Если судить по новостям, то мы в шаге от светлого кибернетического будущего. Авторитетные исследователи утверждают, что к 2026 году генеративный ИИ будут использовать до 80% крупных компаний. Капитализация Nvidia бьет исторические рекорды, а венчурные фонды льют деньги в ИИ-стартапы.
Но если посмотреть макроэкономические отчеты Федеральной резервной системы США или OECD Data, картина будет другой. Глобальная производительность труда топчется на месте, прибавляя лишь по 1–1,5% в год. Никакого скачка или технологического прорыва в масштабах государств в цифрах реального ВВП нет.
Получается парадокс, когда, с одной стороны, есть колоссальные инвестиции и отчеты о превосходстве моделей над человеком, а с другой — статистика, показывающая, что макроэкономика этого бума не замечает.
Кому же верить? Маркетологам, раздувающим очередной пузырь, или государственным ведомствам, которые не научились еще оценивать новые метрики?
Экономические прогнозы сейчас медленно меняются от предположений в духе «ИИ заменит половину профессий» в сторону сдержанного эконометрического анализа. Взвешенную позицию можно увидеть у Национального бюро экономических исследований США (NBER), сформулировавшего идею о том, что экономика столкнулась с феноменом, который уже проходила сорок лет назад.
В этой статье мы рассмотрим свежие научные публикации, где обсуждаются слабые места, из-за которых буксует светлое ИИ-будущее.
Почему ChatGPT не разгоняет ВВП
В 1987 году нобелевский лауреат по экономике Роберт Солоу произнес крылатую фразу:
«Мы видим компьютеры везде, кроме статистики производительности».
Тогда американские корпорации массово закупали ПК и мейнфреймы, но производительность труда в США все равно падала. Только в конце 1990-х эти инвестиции наконец-то отразились на росте ВВП. Более 10 лет менеджмент и логистика перестраивались под эти условия.
Спустя сорок лет этот же сценарий повторяется. Экономисты Эрик Бриньолфсон и Даниэль Рок называют это современным парадоксом производительности ИИ. Опросы топ-менеджеров показывают, что ИИ используется практически везде — от генерации писем до написания SQL-запросов, но не дает реального прироста прибыли. По McKinsey Global Survey, реальную измеримую выгоду (рост чистой маржи или сокращение операционных издержек более чем на 10%) получают лишь 5–7% организаций. Исследователи называют их AI high performers.
Для остальных компаний ИИ остается дорогой игрушкой, которая на прибыль никак не влияет. В академических статьях выделяют две причины, почему так происходит.
Барьер «архитектурной адаптации»
Многие компании внедряют ИИ как локальную надстройку (point solution). Например, покупают подписки на LLM и просят сотрудников «ускорить работу». Большая часть рутинных действий благодаря локальной автоматизации действительно ускоряется, но бизнес-процессы остаются старыми. Текст договора все так же проходит цепочку согласований у менеджеров, а код — ручное тестирование и циклы релизов. В итоге локальное ускорение на 20% на одном шаге нейтрализуется застреваниями на других этапах бизнес-цикла.
В экономике это описал еще Элияху Голдратт в рамках Теории ограничений: скорость системы определяется ее самым медленным звеном. Чтобы ИИ дал макроэкономический эффект, бизнес-процессы нужно полностью продумать и переработать под прорывную технологию.
Скрытые издержки на верификацию
Генеративный ИИ выдает результаты с большим процентом галлюцинаций и ошибок, и борьба с ними может полностью перекрыть эффект от ускорения. Это детально расписали Harvard Business Review. Например, начинающие разработчики с помощью ИИ пишут код в два раза быстрее. Но в итоге их более опытные коллеги тратят на его ревью, поиск багов и отладку намного больше времени.
Произошло перераспределение издержек внутри компании: бизнес тратит меньше времени на создание сущностей, но кратно больше — на их проверку.
В макроэкономическом масштабе это показывает границу применимости простых интерфейсов типа «человек — промпт — модель». Чтобы эффективность выросла на порядок, нужно сделать технологии более автономными и добиться возможности бесшовно исключить человека из промежуточных цепочек верификации. Именно из-за этого запроса и возник главный тренд 2026 года — переход к Агентскому ИИ.
От «попугаев-собеседников» к Агентскому ИИ
Многие свежие академические исследования показывают, что экономический потенциал простых интерфейсов генеративного ИИ (Text-to-Text или Text-to-Code) практически исчерпан. Увеличить маржинальность бизнеса простой покупкой корпоративных подписок на LLM не получится из-за необходимости участия человека в верификации, контроле, дообучении или валидации (human-in-the-loop). Вместе очередного витка усложнения моделей требуется принципиальное изменение микроэкономики фирмы. И тут на сцену выходит Агентский ИИ (Agentic AI).
Традиционные LLM (2023–2024):
[Задача] ➡️ (Человек формулирует промпт) ➡️ [ИИ генерирует ответ] ➡️ (Человек проверяет)
Агентский ИИ (2025–2026):
[Бизнес-цель] ➡️ [ИИ-Агент планирует этапы] ➡️ [ИИ-Агент сам вызывает API / пишет код / исправляет баги] ➡️ [Результат]
Но тут есть важное экономическое различие между этими подходами, которое строится на трех факторах.
