Нейросети действительно помогают делать больше теми же руками. Раньше команда неделю собирала черновик, а теперь один человек за вечер рисует базу, проверяет и отдает. В коде та же история: меньше рутины, быстрее черновики, проще прототипы.
Но есть скучная часть, которую обычно не принято упоминать:
Расходы не уменьшаются. Они переезжают.
Раньше компания платила людям. Теперь она платит за модели, токены, безопасность, проверку результата и обучение команды. Звучит менее празднично. Зато ближе к жизни.
Свежая оценка Bridgewater, которую пересказал Reuters, вообще не обещает быстрого “ИИ всех уволил”: в ближнем горизонте риск массового вытеснения людей они считают ограниченным, в том числе из-за нехватки вычислительных мощностей и общего состояния экономики. То есть апокалипсис опять перенесли. Бюджет — нет.
Рост без найма. Бесплатный ли?
Самый честный пример — индийские офисы крупных международных компаний.
Reuters в мае 2026 писал, что крупные компании всё чаще забирают часть работы внутрь своих индийских команд. Daimler Truck переносит в свой центр разработку критичного софта для грузовиков. Target держит в Индии большую внутреннюю техкоманду. IBM говорит, что автоматизация позволяет делать больше тем же числом людей. Epsilon формулирует примерно ту же мысль: работы стало больше, а людей можно не добавлять в той же пропорции.
Вот он, тезис из сказок: ИИ помогает расти без такого же роста штата.
Но дальше начинается бытовуха.
Одни задачи компании оставляют себе, потому что это ядро бизнеса. Другие отдают подрядчикам, потому что нужен редкий навык или больший ресурс. В Индии на фоне ИИ-неопределённости, по словам TeamLease, всё чаще смотрят в сторону контрактного и аутсорсингового найма.
То есть люди никуда магически не исчезли. Просто компания стала осторожнее: кого-то держим в штате, кого-то берём на проект, что-то закрываем моделью, а где-то всё равно зовём живого специалиста, потому что иначе будет больно.
Даже Microsoft считает чужие ИИ-инструменты
Хороший свежий кейс — Microsoft и Claude Code.
The Verge пишет, что Microsoft с декабря открывала доступ к Claude Code тысячам сотрудников. Инструмент внутри компании стал популярным. Даже слишком.
Теперь Microsoft собирается убрать большую часть лицензий Claude Code у команды Experiences + Devices — это Windows, Microsoft 365, Outlook, Teams, Surface.
А затем перевести разработчиков на Copilot к концу июня. Официально — ради единого инструмента, своих репозиториев, безопасности и внутренних процессов. Неофициально — финансовый мотив там тоже есть: 30 июня заканчивается финансовый год Microsoft, а отмена внешних лицензий красиво режет операционные расходы.
Самое вкусное в этой истории не то, что “Microsoft отказалась от Claude”. Не отказалась. Модели Anthropic остаются доступны через Copilot и другие продукты Microsoft.
Суть проще: даже один из крупнейших игроков ИИ-рынка не живёт в мире “ну купим лучший инструмент, какая разница”.
Лицензии. Контроль. Безопасность. Финансовый год.
Разработчикам может нравиться одно. Бюджету — другое.
И это, кстати, очень хороший аргумент против сказки “ИИ просто удешевляет разработку”. Иногда он ускоряет работу. Иногда он создаёт ещё один слой корпоративной политики: кто чей инструмент использует, где лежат данные, кто платит за вызовы модели и почему счёт опять вырос.
Токены — это не магия. Это счётчик
Когда LLM пишет одну функцию — всё выглядит дёшево.
Когда она читает большой контекст, ходит в инструменты, делает несколько попыток, ошибается, переспрашивает, проверяет и только потом выдаёт что-то похожее на результат — счётчик начинает тикать.
2 июня 2026 Reuters передал слова главы Commonwealth Bank of Australia: расходы на ИИ для бизнеса будут расти менее предсказуемо по мере усложнения задач. По его словам, у корпоративных пользователей стоимость завязана на токены, а с reasoning-моделями, инструментами и большим контекстом эти расходы не растут линейно. Он отдельно сказал, что компании в 2026 году будут внимательнее смотреть на ИИ-расходы и на поток работы, который он назвал “work slop”.
“Work slop” — отличное слово. По-русски это что-то вроде “рабочего шлака”.
Бесконечные черновики презентаций. Документы на 30 страниц, которые никто не просил. Таблицы, где всё и вся заполнено, но смысл надо поискать.
Раньше сотрудник хотя бы уставал производить такой мусор. Теперь можно масштабировать его почти без сопротивления. Ужасная производительность, если подумать.
И тут появляется странная мысль: дорогие токены иногда полезны. Они хотя бы заставляют спросить: “А нам правда надо запускать модель на это?”
