До 95% корпоративных GenAI-пилотов не дают измеримого эффекта на P&L. Для компаний, которые смотрят на внедрение GenAI как на быстрый способ сократить штат, это неприятная арифметика: ИИ чаще работает не как замена команды, а как усилитель уже работающих процессов, сообщает IT-World. Для русскоязычной IT-аудитории вывод простой: вопрос уже не в том, купить ли еще одну AI-лицензию, а в том, умеет ли команда превращать ее в релизы, тикеты и выручку.
Поводом для разговора стал типичный запрос бизнеса к консультантам по ИИ: «Кого можно заменить на AI?» На фоне дорогих денег, ограниченного доступа к капиталу и роста затрат на найм этот вопрос звучит все чаще. Логика понятна: если людей нанимать дорого, а рост нужен вчера, значит, должна существовать технологическая «таблетка». В этой роли и пытаются использовать генеративный ИИ. Но проблема в том, что менеджмент обычно ставит правильную цель — ускорить time-to-market, снизить стоимость фичи, быстрее разбирать операционку, — а затем ждет слишком удобного ответа: просто уберите людей из уравнения.
Пилотов много, результата мало
Цифры из источника отрезвляют лучше любой презентации вендора. По данным Census Bureau и ФРС, к концу 2025 года AI использовали 18% американских компаний. При этом, по данным MIT State of AI in Business 2025, до 95% корпоративных GenAI-пилотов не дают измеримого эффекта на P&L. В статье говорится, что в России картина близкая: значительная часть пилотов тоже не доходит до продакшена. И это, пожалуй, главный сюжет 2025–2026 годов: AI в компаниях уже есть, подписки оплачены, демо показаны, а вот в экономике процессов пусто или почти пусто.
На этом фоне особенно показательно, как рынок интерпретирует исследования занятости. В конце 2025 года, как пишет источник, исследователи Стэнфорда опубликовали работу «Canaries in the Coal Mine?» на данных ADP. Там говорилось, что занятость в группе 22–25 лет в профессиях, наиболее подверженных влиянию AI, снизилась на 13%, а по отдельным специальностям, включая разработчиков ПО, падение достигало 20% от пика. Медиакартина после этого сложилась мгновенно: AI вытесняет джунов, скоро вход в профессию закроется, junior-разработка уезжает в музей рядом с факсом. Но уже в феврале-марте 2026 года Anthropic выпустила свой отчет по тем же данным и формулировала вывод заметно осторожнее: статистически значимого роста безработицы нет, есть лишь предварительные признаки замедления найма молодых специалистов.
Это важная оговорка. Снижение найма джунов не равно массовой замене людей нейросетями. Источник приводит и более крупный срез: исследование Гарварда на 62 млн работников и 285 тыс. компаний показало, что после внедрения AI найм junior-сотрудников сокращался на 7–12% в течение шести кварталов. В отдельных секторах, например в оптовой и розничной торговле, разрыв с компаниями без AI доходил до 40%. Но оставшуюся часть эффекта нельзя честно списать только на нейросети: там же сидят дорогие кредиты, коррекция после пандемийного перенайма и в целом менее щедрая экономика. Иначе говоря, AI стал фактором рынка труда, но далеко не единственным и уж точно не магическим.
Мультипликатор, а не замена
Самая полезная мысль из материала звучит почти обидно в своей простоте: один разработчик с AI — это не «минус один разработчик в штате», а разработчик, усиленный некоторым коэффициентом X. У кого-то он будет 1,1, у кого-то 1,4, у кого-то 3, если человек действительно умеет работать с агентскими инструментами и встроил их в процесс. Но ноль разработчиков с AI по-прежнему дают ноль. Бизнесу не очень нравится эта формула, потому что она не обещает красивой экономии на слайде для совета директоров. Зато она ближе к реальности, в которой код нужно не только сгенерировать, но еще проверить, протестировать, встроить в архитектуру и не сломать соседний сервис.
С практическими замерами та же история. В статье приводятся данные разных экспериментов: GitHub на выборке 4867 разработчиков и исследование University of Chicago совместно с Cursor на более чем 1000 организаций оценивали прирост продуктивности AI-инструментов в диапазоне 10–40% в зависимости от зрелости внедрения. Это хороший результат, но не «в десять раз быстрее» и не повод увольнять половину команды. Более того, разброс эффектов очень широкий. Исследование METR 2025 года на реальных задачах зафиксировало даже замедление разработчиков с AI на 19%, тогда как Harness оценил прирост по pull request лишь в 10,6%. Если отбросить маркетинг, вывод неприятный, но честный: ИИ не раздает бонус к скорости автоматически. Он усиливает тех, у кого уже есть нормальные процессы, понятные требования, код-ревью, тестирование и навык формулировать задачу не как «сделай красиво», а как конкретный инженерный запрос.
Живой пример из практики, который приводит автор, выглядит особенно знакомо для любого руководителя разработки. Компании купили Claude Code всей команде и ожидали примерно плюс 30% к velocity. Через полгода получили около 4% роста. Причина не в том, что инструмент плохой, а в том, что реальная доля использования составила примерно 25%. На бумаге внедрение GenAI произошло: лицензии оплачены, доступы розданы, в отчет можно поставить галочку. По факту компания просто держит дорогие подписки для четверти сотрудников, которые действительно встроили их в повседневную работу. Это типичный корпоративный сюжет: не провал технологии, а провал управленческой дисциплины.
Отсюда и экономика. В материале приведен понятный пример с командой из пяти разработчиков, где полная стоимость одного человека — около 500 тыс. рублей в месяц с учетом зарплаты, налогов, страховых, оборудования и лицензий. При мультипликаторе 1,3 такая команда выдает результат, сопоставимый с 6,5 сотрудника без AI. В переводе на язык бюджета это эквивалент экономии на одном-двух дополнительных наймах, то есть 12–24 млн рублей в год. Для компании при ставке около 15% это уже заметно. Но модель здесь не «уволим троих и заменим ИИ», а «сохраним команду и получим выход на уровне более крупного состава». Разница между этими двумя подходами кажется риторической только до первого сорванного релиза.
Есть и еще один эффект, который бизнес часто недооценивает: удешевление моделей не означает удешевления счетов. В статье напоминают, что стоимость токенов у моделей за последние полтора года падала резко, но суммарные расходы компаний не спешат следовать вниз. Причина описывается через эффект Джевонса: когда ценный ресурс дешевеет, его начинают жечь еще активнее. В мире GenAI это выглядит очень приземленно. Промпты становятся длиннее, цепочки вызовов сложнее, агентские сценарии начинают дергать модель 10–50 раз на одну задачу, а к прототипу почти сразу прилипают guardrails, мониторинг, интеграции и логирование. На ценнике за миллион токенов легко сэкономить, на полной стоимости полезной работы — уже не так просто.
Главный вопрос для рынка теперь звучит не «заменит ли AI людей», а «кто сумеет поднять свой коэффициент усиления быстрее конкурентов». Когда генеративный ИИ станет стандартным слоем в разработке и операционке, преимущество получат не те, кто первым закупил лицензии, а те, кто научился превращать их в предсказуемый результат. Для CTO и фаундеров это плохая новость, если хотелось легкой экономии, и хорошая, если ставка делается на сильную команду: в эпоху GenAI она становится не менее важной, а дороже в буквальном смысле слова.