В глобальном исследовании McKinsey от 25 августа 2026 года 80% респондентов сообщили, что ИИ повысил их личную продуктивность, а половина стала принимать с ним более качественные решения. На уровне компаний картина заметно скромнее: только 37% связали использование ИИ хотя бы с каким-то вкладом в операционную прибыль, и эта доля почти не изменилась за год. К высокорезультативной группе, получающей от ИИ не менее 5% EBIT и считающей эффект значительным, McKinsey отнесла около 6% участников.
Все эти ответы могут быть верны одновременно. Человек действительно заканчивает свою часть быстрее, но результат компании проходит дальше через постановку задачи, доступы, решения других подразделений, проверку, выпуск и реакцию пользователей. Если эти участки остались прежними, выигранные часы скапливаются перед следующей границей и не превращаются в выпущенный продукт или прибыль.
Личное ускорение заканчивается на границе чужого решения
Представим менеджера, который с помощью модели за час подготовил анализ вместо прежних трёх. Если документ затем неделю ждёт согласования, компания почти ничего не выиграла. Разработчик может быстрее собрать изменение, но оно остановится на проверке безопасности; служба поддержки — подготовить ответы, которые нельзя отправить без обновлённых правил; аналитик — найти закономерность, для которой никто не определил следующее действие.
Обычная метрика продуктивности замечает ускорившийся участок и не видит время между участками. Поэтому сумма личных улучшений не равна изменению результата организации. Иногда она даже увеличивает очередь: документов, вариантов и программных изменений становится больше, а право принять их остаётся у прежнего количества людей.
McKinsey отмечает именно это различие в поведении высокорезультативных компаний. Они связывают ИИ с ростом и новыми продуктами наряду с экономией, перестраивают рабочие процессы целиком и обеспечивают внедрение вниманием руководства и операционной дисциплиной. Технология у них может быть той же, но единицей изменения становится весь маршрут результата.
Ответственность точнее должностей разделяет работу людей и агентов
Когда агенты способны участвовать и в анализе, и в проектировании, и в исполнении, схема «человек думает, машина делает рутину» перестаёт описывать реальность. Модель может предложить архитектурные варианты, найти скрытое ограничение или заметить противоречие в требованиях. Человек тоже продолжает выполнять конкретную работу, особенно там, где автоматизация обойдётся дороже самой задачи.
Устойчивее разделять работу по ответственности. В каждом фрагменте должен быть тот, кто формулирует ожидаемый результат и ограничения; тот, кто выполняет задачу с подходящими агентами и инструментами; и тот, кто имеет право принять результат или вернуть его. Эти роли иногда совмещает один человек, однако они не должны исчезать из процесса только потому, что работу подготовила модель.
В Rule 90 проект устроен вокруг такого разделения. Сначала задача доводится до проверяемого результата: становится понятно, что должно измениться для пользователя или бизнеса и по каким признакам это будет принято. Затем связка человека и ИИ рассматривает варианты и собирает решение, а приёмка возвращается к исходному критерию, а не к уверенности исполнителя. Модель участвует на каждом участке, но не получает права самостоятельно объявить свою работу законченной.
Передача агенту должна содержать способ остановить его
Плохая постановка для агента отличается от хорошей не длиной инструкции. В ней отсутствует граница: какие файлы, данные и системы можно менять, какой результат предъявить, что проверить автоматически и в какой ситуации остановиться с вопросом. Без этой границы агент способен произвести большой объём внутренне согласованной работы, построенной на неверном предположении.
Поэтому единица работы включает четыре части: контекст, ожидаемый результат, проверку и условие остановки. Для небольшой задачи это могут быть команда тестов и запрет менять публичный интерфейс. Для продуктового решения — сценарий пользователя, допустимый риск, данные для проверки и решение, которое обязан принять человек. Агент получает достаточно свободы внутри рамки, но не расширяет её незаметно.
Microsoft в Work Trend Index 2026 называет продвинутыми не тех пользователей, которые просто чаще обращаются к ИИ. Они чаще заранее решают, что передать агенту, устанавливают стандарты качества, документируют передачи между человеком и агентом и обсуждают ошибки внутри команды. Различие находится в способе организации работы, а не в доступе к особой модели.
