Четыре уровня и четыре разных ответа
На уровне одной задачи всё прекрасно. В 2023 году 95 программистов-фрилансеров писали HTTP-сервер на JavaScript. Те, кто пользовался GitHub Copilot, справились на 55,8% быстрее. Идеальная лабораторная постановка: одна задача, чистая среда, ничто не отвлекает.
Дальше начинается интересное. В июле 2025 года провели рандомизированный эксперимент по методике METR: 16 опытных разработчиков решали задачи сопоставимой сложности, но уже в реальном репозитории. Унаследованный код, тесты, требования к интеграции. ИИ-инструменты замедлили работу на 19%. Причём до эксперимента разработчики ожидали ускорения на 24%, а после его окончания были уверены, что ускорились на 20%. Субъективное ощущение скорости разошлось с фактом почти на 40 процентных пунктов.
На уровне компании эффект уходит в ноль. Faros проанализировала телеметрию более чем 10 тысяч разработчиков из тысяч команд, следом вышел отчёт исследовательской группы DORA внутри Google. Команды, которые активно используют ИИ, закрывают на 21% больше задач и создают вдвое больше пул-реквестов. При этом скорость доставки кода в промышленную эксплуатацию и стабильность релизов не улучшаются вообще. Зато длительность код-ревью выросла на 91%, объём пул-реквестов на 154%, а количество дефектов на 9%.
На уровне отрасли остаётся статистическая пыль. ОЭСР насчитала, что в странах с массовым внедрением ИИ производительность труда в ИТ и смежных областях растёт быстрее на 0,4–1,3 процентного пункта в год. Дарон Аджемоглу оценил максимальное влияние ИИ на совокупную факторную производительность за десять лет в 0,66%.
Механика простая, и она не про ИИ
По данным Bain, написание кода занимает 25–35% жизненного цикла разработки. Остальные две трети приходятся на ревью, отладку, интеграцию, развёртывание. Ускорив треть цепочки и не тронув остальное, вы не получаете ускорения цепочки. Вы получаете затор перед следующим этапом. Теория ограничений Голдратта, только с нейросетями.
Разработка тут не уникальна. Учёные из Стэнфорда и MIT разобрали работу 5172 операторов колл-центра компании из списка Fortune 500. ИИ-ассистент поднял индивидуальную продуктивность в среднем на 14%, но за средним прячется расслоение: новички прибавили 34%, опытные операторы почти ничего. То есть инструмент не столько ускорил работу, сколько подтянул слабых к уровню сильных. Полезно, но это не тот эффект, который закладывают в бизнес-кейс.
Почему высвобожденное время не конвертируется в деньги
Первая причина — ловушка частичной автоматизации. ИИ забирает 30–60% задач конкретной роли. Оставшиеся 40–70% по-прежнему делает тот же человек, и его нельзя перевести на полставки. Продуктивность выросла, фонд оплаты труда не изменился. EY зафиксировала: 83% компаний, которым действительно удалось повысить производительность с помощью ИИ, штат не сокращали.
В России ожидания на этот счёт обвалились за год. Если в 2024 году эффект от генеративного ИИ связывали с сокращением ФОТ 49% компаний, то в 2025-м таких осталось 12%. Практика оказалась убедительнее презентаций.
Вторая причина — организационная неготовность. Компании покупают инструмент и надеются, что процессы подстроятся сами. Эрик Брюнольфссон и Лорин Хитт ещё в 2000 году показали: если инвестиции в технологию сопровождаются организационными изменениями, отдача выше в пять раз. За четверть века вывод не устарел, просто теперь его игнорируют применительно к ИИ, а не к ERP.
Третья причина скучная, но решающая: эффект почти никто не умеет измерять. Нет контрольных групп, нет A/B-тестов на уровне процессов, нет базовых метрик до внедрения. Финансовый директор Microsoft, отчитываясь перед инвесторами, честно признал, что количественно оценить влияние Copilot на показатели бизнеса непросто. Если это сложно для Microsoft с их телеметрией, то на среднем производстве задача становится безнадёжной без предварительной подготовки.
Что из этого следует на практике
Мы часто видим этот сюжет у клиентов, когда разбираем обработку заказов у дистрибьютора. Заказчик показывает на самое болезненное место: менеджер вручную разбирает письмо от клиента и вытаскивает оттуда позиции. Кажется очевидным, что вот сюда и надо ставить ИИ.
Дальше считаем цикл целиком. Разбор письма занимает минут пятнадцать. Потом идёт сопоставление позиций с каталогом на 380 тысяч наименований, проверка остатков, согласование замен по неснижаемому остатку, формирование счёта в 1С, ответ клиенту. Автоматизируем только разбор письма — и весь выигрыш растворяется в сопоставлении, которое как было ручным, так и осталось.
Работающее правило звучит так. Для пилота берём процесс длительностью одна-три недели, в котором 3–7 шагов, есть измеримая метрика и назначен ответственный со стороны бизнеса, а не ИТ. Процесс должен повторяться сотни или тысячи раз в месяц. И мерить надо не «насколько быстрее стал шаг», а «насколько быстрее стал процесс и что случилось с долей ошибок».
MIT в 2025 году посчитал, что 95% пилотов по генеративному ИИ не окупаются в первые полгода. Это неприятная, но нормальная цифра для технологий общего назначения: эффект описывается J-кривой, сначала производительность проседает, потому что люди переучиваются и процессы перестраиваются, и только потом начинается рост. С компьютерами на это ушло 15–20 лет. С ИИ будет быстрее, но не мгновенно.
Главный вывод исследования я бы сформулировал так: эффект от ИИ — свойство не модели, а процесса, в который её встроили. Один и тот же инструмент даёт плюс 55% в лаборатории и минус 19% в бою. Разница не в промптах.
Мы в dzeta.ai начинаем проекты именно с разбора процесса, а не с выбора модели: сначала считаем, где в цепочке реально теряется время, и только потом решаем, нужен ли там ИИ вообще. Если интересно посмотреть на свою ситуацию под таким углом, приходите: dzeta.ai
Источники: «Яков и Партнёры», «ИИ-агенты: где хайп, а где реальность» (2026); McKinsey, The State of AI in 2025; METR (2025); DORA/Faros AI (2025); OECD (2025); Bain; EY AI Pulse Survey (2025); MIT (2025).