Парадокс производительности в эпоху AI

Когда компании начали внедрять ИИ в рабочие процессы, ожидания были понятны: сотрудники станут работать быстрее, а вслед за этим вырастет и прибыль. Но реальность оказалась сложнее. ИИ действительно меняет то, как люди справляются с задачами, — однако между личной эффективностью сотрудника и финансовыми результатами компании пролегает пропасть, которую легко не заметить. Чтобы разобраться, почему так происходит, нужно взглянуть не только на экономику, но и на психологию человека, работающего бок о бок с ИИ.

TL;DR

• ИИ повышает индивидуальную продуктивность на 10–60%, но на прибыль компаний этот эффект пока не распространяется — перед нами новая версия парадокса Солоу.

• Индивидуальная продуктивность (job performance) и производительность труда (labor productivity) — разные вещи, и смешивать их в оценке эффекта ИИ нельзя.

• Больше всего от ИИ выигрывают низкоквалифицированные сотрудники: модель компенсирует нехватку доменной экспертизы. Опытные работники получают заметно меньше.

• Индивидуальные выгоды рассеиваются через поведенческие адаптации: рост запросов на повышение, использование сэкономленного времени вне работы, новые личные цели.

• Ключевой навык работы с ИИ — не промпт‑инжиниринг, а доменная экспертиза: именно она определяет, кто способен оценить и улучшить то, что предлагает модель.

Профессиональная продуктивность и производительность труда

В экономике мы привыкли пользоваться таким понятием, как производительность труда. Упрощенно она вычисляется путем деления объема выпуска производства на затраты на труд. И уже здесь начинаются проблемы, связанные с тем, что в цифровых секторах экономики достаточно сложно измерить обе составляющие производительности. Например, прибыльные компании могут позволить себе больше расходов на ИИ, поэтому корреляции между цифровизацией и прибылью будут ложными. Наряду с этим само внедрение ИИ в бизнес‑процессы весьма долгосрочное занятие, поэтому прибыль закономерно сократится в моменте, чтобы потом увеличиться в будущем. Не стоит забывать и о чисто бухгалтерских нюансах учета расходов на ИИ и его внедрение.

Спускаясь с макроэкономического уровня на уровень конкретного работника, мы можем наблюдать еще более запутанную картину. Основная проблема заключается в смешивании понятий производительности труда (labor productivity) и профессиональной продуктивности (job performance). Экспериментальных исследований, которые бы напрямую замеряли эффект использования ИИ в работе на прибыль компании, я не нашел. А все пестрые заголовки о росте продуктивности сотрудников касаются именно личного измерения и никак не могут быть экстраполированы на показатели бизнеса, о чем будет сказано ниже.

Классическими показателями профессиональной продуктивности в исследованиях являются: время, затраченное на решение задачи; количество задач, решенных за единицу времени; количество допущенных при решении задач ошибок. Наряду с этим встречаются и весьма нетрадиционные способы объективных измерений, такие как события нажатий на клавиши, eye tracking технологии или электроэнцефалография. С ними по соседству используются разнообразные опросники, отображающие оценку своей собственной эффективности. Например, предлагается оценить насколько вы согласны с тем, что обладаете навыком расстановки приоритетов в работе. Стоит обратить внимание на то, что качественные показатели проделанной работы практически не используются.

Экспериментальных исследований, показывающих положительное влияние ИИ на профессиональную продуктивность, пока не так много, но они все же есть. Так, вышедший недавно мета‑анализ показал, что применение ИИ‑помощников при написании кода дает небольшой, статистически достоверный прирост продуктивности, измеряемой в показателях времени решения задач, количестве комитов и строках кода. Есть также исследования сотрудников колл‑центров, показывающие увеличение количества закрытых тикетов за единицу времени. У всех этих результатов есть весьма значимые нюансы, о которых мы поговорим позднее.

Если ИИ может сделать работника немного эффективней, то почему же это может не сказаться на прибыли компании? Помимо методологических объяснений и отложенного экономического эффекта, есть пара психологических моментов.

Во‑первых, ощущение собственной эффективности неизбежно приводит к тому, что человек начинает ставить перед собой новые цели. В теории самодетерминации (SDT) стремление к совершенствованию своих навыков (competence) является базовой психологической потребностью. Ее удовлетворение является естественным процессом. А вслед за усложнением решаемых задач появляется закономерное желание получать за свою профессиональную деятельность больше. Попросив прибавку к зарплате или новую должность, сотрудник увеличивает расходы компании, принося ей при этом больше пользы. Однако при пропорциональном росте расходов и результатов производительность не растет.