Демо дешёвое. Продакшен — нет
Пилот почти всегда выглядит хорошо.
Берём узкий кусок процесса. Данные подбираем руками. Показываем красивый сценарий. Кто-то пишет в мессенджер: “Надо срочно масштабировать”.
А потом модель встречает нормальную корпоративную реальность:
Данные грязные. Доступы разные. Юристы нервные. Безопасники просят схему. Логи надо хранить. А владелец процесса внезапно уходит в отпуск.
S&P Global в 2025 году писал, что доля компаний, которые бросают большинство ИИ-инициатив до выхода в прод, выросла с 17% до 42% год к году. В среднем организации выбрасывали 46% proof-of-concept проектов между пилотом и широким внедрением.
Gartner в январе 2026 сформулировал ещё жёстче: по их оценке, к концу 2025 года как минимум половина GenAI-проектов была заброшена. Причины знакомые: плохие данные, слабый контроль рисков, растущая стоимость и мутная бизнес-польза.
В чате можно сказать: “Сделай мне красиво”. В компании надо ответить на вопросы: кто владелец результата, где лежат данные, что пишем в аудит, кто проверяет, кто платит, кто отвечает, если модель уверенно придумала ссылку на несуществующий документ.
На этом месте магия обычно садится и начинает заполнять тех. документацию.
Ошибки тоже приходят в счёт
Есть расходы, которые плохо смотрятся в таблице. Например, перепроверить то, что написала модель. Объяснить клиенту, почему в документе была выдуманная ссылка. Или вернуть часть денег, потому что отчёт оказался с ошибками.
Deloitte Australia в 2025 году согласилась частично вернуть деньги австралийскому правительству за отчёт стоимостью 440 тысяч австралийских долларов. В нём нашли предполагаемые ошибки генерации: выдуманную цитату из решения федерального суда и ссылки на несуществующие научные работы. В исправленной версии появилась пометка, что при подготовке использовался Azure OpenAI.
Вот тут “сделали быстрее” перестаёт звучать как аргумент.
Если после ускорения надо проверять ссылки, переписывать юридические формулировки, выпускать исправленную версию, возвращать деньги и объясняться публично, экономия становится какой-то нервной.
Внутри компаний это происходит тише. Без новостей. Просто кто-то тратит вечер на ревью ИИ-черновика. Кто-то руками вычищает галлюцинации. Кто-то пишет правила, куда модель пускать нельзя. Кто-то включает логирование.
Это работа. Просто она не всегда попадает в первый слайд.
Сверху тоже не праздник
Иногда кажется, что все эти токены где-то “в облаке”, а облако — оно же почти как воздух.
Нет.
Reuters в апреле 2026 писал, что Alphabet, Microsoft, Meta и Amazon идут к расходам примерно в 600 млрд долларов на ИИ за год. Инвесторы при этом всё громче спрашивают, когда это начнёт нормально окупаться.
В начале июня Reuters отдельно сообщил, что Alphabet планирует привлечь 80 млрд долларов на ИИ-цели, а её прогноз капитальных расходов поднят до 180–190 млрд долларов.
То есть даже наверху никто не печатает интеллект из воздуха.
Нужны дата-центры. Чипы. Электричество. Сети. Люди, которые всё это строят и поддерживают. Потом эти расходы кто-то должен отбить. Угадайте кто.
Правильно: клиенты.
Поэтому “ИИ сделает всё дешевле” — слишком гладкая фраза. Иногда сделает. Иногда ускорит рост. Иногда позволит не нанимать сразу десять человек. А иногда просто добавит в компанию новый дорогой счётчик, который раньше никто не умел читать.
Более честная формула
ИИ правда меняет модель роста.
Раньше рост компании почти автоматически означал рост команды. Теперь часть этого роста можно съесть автоматизацией.
Но “меньше найма” не равно “меньше затрат”.
Более честная формула звучит так:
ИИ помогает некоторым компаниям не раздувать штат так быстро, как раньше. Но за это они платят моделям, безопасникам, юристам, ревьюерам и людям, которые потом чинят тех. долг.
Иногда сделка выгодная. Иногда нет.
Если процесс повторяемый, данные чистые, результат легко проверить, а ошибка не убивает бизнес — ИИ может отлично сэкономить время. В саппорте, аналитике, черновиках кода, подготовке первого варианта текста — да, там есть смысл.
Если процесс грязный, данные разбросаны, ответственность размазана, а ошибка стоит дорого — модель быстро превращается из помощника в стажёра с безлимитной корпоративной картой.
Он бодрый. Он быстрый. Он не спит.
И ему надо очень хорошо платить.
ссылка на оригинал статьи https://habr.com/ru/articles/1043694/