Проверка должна масштабироваться вместе с исполнением
Если один человек с агентами выполняет работу прежней небольшой команды, проверяющая часть системы не может остаться неформальной. Иначе все решения сходятся к одному опытному сотруднику, который превращается в очередь, либо принимаются самим исполнителем по принципу «тесты прошли». В первом случае исчезает скорость, во втором — контроль.
Проверку приходится распределять по стоимости ошибки. Локальные свойства подтверждают автоматические тесты и анализаторы; соответствие задаче — человек, понимающий продукт; безопасность, права доступа и финансовую логику — специалист с соответствующей ответственностью. Не каждое изменение требует общего совещания, но для каждого заранее понятно, какой уровень доказательства достаточен.
Свежие данные показывают, почему это уже не теоретическая аккуратность. В исследовании IBM среди 2000 технологических руководителей 70% сообщили, что подразделения внедряют технологии быстрее, чем ИТ успевает их отслеживать, а 77% считают, что внедрение ИИ опережает возможности управления. IBM как поставщик решений заинтересована в такой постановке проблемы, поэтому отдельные оценки не стоит превращать в универсальный прогноз. Однако сам разрыв между скоростью исполнения и способностью видеть происходящее совпадает с выводами McKinsey и Microsoft.
Найденное решение должно переживать проект и конкретную модель
Агент быстро использует доступный контекст, но не превращает его автоматически в знание организации. Если важное решение осталось в переписке, следующая задача начнётся с повторного исследования, а после смены сотрудника или инструмента объяснение исчезнет. Скорость отдельной сессии тогда покупается ценой постоянного возвращения к уже пройденному.
Поэтому из истории общения с моделью сохраняют только то, что изменит будущие решения: ограничение системы и его причина, выбранный вариант и отвергнутые альтернативы, способ проверки, найденный класс ошибки, правило для похожих задач. Такая запись короче диалога, но позволяет другому человеку или агенту продолжить с достигнутой точки.
Microsoft называет этот накопленный слой owned intelligence — знанием, которое принадлежит организации и усиливается по мере работы. В отчёте продвинутые пользователи заметно чаще делятся находками и ошибками, совместно перестраивают процессы и фиксируют повторяемые агентские сценарии. Для студии это особенно важно: доступную всем подписку на модель невозможно превратить в преимущество, тогда как проверенные решения можно переносить между проектами без переноса чужих данных и случайных деталей.
У такой системы есть собственные слабые места
Явные роли и проверки не гарантируют результата сами по себе. Принимающий решения человек может стать узким местом; база знаний — заполниться устаревшими правилами; универсальный процесс — начать подавлять различия между проектами. Чем аккуратнее выглядит схема, тем проще не заметить, что она уже обслуживает себя, а не продукт.
Поэтому система должна позволять проверять и менять собственные правила. Очередь приёмки измеряется, решение в базе имеет владельца и дату пересмотра, а обязательный шаг сохраняется только пока предотвращает понятный риск. Там, где проверка дешёвая и ошибка обратима, агенту дают больше самостоятельности; там, где ошибка затрагивает деньги, данные или права людей, граница остаётся жёсткой.
Устройство ИИ-студии проверяется не количеством агентов и не малым размером команды. Более точный признак — способность продолжить проект после замены любого элемента: модели, исполнителя или проверяющего. Если вместе с человеком исчезает контекст, вместе с моделью ломается процесс, а качество держится на личной внимательности одного специалиста, локальная продуктивность ещё не стала свойством организации.
Разрыв из отчёта McKinsey поэтому объясним. ИИ уже помогает большинству людей делать свою часть быстрее, однако финансовый результат появляется у немногих, потому что для него нужно перестроить всю цепочку. Модель создаёт рычаг; студия становится сильнее только тогда, когда умеет направлять его через явную ответственность, масштабируемую проверку и знания, которые остаются после выполненной работы.
Ещё больше интересного в телеграм-канале @kindaworks.