В 1987 году нобелевский лауреат по экономике Роберт Солоу произнес фразу, ставшую пророческой: «Мы видим компьютеры везде, кроме статистики производительности». Тогда корпорации массово закупали ПК, но производительность труда в США падала. Потребовалось более десяти лет, чтобы инвестиции отразились на росте ВВП. Сегодня, спустя почти 40 лет, экономисты Эрик Бриньолфсон и Даниэль Рок фиксируют тот же парадокс для искусственного интеллекта: ИИ используется повсеместно — от генерации писем до написания SQL-запросов, — но глобальная производительность труда прибавляет лишь по 1–1,5% в год, согласно данным ФРС США и OECD.
Опросы топ-менеджеров показывают, что компании внедряют ИИ практически везде, однако реальную измеримую выгоду — рост чистой маржи или сокращение операционных издержек более чем на 10% — получают лишь 5–7% организаций. Исследователи McKinsey называют их ИИ high performers. Для остальных ИИ остается дорогой игрушкой, которая не влияет на прибыль. В академических статьях выделяют две ключевые причины такого разрыва.
| Показатель | Значение |
|---|---|
| Рост глобальной производительности труда в год | 1–1,5% |
| Доля компаний с измеримой выгодой от ИИ (McKinsey) | 5–7% |
| Ускорение написания кода новичками с ИИ | в 2 раза |
Первая — барьер «архитектурной адаптации». Многие компании внедряют ИИ как локальную надстройку: покупают подписки на LLM и просят сотрудников «ускорить работу». Рутинные действия ускоряются, но бизнес-процессы остаются прежними. Текст договора проходит ту же цепочку согласований, код — ручное тестирование и циклы релизов. Локальное ускорение на 20% на одном этапе нейтрализуется застреваниями на других. Эту закономерность описал Элияху Голдратт в теории ограничений: скорость системы определяется ее самым медленным звеном. Чтобы ИИ дал макроэкономический эффект, процессы нужно полностью переработать под новую технологию.
Экономисты Бриньолфсон и Рок называют это современным парадоксом производительности ИИ, повторяющим ситуацию с компьютерами 1980-х.
Вторая причина — скрытые издержки на верификацию. Генеративный ИИ выдает результаты с большим процентом галлюцинаций и ошибок. Harvard Business Review детально описал этот феномен: начинающие разработчики с помощью ИИ пишут код в два раза быстрее, но опытные коллеги тратят на ревью, поиск багов и отладку намного больше времени. Происходит перераспределение издержек внутри компании: меньше времени на создание, кратно больше — на проверку. В макроэкономическом масштабе это показывает границу применимости простых интерфейсов «человек — промпт — модель».
Именно из-за этих ограничений возник главный тренд 2026 года — переход к Агентскому ИИ (Agentic ИИ). Традиционные LLM 2023–2024 годов работали по схеме: человек формулирует промпт, ИИ генерирует ответ, человек проверяет. Агентский ИИ предполагает автономное выполнение цепочек задач: система сама планирует шаги, использует инструменты, обращается к базам данных и минимизирует участие человека в промежуточных этапах. Это позволяет исключить человека из циклов верификации и добиться роста эффективности на порядок.
Экономические прогнозы постепенно смещаются от алармистских заявлений о замене профессий к сдержанному эконометрическому анализу. Национальное бюро экономических исследований США (NBER) указывает, что экономика повторяет сценарий сорокалетней давности. Тогда компьютеры не давали немедленного эффекта, но в конце 1990-х инвестиции наконец отразились на росте ВВП. Сейчас аналогичный лаг может составить несколько лет, прежде чем ИИ начнет влиять на макроэкономические показатели.
Пока же рынок находится в фазе накопления: капитализация Nvidia бьет рекорды, венчурные фонды вкладываются в ИИ-стартапы, но реальный сектор не видит скачка производительности. Вопрос в том, сможет ли Агентский ИИ преодолеть барьеры архитектурной адаптации и верификации, или парадокс производительности затянется на десятилетие, как это было с компьютерами.
