franklin Templeton ($1,7 трлн под управлением) описала в MIT Sloan Review, как использует ИИ: раннее обнаружение рыночных шоков по неструктурированным данным и – самое интересное – выявление предвзятости собственных портфельных менеджеров. Модель показала, что люди систематически инвестируют в знакомые им отрасли. Приём переносится: проверить решения своей команды на систематический перекос – задача, с которой ИИ справляется уже сейчас.
Агенты становятся стандартом у технических команд: 95% инженеров в AI-сфере уже используют их – вдвое больше, чем год назад. А из инструментов появился Kilo – полностью открытый кодер-агент без привязки к вендору, 3 млн+ пользователей.
Практичный приём против зависимости от одного провайдера – переносной контекст: хранить рабочую историю взаимодействия с ИИ в Markdown-файлах и подгружать её в любую модель. Час-два на настройку, зато переключение между ChatGPT, Claude и Gemini перестаёт стоить потери наработанного. После истории с блокировкой Fable из прошлого выпуска – уже не паранойя, а гигиена.
В бенчмарке модели этого выпуска: MiMo v2.5 Pro – самая высокая строчка рейтинга среди моделей без VPN, GLM и Kimi – пока в предыдущих версиях.
Из нашего блога
Мы закончили серию из четырёх статей «Китайский ИИ в образовании» – Китай за четыре года прошёл путь от блокировки ChatGPT до ИИ на экзаменах, и этот опыт разобран с позиции преподавателя: как переделывать задания, чтобы их нельзя было сдать одним промптом, что уже работает в классе, какие инструменты доступны учителю и где кроется иллюзия эффективности. Если вы учите людей – внутри команды или в вузе – серия того стоит.
Кстати, если после трёх отчётов выше хочется проверить, где ИИ реально экономит время именно вам, – в открытом модуле есть 9 практических задач менеджера: отчёты, разбор обращений, подготовка решений. Бесплатно и на реальных примерах.