ИИ и эффективность: где нейросети реально экономят время, а где создают иллюзию работы

Летом 2025 года MIT опубликовал отчёт NANDA, в котором говорилось, что около 95% корпоративных пилотов генеративного ИИ не приносят измеримой отдачи. Цифру подхватили десятки изданий, акции ИИ-компаний просели, а через неделю авторы уточнили: речь про пилоты, а не про рабочие внедрения, и методология не публичная. Но осадок остался — и вопрос тоже: где ИИ реально экономит часы, а где мы просто платим за подписки и красивые демо.

Ниже — попытка отделить одно от другого без евангелизма и без модного скепсиса. Только про то, что происходит с рабочим временем, когда в процесс встраивают LLM.

Что считать эффективностью

Когда вендор говорит «ускоряет работу на 40%», это почти всегда про одну операцию: написать черновик письма, сгенерировать функцию, суммаризовать документ. Проблема в том, что рабочий день состоит не только из этих операций. Есть ещё проверка результата, правки, согласование, ответственность за ошибку.

Честная метрика эффективности — сквозная: сколько времени и денег уходит от постановки задачи до принятого результата. По этой метрике картина резко меняется.

Если ИИ пишет черновик за 2 минуты вместо 20, но потом эксперт тратит 40 минут на вычитку вместо 15 — вы не ускорились, вы переложили работу с генерации на верификацию.

Три типа задач и три разных исхода

• Рутинные задачи с дешёвой ошибкой. Транскрибация встреч, черновики писем, переформатирование данных, первичный перевод. Здесь выигрыш реальный и стабильный.
• Экспертные задачи с дорогой ошибкой. Юридические заключения, медицинские диагнозы, финансовые расчёты, продакшн-код в критичных системах. Здесь ИИ переносит нагрузку на проверку, и суммарное время часто не сокращается.
• Творческие задачи с размытым критерием. Дизайн, стратегия, копирайтинг для бренда. Тут ИИ ускоряет перебор вариантов, но не заменяет вкус — а вкус и есть узкое место.

Где эффективность видна в цифрах

Публичных исследований с чистой методологией немного, но кое-что уже есть. Ниже — не рекламные цифры вендоров, а результаты, которые независимо перепроверялись или раскрыты в академических работах.

Обратите внимание на последнюю строку в исследовании BCG: там, где задача выходила за пределы уверенной работы модели, консультанты с ИИ показали худший результат, чем контрольная группа без него. Это ключевой сюжет 2024–2025 годов: ИИ повышает производительность, только если человек умеет отличить, где модель права, а где убедительно ошибается.

Технический долг как обратная сторона

Отдельная история — код. Отчёт GitClear за 2024 год фиксирует: доля «переписанного» кода (кода, который живёт в репозитории меньше двух недель) выросла кратно с распространением Copilot. То есть команды пишут быстрее, но большая часть этого «быстрее» — переделка того, что вчера же и сгенерировали. В сквозной метрике выигрыш куда скромнее рекламных 55%.

Как встроить ИИ, чтобы это не было имитацией

Если убрать пафос, работающие внедрения похожи друг на друга. Вот что делают команды, у которых от ИИ действительно растёт производительность, а не количество вкладок в браузере.

1. Начинают с одной операции, а не «внедряем ИИ в компанию». Например: сократить время подготовки коммерческого предложения с 3 часов до 40 минут. Есть цифра до, есть цифра после.
2. Считают полный цикл, включая проверку. Если после ИИ добавляется этап ревью, его время тоже входит в расчёт.
3. Определяют зону компетенции модели. Явно фиксируют, где LLM применяется, а где нет. Юридические формулировки в договоре — нет. Черновик сопроводительного письма к нему — да.
4. Обучают людей проверять, а не только промптить. Курс «как писать промпты» бесполезен без курса «как ловить галлюцинации в вашей предметной области».
5. Считают деньги. Подписки на корпоративные тарифы стоят ощутимо — от нескольких десятков долларов на человека в месяц. При команде в 200 человек это уже серьёзная строка в бюджете, которую надо чем-то оправдывать.

Что происходит с рынком инструментов

Осенью 2025 года базовые тарифы у крупных провайдеров LLM для бизнеса примерно сопоставимы: ChatGPT Business, Claude for Work, Gemini for Workspace — все крутятся вокруг 20–30 долларов на пользователя в месяц за базовый корпоративный доступ, дороже — за расширенные лимиты и агентов. Точные цены и лимиты меняются часто, сверяйте на сайтах вендоров перед закупкой.

Главный сдвиг — не в ценах, а в формате. От чата с окном ввода индустрия движется к агентам: системам, которые сами выполняют цепочки действий — открывают вкладки, кликают, заполняют формы, вызывают API. Здесь эффективность считать ещё сложнее: агент, который в 8 случаях из 10 бронирует правильный рейс, а в 2 — не тот, требует такого же контроля, как стажёр, только без обучаемости.

^{LLM (large language model) — большая языковая модель, обученная предсказывать следующий токен в последовательности. GPT-4, Claude, Gemini — примеры LLM. Термин важен, потому что от архитектуры модели напрямую зависит, где она сильна (переформулировать, суммаризовать), а где систематически ошибается (точные расчёты, свежие факты, длинные логические цепочки).}

Итог простой: ИИ повышает эффективность там, где стоимость проверки ниже стоимости генерации. Как только проверка становится дороже — а в экспертных областях это норма — прирост исчезает или уходит в минус. Тезис «внедрим ИИ и станем быстрее» без указания, где именно и как измерять, — это не стратегия, а покупка подписок.