89% руководителей крупных компаний уже видят, что сотрудники с помощью ИИ работают быстрее. Проблема в том, что только 6% могут показать, где именно из этого ускорения вырос реальный ROI. Для тех, кто отвечает за внедрение ИИ в продуктовых, инженерных и операционных командах, вывод неприятный, но полезный: оптимизация отдельных людей почти не дает бизнес-эффекта, если сама команда продолжает работать по-старому.
Именно к такому выводу пришла Atlassian. На конференции VB Transform 2026 глава Teamwork Lab в Atlassian доктор Молли Сэндс заявила, что компании часто заходят в тему ИИ с неправильной стороны, сообщает VentureBeat. Вместо того чтобы разбираться, как ИИ меняет совместную работу, бизнес меряет, насколько отдельный сотрудник быстрее пишет текст, код, summary или тикет. Формально скорость растет. На уровне P&L и результатов команды это нередко вообще не ощущается.
Сэндс руководит Teamwork Lab, где поведенческие исследователи и психологи изучают, как ИИ меняет взаимодействие людей на работе. Речь не только о наблюдениях: команда Atlassian, по ее словам, вмешивается в реальные процессы, учит новым практикам и заново прокладывает маршруты, по которым внутри компаний движется работа. Источником для выводов стал ежегодный отчет State of Teams: в 2026 году Atlassian опросила 12 тысяч knowledge workers по всему миру и провела интервью примерно с 200 руководителями из компаний уровня Fortune 1000. Картина получилась довольно жесткая. Почти все уже используют ИИ, но очень немногие могут объяснить, где он приносит деньги, сокращает цикл поставки или улучшает качество результата.
Самая интересная цифра в этой истории не 6%, а 14%. По словам Сэндс, примерно 14% команд все-таки сумели перевести использование ИИ в реальную ценность. То есть внутри одной и той же компании может быть пара команд, которые с помощью ИИ реально выигрывают по скорости и качеству, а рядом находятся другие, у которых тот же набор инструментов дает только больше активности в чатах и больше оптимизма в отчетах. Для IT-директоров и product-лидов это важный сигнал: проблема, похоже, не в доступе к модели как таковой и не в недостатке энтузиазма, а в устройстве самой совместной работы.
Atlassian выделяет три общих черты у тех команд, которые вырвались вперед: контекст, workflow и культура. С контекстом все довольно приземленно. Побеждают команды, которые выносят цели, решения и организационное знание из голов людей в общие цифровые записи. Atlassian называет это context graph: сеть связей между задачами, целями, решениями и участниками работы, которая строится на базе инструментов вроде Jira и Confluence. ИИ в такой схеме получает не только отдельный промпт, но и нормальную рабочую среду: кто что делает, зачем это делается, какие решения уже приняты и где лежат артефакты. Без этого модель ускоряет человека локально, но не помогает команде двигаться согласованно.
Со workflow тезис еще неприятнее для любителей быстрых побед. Если ускорить только отдельные операции, а не процесс целиком, команда начинает быстрее сталкиваться сама с собой. Один участник быстрее пишет код, другой быстрее формулирует требования, третий быстрее плодит документы, но если у них разные представления о приоритетах, архитектуре и критериях готовности, они не складываются в общий результат. Сэндс описывает это почти бытовым образом: люди, которых немного развернули в разные стороны, начинают очень быстро врезаться друг в друга. Для разработчиков и тимлидов это звучит знакомо. Автогенерация кода и AI-ассистенты не лечат рассинхрон по продуктовым решениям, ownership и handoff между ролями. Наоборот, они делают этот рассинхрон дороже, потому что масштабируют его быстрее.
Третий фактор — культура, но не в декоративном смысле. По словам Atlassian, быстрее других двигаются те команды, где руководитель прямо разрешает экспериментировать и заранее проговаривает, что часть экспериментов провалится. В корпоративной среде это все еще редкость: ИИ многим предлагают «осваивать самостоятельно», а потом ждут стандартизированного результата. На практике сотрудник настраивает свои промпты, собирает собственный набор агентов, вырабатывает личные приемы работы — и все это остается невидимым знанием, которое почти не конвертируется в производительность команды. Получается новый слой tribal knowledge, только теперь уже AI-версии.
Отсюда выросла еще одна практическая идея Atlassian — AI working agreements, то есть командные договоренности о том, как именно использовать ИИ в конкретном проекте. Команда в начале работы должна решить не только, для чего она будет применять ИИ, но и для чего не будет; какими агентами участники делятся друг с другом; какие общие навыки и правила нужны, чтобы все работали из одного контекста. Судя по словам Сэндс, команды, которые применяли такой подход, использовали ИИ активнее, двигались быстрее, принимали более качественные решения и на выходе давали лучший результат. Звучит не как магия, а как давно знакомая истина из инженерного менеджмента: полезны не индивидуальные лайфхаки, а общие правила интерфейса между людьми.
Отдельно любопытен совет про ограничения. По данным Atlassian, самый быстрый способ чему-то научиться с ИИ — не безграничная свобода, а специально введенные рамки. Например, разбивать любую задачу до минимально практической единицы работы или на неделю отказаться от ручного написания кода, чтобы понять, где генерация действительно помогает, а где только мешает. Сэндс прямо оговаривает: такие режимы не обязательно годятся для постоянной эксплуатации. Но как инструмент обучения и вскрытия слабых мест они работают быстро. Для бизнеса это, пожалуй, один из самых полезных тезисов во всей истории про внедрение ИИ: не обязательно сразу раскатывать «AI-first» на весь контур, иногда разумнее запускать короткие и жестко очерченные эксперименты на уровне конкретной команды.
Если убрать маркетинговую обвязку, главный вывод Atlassian звучит трезво. ИИ не столько создает новые управленческие проблемы, сколько безжалостно подсвечивает старые: скрытые допущения, несогласованные mental models, потерянный контекст, хаотичные переходы работы между ролями. Чем сильнее компании будут вкладываться в внедрение ИИ, тем заметнее станет разрыв между теми, кто покупает инструменты, и теми, кто перестраивает командную механику. Проверить первоисточник с цифрами и цитатами можно в материале .