Разработчики с ИИ-инструментами могут выполнять на 26% больше задач, но число релизов при этом растёт лишь примерно на 30% — даже когда активность по написанию кода увеличивается на 240%. Исследователи Университета Манчестера считают, что внедрение ИИ не превращается в рост производительности автоматически: компаниям приходится перестраивать процессы, а не просто раздавать сотрудникам лицензии.
Об этом сообщает The Register со ссылкой на доклад The Productivity Institute «The AI Ambition Gap». Его авторы пытаются объяснить неудобную для рынка картину: бюджеты на генеративный ИИ растут, пилоты множатся, а руководители часто не видят ни заметного сокращения затрат, ни ускорения бизнеса целиком.
Первая причина довольно прозаична: основные расходы возникают до результата. Организации обучают сотрудников, меняют правила работы с данными, пересматривают роли, интегрируют новые сервисы и выстраивают контроль качества. Всё это сразу попадает в затраты, тогда как эффект может проявиться только после нескольких циклов изменения процессов. Если пилот оценивать по квартальному отчёту, его легко закрыть раньше, чем он доберётся до полезной стадии.
Вторая причина важнее для команд разработки. ИИ действительно ускоряет отдельные операции: поиск информации, черновики документации, рутинный анализ, написание кода. В докладе приводятся примеры: GitHub Copilot помогал разработчикам закрывать примерно на 26% больше задач, а использование ChatGPT в типовых задачах по подготовке текстов и анализу сокращало время выполнения на 40% при росте качества результата на 18%.
Но пользователь не покупает количество сгенерированных строк кода и не читает ваш Jira-борд ради его впечатляющей скорости. Код надо проверить, протестировать, согласовать изменения архитектуры, провести через безопасность, собрать релиз и поддержать в проде. Если эти этапы остаются узким местом, локальное ускорение превращается в дополнительную очередь на ревью и QA. Отсюда и разрыв между резко выросшей кодовой активностью и гораздо более скромным ростом поставки продукта.
Авторы подчёркивают: профессия состоит не из одной задачи, которую можно отдать модели. В ней есть оценка рисков, коммуникация с заказчиком, координация, критическое мышление и принятие решений. ИИ может снять часть рутины, но одновременно создать новую работу: проверить ответ, уточнить контекст, исправить ошибку, зафиксировать источник данных или объяснить решение аудитору. Для инженера это не аргумент против помощников в IDE, а напоминание не путать скорость набора кода со скоростью поставки ценности.
Для бизнеса из этого следует менее эффектный, но практичный вывод: внедрение ИИ нужно привязывать к конкретному ограничению процесса. Не «дадим ассистента всем сотрудникам и посмотрим», а «сократим время подготовки тест-кейсов», «уменьшим очередь на обработку обращений», «ускорим разбор инцидентов» — с понятными метриками до и после. Если инструмент высвободил разработчику два часа, компании ещё предстоит решить, куда эти часы пойдут: в качество, новые функции, сокращение цикла релиза или просто в более длинный список задач.
В докладе среди условий успеха называют управленческую стратегию, развитие навыков работы с данными и ИИ, управление рисками и переработку рабочих процессов. Профессор The Productivity Institute Барт ван Арк формулирует проблему жёстко: потенциал появляется только тогда, когда более быстрые отдельные действия улучшают результат всей компании. Иначе автоматизация остаётся персональным ускорителем, который не меняет P&L.
Контекст для руководителей не слишком утешителен. Gartner, по данным издания, на этой неделе сообщил, что 75% членов корпоративных советов директоров пока не увидели от ИИ ни роста производительности, ни снижения расходов. При этом ожидания от технологии уже встроены в планы компаний и государственные стратегии. Исследователи оценивают потенциальный ежегодный прирост производительности труда в экономиках с высокой подверженностью ИИ, включая Великобританию и США, в диапазоне от 0,4 до 1,3 процентного пункта. Даже нижняя часть этого диапазона была бы заметна на фоне слабой британской динамики последних лет — если эффект окажется устойчивым.
Российским IT-командам эта логика знакома без привязки к британской статистике: новый инструмент даёт эффект там, где вместе с ним меняются критерии готовности, тестирование, доступ к знаниям и ответственность за решение. Вопрос ближайших лет не в том, умеет ли модель быстро генерировать код или текст. Вопрос в том, смогут ли компании превратить это ускорение в более короткий путь от идеи до надёжного результата. Подробнее о выводах исследования — в материале .
