Work AI Institute — исследовательский центр, который спонсирует Glean, разработчик корпоративного ИИ-поиска, то есть компания, напрямую заинтересованная в хороших цифрах, — опросил шесть тысяч сотрудников в США, Великобритании и Австралии. Методику помогали ставить учёные из Стэнфорда и Беркли.
Результат: ИИ экономит работнику около одиннадцати часов в неделю.
И там же, в том же исследовании: больше шести из этих одиннадцати часов уходят на проверку, исправление и присмотр за самим ИИ.
Чистыми остаётся меньше пяти. Заметьте, это цифры от заинтересованной стороны — то есть скорее оптимистичные.
Дальше цифра, которая объясняет, почему у половины знакомых мне компаний «ИИ вроде внедрили, а толку не видно». Рост личной продуктивности почувствовали 75% опрошенных. Рост бизнеса зафиксировали 13% организаций.
Люди работают быстрее. Компании не зарабатывают больше.
Почему проверка съедает экономию
Причина не в том, что нейросети плохие. В том, что они ошибаются иначе, чем люди.
Человек, который не уверен, — тормозит, переспрашивает, ставит пометку «уточнить». Нейросеть выдаёт неверный ответ ровно с той же интонацией, что и верный. Никакого сигнала «здесь я не уверена» в тексте нет — она в принципе не различает эти состояния, она подбирает наиболее вероятное продолжение.
Отсюда простое следствие, на котором держится вся дальнейшая логика: время, которое вы сэкономите, определяется не тем, насколько быстро ИИ делает задачу, а тем, насколько дёшево вы можете проверить результат.
Проверка черновика письма — десять секунд, вы прочитали и поняли. Проверка сводной таблицы с двадцатью цифрами из отчёта — это пересчёт двадцати цифр, то есть вся работа заново.
Одна и та же нейросеть на первой задаче даёт выигрыш, а на второй — минус.
Задачи, где нейросеть реально экономит время
Отсюда получается рабочий фильтр. Отдавайте нейросети то, где ошибку видно сразу.
Черновик любого текста. Письмо, описание вакансии, коммерческое предложение, пост. Нейросеть снимает страх пустого листа — а это, по моим наблюдениям, половина времени на текст. Ошибку в стиле или в логике вы увидите при первом чтении.
Расшифровка встреч. Здесь особенно хорошо, потому что проверять почти нечего: вы были на встрече и помните, о чём говорили. Из российских движков в этой нише — SpeechKit Яндекса и SaluteSpeech Сбера для реального времени, Войси для пакетной обработки записей, Silero с открытым кодом для тех, кто хочет держать данные у себя. Часовое совещание превращается в текст с задачами за пару минут.
Поиск по своим документам. Загружаете договоры, регламенты, отчёты — и спрашиваете человеческим языком. Технически это RAG: перед ответом система находит нужный фрагмент в ваших файлах и отвечает по нему, а не по тому, что запомнила при обучении. Проверка занимает секунды, потому что нормальный сервис показывает, из какого документа и с какой страницы взят ответ. Тема большая — как модель на самом деле читает документ, где врёт и сколько стоит каждый из трёх уровней решений, я разобрал в отдельном материале про нейросети для документов.
Первый проход по коду. GigaCode у Сбера, Kodify у МТС — последний заявляет поддержку девяноста языков программирования. Проверку тут делает не человек, а компилятор и тесты, то есть она почти бесплатная.
Общее у всех четырёх: результат либо очевидно верный, либо очевидно кривой. Середины нет.
Задачи, где нейросеть отнимет время
Обратная сторона того же правила.
Всё, что связано с цифрами из ваших данных, — сводки, расчёты, аналитика по выгрузке. Нейросеть уверенно сложит не то и не покажет, где именно. Проверять придётся каждую строку.
Юридические формулировки. Договор, который выглядит грамотно, но содержит не ту формулировку в пункте об ответственности, стоит дороже, чем неделя работы юриста.
Фактические справки о рынке, конкурентах, законодательстве. Модель напишет убедительный абзац с процентами и датами, и половина будет придумана. Из исследования Work AI Institute: 41% сотрудников не могут объяснить, как ИИ пришёл к своему выводу. Не могут объяснить — значит, не могут и проверить.
Отдельная категория — задачи, которые вы отдали ИИ, потому что не хотели делать сами, а не потому, что он подходит. Это самая дорогая ошибка, и она не про технологию.
Как посчитать, окупится ли конкретная задача
Считается это на салфетке, за пять минут, до всякого внедрения.
Берёте задачу и записываете три числа: сколько времени она занимает сейчас, сколько раз в месяц повторяется и сколько уйдёт на проверку результата от ИИ.
Пример из типовой розницы. Описание карточки товара — сорок минут вручную, двести карточек в месяц. С нейросетью: три минуты на генерацию, семь на вычитку и правку. Было 133 часа, стало 33. Экономия сотня часов в месяц, и она реальная, потому что проверка описания — это чтение текста, а не пересчёт данных.
Вторая задача из той же компании. Сводка продаж по неделям из выгрузки — два часа вручную, четыре раза в месяц. С нейросетью: пять минут на генерацию, но проверять придётся каждую цифру, а это те же два часа. Экономия ноль, риск ошибки выше. Не берём.
Разница между двумя задачами не в сложности и не в модели. В том, что в первом случае проверка дешевле работы, а во втором равна ей.
Если после такого подсчёта задача даёт меньше десяти часов экономии в месяц — я бы её не трогал вообще. Внедрение, обучение людей и поддержка съедят больше.
Как это выглядит на уровне компании
Личная экономия и корпоративная — разные вещи, и разрыв между 75% и 13% из исследования именно об этом.
Сотрудник, который стал делать задачу за полчаса вместо двух, чаще всего просто берёт больше задач. Бизнес этого не видит: в отчётности не появляется ни новой выручки, ни высвобожденных ставок.
Российские цифры говорят о том же с другой стороны. Консалтинговая компания Onside вместе с Just AI, разработчиком диалоговых ИИ-платформ, разобрала больше трёхсот компаний и семьдесят внедрений с реальными бюджетами. Рынок генеративного ИИ в стране вырос с 13 до 58 миллиардов рублей за год, 77% — корпоративный сегмент.
А внутри этих внедрений: 55% — пилоты, 30% — масштабирование пилотов, и только 15% доведены до промышленной эксплуатации.
То есть деньги в рынке есть, а до состояния «работает каждый день и считается в деньгах» доходит каждый седьмой проект.
Разница между теми, кто дошёл, и остальными — не в выборе модели. В том, что у дошедших была измеримая задача с понятной проверкой результата, а не установка «внедрить ИИ».
С чего начать внедрять нейросети для работы
Не с выбора нейросети и не с приёмов работы — про то, как выжимать из модели нормальный результат, у меня есть отдельный разбор, и он полезен ровно после того, как задача выбрана. С одного процесса, где вы можете назвать текущую цифру: столько-то часов в неделю, столько-то заявок в день, столько-то рублей на этап.
Дальше — вопрос из середины этой статьи: сколько будет стоить проверить результат? Если проверка дороже самой работы, задачу не берём, какой бы заманчивой она ни казалась.
И только третьим шагом — инструмент. Для перечисленных выше задач хватит того, что доступно в России без плясок с оплатой: Алиса, GigaChat, Cotype у МТС. Разницу между ними вы почувствуете позже, чем разницу между «правильно выбранной задачей» и «неправильно выбранной».
Одиннадцать часов экономии существуют. Вопрос только в том, сколько из них вы отдадите обратно на проверку — и это решается при выборе задачи, а не при выборе нейросети.