ИИ не повышает производительность бизнеса: как Китай и США решают эту проблему

По мере развития ИИ все чаще встает вопрос о том, как с его помощью повысить производительность и эффективность компаний. Пока что эту задачу не удалось решить. В США этим активно занялись OpenAI и Anthropic, Китай выбрал свою стратегию. В чем разница подходов двух стран, в материале для Project Syndicate написал Робен Риватон, гендиректор европейской технокомпании Stonal.

В начале мая сразу две компании — OpenAI и Anthropic — объявили о том, что они запустят консалтинговые бизнесы, чтобы внедрять свои модели в рабочие процессы компаний среднего сегмента. При поддержке Blackstone, Hellman & Friedman и Goldman Sachs компания Anthropic привлекла на это $1,5 млрд, а OpenAI — $4 млрд от 19 инвесторов (во главе с TPG, Brookfield и Bain), оценка ее нового бизнеса составила $10 млрд.

Привлеченные $5,5 млрд призваны решить одну единственную проблему, с которой передовые лаборатории не могут разобраться с помощью своих все более совершенных ИИ-моделей. Речь идет о парадоксе ИИ-производительности. Хотя инструменты генеративного искусственного интеллекта сейчас широко доступны, их польза пока что не проявляется в статистике производительности. По данным опроса Gallup, доля взрослых американцев, использующих ИИ-инструменты на работе хотя бы несколько раз в год, увеличилась с менее 25% в начале 2023 года до почти половины в 2026-м.

Однако темпы роста производительности в неаграрном секторе США не демонстрируют устойчивой динамики. В 2024 году наблюдалось их краткое ускорение в отраслях экономики, не связанных с сельским хозяйством, но уже к середине 2025 года темпы роста вернулись к базовому уровню. Эти тенденции напоминают парадокс IT-производительности в 1990-х, который в итоге разрешился сам собой, когда компании провели реорганизацию с учетом новых возможностей. Остается открытым вопрос: а не сложились ли сегодня такие же условия, и если да, то где именно.

В чем собственно проблема? В недавней статье я определял организационную пластичность как ключевую переменную. Увеличение производительности зависит от способности компании конвертировать прирост этого показателя при выполнении отдельных задач в повышение эффективности всей системы. А эта способность, в свою очередь, зависит от того, насколько работа прозрачна, процессы структурированы, можно ли гибко перераспределять задачи и обладают ли менеджеры полномочиями перестраивать рабочие процессы. Там, где эти условия не выполняются, ИИ экономит время отдельных сотрудников, но не меняет результат компании.

Классическая экономическая литература указывает на ту же «слепую зону». Канонические эмпирические исследования Дэвида Аутора, Эрика Бриньолфсона, Шаккеда Ноя, Уитни Чжан и их соавторов измеряют индивидуальную производительность при выполнении отдельных задач. Сотрудник клиентской службы удовлетворит больше запросов, консультант лучше напишет свои рекомендации, программист быстрее представит работающий код. Эта польза реальна, но она не всегда ускоряет работу компании.

Проблему продемонстрировал шестимесячный рандомизированный эксперимент, проведенный Элеанор Диллон, Соней Джаффи, Николь Имморлика и Кристофером Стэнтоном. Они предоставили 7137 работникам интеллектуального труда в 66 крупных компаниях доступ к ИИ-модели Microsoft 365 Copilot, которая была интегрирована в электронную почту, документы и организацию совещаний. Время, затрачиваемое на электронную почту, сократилось, но время совещаний — нет, а количество и характер задач остались прежними. Почти все сэкономленные часы пошли на сокращение количества вечеров, которые работники тратили на работу дома, а не на увеличение выпуска. Отдельные «винтики» стали работать эффективнее, но вся машина продолжила двигаться с той же скоростью.

