В 2026 году корпорации тратят сотни миллиардов долларов на искусственный интеллект, но совокупная производительность труда в развитых странах растёт медленнее, чем в 2010-х. Экономисты ломают голову: почему «революционная технология» не даёт измеримого ускорения? Этот феномен получил название «парадокса продуктивности ИИ» — по аналогии с парадоксом Солоу 1987 года, когда нобелевский лауреат Роберт Солоу заметил, что «компьютерный век виден везде, кроме статистики производительности». Согласно исследованию Национального бюро экономических исследований (NBER), среди 6000 руководителей высшего звена в США, Великобритании, Германии и Австралии почти 90% фирм заявили, что ИИ не оказал никакого влияния на занятость или производительность за последние три года . При этом две трети респондентов используют ИИ всего около 1,5 часов в неделю, а четверть вообще не применяет его в работе . Вопреки этим данным, те же руководители прогнозируют рост производительности на 1,4% в ближайшие три года — что говорит о разрыве между ожиданиями и реальностью.
Kandinsky
Микроуровень: где ИИ действительно работает
Ключ к пониманию парадокса лежит в разделении уровней анализа. На уровне отдельных задач и работников ИИ действительно даёт впечатляющие результаты: от 10% до 70% ускорения для хорошо определённых, текстоёмких задач. Наиболее сильный эффект наблюдается у менее опытных сотрудников — новички в поддержке клиентов показали рост производительности на 34%, тогда как эксперты не получили ничего.
Однако даже эти локальные успехи не лишены проблем. Исследование Workday показало, что почти 40% сэкономленного с помощью ИИ времени теряется на исправление низкокачественного результата — переписывание текстов, проверку фактов, корректировку ошибок. Только 14% сотрудников получают стабильный положительный эффект от использования ИИ. Особенно страдают молодые работники 25–34 лет: они составляют почти половину тех, кто тратит больше всего времени на исправление ИИ-выхлопа.
Ещё более тревожный сигнал приходит из сферы разработки ПО. Контролируемое исследование показало, что опытные программисты, использующие ИИ-ассистенты, работают на 19% медленнее — при этом субъективно они ощущают себя на 20% быстрее. Этот разрыв между восприятием и реальностью объясняется тем, что ИИ ускоряет написание кода, но не устраняет необходимость в проектировании, спецификации и верификации — функциях, которые остаются за человеком и становятся узким горлышком.
Почему микроуспехи не агрегируются
Парадокс агрегации — так исследователи Международной организации труда (МОТ) называют феномен, при котором значительные улучшения на уровне отдельных задач не превращаются в рост производительности на уровне фирм, отраслей и экономики в целом.
Первая причина — неравномерность внедрения. Выгоды концентрируются в крупных, цифрово развитых предприятиях, тогда как малые фирмы либо не внедряют ИИ, либо не получают измеримых результатов. Исследование Европейского инвестиционного банка, охватившее более 12 000 предприятий, показало рост производительности на 4% в среднем — но с сильным перекосом в сторону средних и крупных компаний.
Вторая причина — организационные издержки. Внедрение ИИ требует перестройки рабочих процессов, переобучения сотрудников, интеграции с устаревшими системами и создания механизмов управления. Эти затраты «съедают» часть выгод, а сам процесс адаптации занимает годы. Исследование Keio University описывает это как «узкое место развёртывания»: компании тратят значительные ресурсы на интеграцию, но эти организационные усилия плохо поддаются измерению и не отражаются как рост производительности.
Третья причина — «работа-слоп» (workslop). ИИ генерирует контент так быстро, что организации оказываются завалены низкокачественными результатами, требующими проверки и доработки. Это создаёт новый тип организационных отходов, который потребляет ресурсы, но не создаёт ценности.
Макроуровень: цифры, которые не подтверждают обещаний
На макроэкономическом уровне картина ещё менее оптимистична. Аполло-экономист Торстен Слок констатирует: «ИИ везде, кроме входящих макроэкономических данных. Сегодня вы не видите ИИ в данных по занятости, производительности или инфляции». Аналогичный вывод делает аналитик Forrester Дж. П. Гаундер: «Где мы находимся сегодня — мы этого не видим».
Исторический контекст усиливает скепсис. Производительность труда в США росла на 2,7% в год в 1947–1973 годах, но лишь на 2,1% в 1990–2001 годах — несмотря на повсеместное распространение персональных компьютеров. В период 2007–2019 годов рост составил всего 1,5%. Компьютерная революция, как и нынешняя ИИ-волна, не дала немедленного макроэкономического ускорения.
Оценки потенциального вклада ИИ также скромны. Дарон Аджемоглу (нобелевский лауреат 2024 года) прогнозирует рост совокупной факторной производительности не более чем на 0,66% за десять лет. ОЭСР оценивает вклад ИИ в ежегодный рост производительности труда в G7 в диапазоне 0,2–1,3 процентных пункта — в зависимости от темпов внедрения и комплементарных инвестиций.
Кривая J: почему задержка ожидаема
Исторический опыт подсказывает, что технологические революции повышают агрегированную производительность только после существенных организационных изменений и институциональной адаптации. Электрификация потребовала десятилетий перестройки фабрик; компьютеризация — реорганизации офисов и управленческих практик. ИИ, вероятно, следует той же траектории — «кривой J», где первоначальные инвестиции и издержки адаптации предшествуют отдаче.
Исследование J.P. Morgan выделяет три причины задержки: временной лаг (компании тратят на реорганизацию, но выгоды приходят позже), проблемы измерения (две трети затрат на дата-центры идут на импортные компоненты, что не отражается в ВВП, а выгоды для потребителей — например, бесплатные ИИ-сервисы — вообще не учитываются в статистике) и конкуренцию за таланты.
Заключение: не провал, а задержка
Парадокс продуктивности ИИ — это не доказательство того, что технология «не работает». Это свидетельство того, что революции не происходят мгновенно. Микроуровневые выгоды реальны, но их агрегация требует времени, организационной перестройки и комплементарных инвестиций в навыки и процессы.
Главный вывод 2026 года: проблема не в ИИ, а в организациях, которые пытаются использовать его, не меняя структуру работы. Как отмечает исследование FRITS, «решающая переменная — оператор, а не модель», и направление эффекта меняется в зависимости от типа задачи. Там, где задача уже специфицирована, ИИ сжимает разрыв в навыках; там, где оператор должен сам определить задачу и проверить результат, ИИ усиливает неравенство.
Пока одни компании ждут, что ИИ «сам» повысит производительность, другие перестраивают процессы, обучают сотрудников и reinvestируют сэкономленное время в более ценную работу. Именно они, а не самые громкие адепты технологии, вероятно, и получат отдачу — но, как показывает история, это займёт больше времени, чем обещают вендоры.
