Вам кажется, что ИИ вас ускоряет. Сейчас есть шанс проверить, что он вас тормозит

В прошлом году исследователи из METR дали 16 опытным разработчикам 246 реальных задач в их собственных проектах. Часть задач решали с ИИ, часть — без. Перед экспериментом разработчики ожидали ускорения на 24%. После — оценили, что ускорились примерно на 20%.

Замеры показали обратное: с ИИ они работали на 19% медленнее.

Ошибка восприятия — почти 40 процентных пунктов. У людей, которые каждый день видят результат своей работы в коммитах и закрытых тикетах.

А теперь вопрос: насколько точно ваш отдел продаж понимает, помогает ему нейросеть или мешает? А вы сами?

Два лагеря — и данные против обоих

Я собираю компаниям системы продаж и управления, и про ИИ от собственников слышу два мнения. Одни говорят: «пробовали, пишет ерунду, у нас специфика». Другие: «подключим агентов и сократим половину отдела».

Принято считать, что прав кто-то один. Неудобная правда в том, что исследования бьют по обоим.

Скептикам. Стэнфорд и MIT (Brynjolfsson, Li, Raymond) изучили, как ИИ-ассистент повлиял на работу 5 179 операторов поддержки. Решённых обращений в час стало в среднем на 14% больше. У новичков и самых слабых сотрудников — на 34%. Клиенты стали реже требовать руководителя, а операторы — реже увольняться. «Нормального специалиста не заменит» — верно. Но он и не заменял. Он подтягивал остальных до уровня лучших.

Энтузиастам. Тот самый METR: опытные люди в своей зоне экспертизы с ИИ замедлились и не заметили этого. Сверху — отчёт MIT NANDA 2025 года: по оценке авторов, около 95% компаний не получили измеримого эффекта от генеративного ИИ в P&L. Методологию отчёта критикуют, но направление совпадает: подключить инструмент — ещё не значит заработать.

Получается, граница проходит не между «за» и «против». Она проходит между теми, кто меряет, и теми, кто судит по ощущениям. А ощущения, как видно, врут в обе стороны.

Почему у одних +34%, а у других −19%

Если сложить исследования, видна закономерность. ИИ даёт максимум, когда сходятся три условия.

1. Человек знает меньше, чем лучший в компании. Модель приносит ему чужой опыт. Сильному сотруднику в его зоне она часто приносит только лишнюю проверку.

2. Задача — переупаковка информации. Найти, сжать, сравнить, оформить. Решения — какую скидку дать, кого нанять — модель не делает лучше человека.

3. Результат легко проверить. Если на проверку уходит столько же времени, сколько на работу, ускорения не будет. Именно это, по наблюдениям авторов METR, и съело время разработчиков: они проверяли и переделывали код за ИИ.

Отсюда практический вывод, который экономит месяцы: начинать внедрение надо с новичков и рутинных стыков, а не с лучших экспертов. У большинства компаний ровно наоборот — первыми ИИ дают самым продвинутым, потому что им «интересно». Те замедляются, разочаровываются, и проект тихо умирает.

Как за неделю узнать правду о своей компании

Повторите METR в миниатюре. Это займёт неделю и даст больше, чем любой вебинар про нейросети.

1. Возьмите один регулярный тип задач: КП, ответ на заявку, отчёт, разбор звонка.

2. Наберите 20 одинаковых задач у двух-трёх сотрудников, лучше разного уровня.

3. Перед каждой бросьте монетку: орёл — с ИИ, решка — без. Выбирать «где удобнее» нельзя — иначе ИИ достанутся простые задачи.

4. Засекайте полное время, включая проверку и правки. Именно здесь прячется минус.

5. Пусть руководитель вслепую оценит качество результата по шкале от 1 до 5, не зная, где был ИИ.

6. Через неделю сравните. И отдельно спросите сотрудников, насколько, по их ощущениям, ИИ ускорил работу. Разница между ответом и замером — самая полезная цифра всего эксперимента.

Если плюс есть — масштабируйте на соседний процесс. Если нет — вы только что сэкономили годовой бюджет на подписках.

Где проверка обычно показывает плюс

Разбор звонков. РОП физически не может слушать все разговоры, поэтому слушает выборочно — обычно меньшую часть. Расшифровка плюс разбор по чек-листу закрывают каждый звонок, а РОП переслушивает только отмеченные. Задача идеально попадает в три условия: рутина, переупаковка, быстрая проверка. Вот промпт, с которого можно начать завтра:

Ты — руководитель отдела продаж с 10-летним опытом в B2B.

Ниже расшифровка звонка менеджера с клиентом.

Проверь звонок по чек-листу и ответь таблицей «пункт — да/нет — цитата»:

1. Выяснил ли менеджер задачу клиента? Процитируй слова клиента.

2. Назвал ли цену или вилку цены?

3. Какие возражения прозвучали? Какие остались без ответа?

4. Договорились ли о следующем шаге с конкретной датой?

5. Что менеджер пообещал клиенту?

Если пункта в разговоре нет — пиши «нет». Ничего не додумывай.

В конце: одна главная ошибка звонка и одна фраза, которой её можно было избежать.

[расшифровка]

Строка «ничего не додумывай» и требование цитат — главное. Без них модель уверенно «найдёт» в разговоре то, чего там не было.

Подготовка КП. Справка по клиенту, история из CRM, черновик по шаблону — всё это переупаковка. Подбор позиций и цены остаётся у менеджера. На практике КП, которое собирали два часа, уходит клиенту в день звонка, и это часто важнее сэкономленных часов: скорость ответа сама влияет на конверсию.

Онбординг. База знаний из регламентов, лучших звонков и ответов на возражения. Новичок спрашивает ассистента, а не дёргает РОПа. Это та самая зона +34% из исследования про операторов поддержки.

Куда ИИ лучше не пускать

В цену, скидки и условия договора — здесь модель готовит расчёт, решает человек. В финальные тексты клиенту без проверки — модели уверенно ошибаются в цифрах и названиях. И в персональные данные клиентов на зарубежных публичных сервисах: это вопрос 152-ФЗ, и решать его нужно до пилота, а не после.

Главный риск — не знать, в каком исследовании вы находитесь

Скепсис стоит денег: конкурент, у которого новички работают на уровне лучших, со временем отрывается. Энтузиазм без замеров тоже стоит денег: подписки, внедрение и тихое замедление сильных людей.

Опаснее всего третье — не знать, где вы. В исследовании, где +34%, или в том, где −19%. Неделя с монеткой и секундомером отвечает на этот вопрос точнее, чем любое мнение — моё в том числе.

Если вы уже меряли эффект ИИ в своей команде — расскажите в комментариях, что получилось. Особенно интересны случаи, где вышел минус.

Источники

1. METR. Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. 2025.

2. Brynjolfsson E., Li D., Raymond L. Generative AI at Work. NBER Working Paper 31161, 2023.

3. MIT NANDA. The GenAI Divide: State of AI in Business 2025.