Новые проекты ИИ-лабораторий (OpenAI и Anthropic) стали признанием, что простая продажа токенов не ликвидирует этот разрыв. У консалтингового бизнеса, который они открывают, будут готовые к командировкам инженеры, технические задания на несколько лет, шаблоны внедрения для компаний-клиентов, планы перестройки рабочих процессов для конкретных отраслей. И поэтому у них будет соответствующая цена и персонал. Лаборатории сделали вывод, что ценность созданных ими моделей находится уровнем выше — в перестройке компаний, а не в доступе к API.

Китай движется в том же направлении, хотя и по-другому. В марте ИИ-агент с открытым кодом OpenClaw вышел за пределы сообщества разработчиков и стал массовым продуктом у китайских пользователей.

Уже через несколько дней началась война платформ. Zhipu выпустила AutoClaw — локально устанавливаемое в один клик приложение, дополненное десятками предустановленных навыков. ByteDance представила ArkClaw в виде облачной программы. Tencent выпустила WorkBuddy для корпоративных пользователей и внедрила QClaw и ClawBot в мессенджер WeChat. Компания Alibaba ответила запуском собственным инструментов. Поскольку открытый код был бесплатным, модель перестала быть защищенным источником рентного дохода. Ее ценность переместилась в другие сферы — в предустановку приложений, пользовательский интерфейс, интеграцию с месcенджерами и так далее.

Китайская промышленная политика тоже адаптировалась. На протяжении двух десятилетий местные власти соревновались за заводы, штаб-квартиры корпораций и ключевые звенья цепей поставок, предлагая земельные участки, инфраструктуру и налоговые льготы. Но в начале 2026 года сразу несколько районов и зон развития начали предлагать субсидии на внедрение OpenClaw, причем они ориентированы не на фирмы, а на индивидуальных пользователей. Город Хэфэй предложил ваучеры на вычислительные мощности. Район Сяошань в Ханчжоу на этом не остановился. Шэньчжэнь позиционировал себя как центр ИИ-компаний с единственным сотрудником. Провинция Гуандун предложила программу поддержки индивидуальных предпринимателей, работающих с ИИ, провинция Сычуань предприняла схожие меры.

Этот подход работает, потому что уже создана физическая инфраструктура. Один оператор с ноутбуком в Шанхае способен подключиться к производственным цепочкам в Дунгуане или Сучжоу. Субсидируемые вычислительные мощности, предустановленные агенты, интегрированные мессенджеры, встроенные платежи, прямой доступ к производителям, логистическим провайдерам и маркетплейсам — всего этого достаточно, чтобы превратить отдельного человека в дееспособную производственную единицу. ИИ-агенты меняют компанию извне, а не перестраивают ее изнутри.

Американцы сделали ставку на экспертные знания. Бизнес, не способный на быстрые изменения, надо сделать «пластичными» изнутри — с помощью высокооплачиваемых команд инженеров, работающих непосредственно на местах и внедряющих изменения в каждую среднюю компанию. Хотя такой подход может раскрыть значительную ценность, он медленный и требует больших капитальных затрат.

Китайская стратегия более радикальна. Она исходит из идеи, что фирма сама по себе является узким местом. Вместо повышения гибкости и пластичности существующих компаний, Китай снижает минимальный организационный масштаб, который нужен для производства. В результате происходит расцвет независимых участников рынка, предустановленных сервисов, интеграций в  суперприложения, государственных субсидий и миллионов микропредприятий, развивающихся параллельно.

Ни один из этих подходов не гарантирует отдачи. Американские консультанты могут обнаружить, что организационные изменения плохо масштабируются, сколько бы инженеров они ни внедряли в компании. А китайские местные органы власти, возможно, субсидируют волну низкокачественной автоматизации и спекулятивных индивидуальных предприятий, которые потерпят крах и сгорят.

Обе стороны сталкиваются с одной и той же трудной проблемой: как превратить экономию времени при выполнении отдельных задач в измеримый экономический результат. ИИ-конкуренция уже не ограничивается чипами, мощностью дата-центров и производительностью передовых моделей. Сейчас важнее всего то, какая социальная архитектура используется для внедрения и применения технологий.

Copyright: Project Syndicate, 2026

www.project-syndicate.org