Во‑вторых, реализация потребности в совершенствовании своих навыков может вообще не касаться текущего места работы. Так, сотрудник с помощью ИИ может выполнять отведенные ему задачи за меньшее количество времени, а остаток тратить на вторую работу или другую деятельность. Конечно, если ИИ используется всеми, то объем работы на одного работника может быть увеличен работодателем, и свободного времени уже может не остаться. Однако даже такая адаптация может быть никак не связана с производительностью, например, из‑за роста зарплаты.

Продуктивность и квалификация сотрудников

Давайте теперь поговорим о том, насколько сильно ИИ повышает профессиональную продуктивность и для кого. Нередко в отчетах топовых AI‑компаний, новостных заголовках или постах в соцсетях можно прочитать о многократном росте. Кажется, что 10X инженер из мема превратился в рядового сотрудника. На практике оказывается, что в привычных нам X рост варьируется от 1,1 до 1,6. При этом все зависит как от дизайна самого эксперимента, так и от его участников.

О последних стоит сказать отдельно. Исследования отчетливо показывают, что наибольший прирост эффективности происходит у наименее опытных и квалифицированных сотрудников. Так, ИИ предоставляет им решение, сопоставимое по качеству с результатами работы более опытных коллег. А вот для опытных сотрудников толку от ИИ не так много, в некоторых исследованиях наблюдается сокращение затраченного на задачу времени на 14%. Это само по себе неплохой результат, но он никак не вписывается в 10-кратные ожидания рынка от ИИ.

Возможно, все дело в навыках взаимодействия с ИИ, скажете вы, и будете правы. Но не в том смысле, который нам продвигают AI‑евангелисты. Индустрия вокруг ИИ нацелена на развитие у человека преимущественно технологических навыков настройки, написания промптов и создания агентов, а также основ информационной безопасности, направленных на предотвращение утечки персональных данных. Но ключевой остается именно доменная экспертиза, которой так не хватает новичкам и которую компенсирует ИИ. Особенно остро ее дефицит ощущается в таких отраслях, которые связаны с применением неявных знаний (tacit knowledge). Они отличаются тем, что их очень сложно передать от одного человека к другому, а вот модель может обучиться просто подражая поведению опытных работников. К слову, последним за это ничего не доплачивают.

Заключение

Парадокс производительности в эпоху ИИ оказывается многослойным. На макроуровне мы наблюдаем классическую ловушку Солоу: технологии внедряются, расходы растут, а прибыль не спешит следовать тем же путем — и причины тому как методологические, так и структурные. На микроуровне картина иная, но не менее противоречивая: ИИ действительно делает отдельных людей эффективнее, но эта эффективность рассеивается в поведенческих адаптациях — новых амбициях, параллельных занятиях, росте зарплатных ожиданий.

Ключевой вывод касается природы того, что ИИ на самом деле компенсирует. Он не создает экспертизу — он ее симулирует. Для новичков это возможность работать на уровне более опытных коллег. Это смещает центр тяжести: ценность человека в связке с ИИ определяется не умением писать промпты, а глубиной доменного понимания — способностью верифицировать, оспорить и довести до ума то, что предлагает модель.

Для компаний это означает, что инвестиции в ИИ без параллельных изменений в организации задач, метриках результата и распределении выгод от роста эффективности вряд ли конвертируются в прибыль. Для работников — что доменная экспертиза по‑прежнему остается главным активом, который ИИ не заменяет, а лишь обнажает там, где его нет. Именно поэтому человек одновременно остается и «бутылочным горлышком», и незаменимым звеном.

Больше мыслей про психологию и AI в Telegram‑канале или сообществе в VK. Спасибо за внимание!

Что почитать

• Computing Productivity: Firm‑Level Evidence

• Digital Capital and Superstar Firms

• Generative Artificial Intelligence Literacy: Scale Development and Its Effect on Job Performance

• The Productivity J‑Curve: How Intangibles Complement General Purpose Technologies

• Individual Work Performance Questionnaire (IWPQ)

• A meta‑analysis of the effect of generative AI on productivity and learning in programming

• When digital‑AI transformation sparks adaptation: job crafting and AI knowledge in job insecurity contexts

• Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence

• Generative AI adoption and employee outcomes: a conservation of resources perspective on job crafting, career commitment, and the moderating role of liking of AI

• Generative AI at Work

• Exploring how AI adoption in the workplace affects employees: a bibliometric and systematic review