Platformer: парадокс продуктивности AI

Материал Кейси Ньютона для Platformer, опубликованный в январе 2026 года, исследует паттерн, проявившийся сразу в нескольких опросах: менеджеры сообщают о значительном росте продуктивности от AI, тогда как сотрудники тех же организаций говорят, что этот рост практически не ощущается в их повседневной работе.

Наиболее показательные данные — из исследования METR, охватившего опытных разработчиков open source. Имея доступ к AI-инструментам, они выполняли задачи на 19% медленнее, чем без них. При этом они сообщали, что чувствуют себя на 20% более продуктивными. Разрыв между воспринимаемой и реальной производительностью — не погрешность округления, а структурная проблема: у людей меняется самооценка результатов, когда в работу включён AI.

Объяснение Ньютона сосредоточено на том, где именно оседает выигрыш. Руководители генерируют значительный объём материала: письма, презентации, отчёты, стратегические документы. AI инструменты существенно ускоряют эту работу. Но материал, который появляется в результате — сгенерированный AI контент, выглядящий отполированным, но требующий проверки и правки, — нередко спускается вниз к подчинённым, которые должны его валидировать и исправлять. Выигрыш в эффективности наверху порождает дополнительную нагрузку для людей ниже.

Данные более широких опросов подтверждают эту картину. Исследование Section показало, что две трети сотрудников экономили ноль-два часа в неделю с помощью AI, причём 40% сказали, что были бы готовы отказаться от него полностью. Опрос PwC показал, что 56% компаний не получили ничего от инвестиций в AI, несмотря на значительные расходы.

Для авторов и редакционных команд выводы конкретны. AI работает надёжнее в генеративных задачах — черновики, резюме, вариации текстов, — чем в задачах, требующих суждения, синтеза или работы с источниками. Когда AI-инструменты внедряются прежде всего для сокращения затрат, а не для улучшения редакционного качества, расчёты продуктивности редко сходятся с прогнозами.

Практические рекомендации Ньютона адресованы обеим сторонам разрыва: менеджерам — строить оценки на измеримой аналитике, а не на энтузиазме и самоотчётах; сотрудникам — формировать реальное понимание возможностей и ограничений AI, чтобы использовать его эффективнее и защититься от рисков некритичной зависимости.