Вместо стоимости токена начинает измеряться стоимость выполненной задачи (Cost per Task)
В бизнес-процессах для агентских систем в качестве ключевой метрики берется финальный результат: закрытый инцидент в техподдержке, оформленная цепочка поставок или развернутый микросервис.
Происходит радикальное снижение трансакционных издержек по Коузу
Согласно теории фирмы Рональда Коуза, компании нанимают людей в штат, чтобы уменьшить внутренние трансакционные издержки на поиск исполнителей, договоренности, координацию и контроль. Агентские системы радикально снижают эти издержки. Один разработчик или менеджер теперь способен управлять целым «роем» автономных агентов. Один агент пишет код, второй покрывает его тестами, третий проверяет безопасность, четвертый деплоит. Скорость выполнения задачи увеличивается кратно.
Требуется автоматизация должностных ролей, а не задач
Чат-бот может автоматизировать изолированную задачу (например, написать email). Агент автоматизирует уже комплексную роль: делает холодную рассылку, обрабатывает возражения, заносит лид в CRM, назначает созвон. Возникает долгожданная точка роста. ИИ начинает полностью заменять рутинные звенья в цепочке создания стоимости.
Причем в научных публикациях агентский ИИ рассматривают как единственный реалистичный инструмент для преодоления «ИИ-парадокса Солоу». Производительность труда пойдет вверх только тогда, когда ИИ перестанет быть «продвинутым калькулятором» в руках человека и станет полноценным виртуальным сотрудником.
Как реально ИИ меняет рынок труда
Исследования рынка труда показывают сложную картину. Возникает эффект сглаживания навыков (Skill Leveling), когда вместо увольнений живых людей меняются требования к их квалификации.
Выводы работ, опубликованных в NBER, переворачивают представления о технологическом неравенстве. Исследователи замерили продуктивность сотрудников клиентской поддержки и ИТ-специалистов до и после внедрения ИИ-помощников и выделили два эффекта:
Буст для отстающих. Продуктивность наименее опытных, низкоквалифицированных и новых сотрудников при поддержке ИИ выросла на 34–40%. Они быстрее ищут решения, делают меньше ошибок и дают результат на уровне крепких середняков.
Стагнация для экспертов. Производительность мидлов и сеньоров при внедрении ИИ практически не изменилась, а в некоторых кейсах даже незначительно снизилась из-за необходимости перепроверять за менее опытными коллегами.
ИИ сработал как великий уравнитель. Компании смогут нанимать менее подготовленных сотрудников и быстрее доучивать их до нужного уровня. Квалификационный барьер для входа в сложные индустрии (вроде программирования, аналитики или консалтинга) стремительно падает.
Но есть и обратная сторона, которую в Harvard Business Review называют ловушкой джуниоров. Если базовые задачи теперь выполняет либо ИИ, либо джуны с ИИ, то ценность такого труда падает, и происходит вымывание позиций начального уровня. На рынке возникает еще один парадокс: компаниям по-прежнему отчаянно нужны эксперты высшего уровня для контроля ИИ-систем, но естественный путь выращивания этих экспертов внутри компаний через рутинные задачи начального уровня оказывается заблокирован.
В долгосрочной перспективе, как показывают макроэкономические симуляции Oxford Economics, ИИ не уменьшит общее количество рабочих мест, а перераспределит их. Регуляторные барьеры и действия оставшихся профсоюзов притормозят изменения на рынке труда и создадут окно для реформы системы образования.
Цифровой суверенитет
На глобальном уровне ИИ даст эффект, прямо противоположный описанному в пункте выше. Научные публикации последних лет фиксируют беспрецедентную концентрацию капитала и технологий, которая грозит навсегда разделить мир на технологические метрополии и цифровые колонии.
По оценкам аналитических докладов OECD и McKinsey Global Institute, до 70% всей экономической выгоды от ИИ-бума к 2030 году осядет в США и Китае. Остальному миру достанутся крошки с этого стола. В геоэкономических исследованиях для описания этого процесса все чаще используется термин «Цифровой колониализм».
Экономическая механика этого феномена строится на трех факторах.
Инфраструктурная монополия
Обучение и запуск моделей следующего поколения требуют сотен тысяч передовых ускорителей (вроде чипов от Nvidia) и ошеломительных объемов капитала. Билет в этот «цифровой клуб» для многих стран стоит слишком дорого. Развивающиеся экономики физически не осилят капитальные затраты (CapEx) такого масштаба.
Вымывание национального капитала
Компании из развивающихся стран будут пользоваться чужими ИИ-сервисами, переводя средства с внутренних рынков на счета нескольких калифорнийских и пекинских корпораций. По сути, идет отток капитала из развивающихся экономик в пользу технологических монополий.
Угроза экспортного контроля
В статьях по международной экономике ИИ теперь начали рассматривать как «товар двойного назначения». Ограничения США на экспорт чипов в Китай и ряд других стран наглядно это отношение иллюстрируют. Доступ к ИИ-вычислениям в любой момент может быть заблокирован.
В ответ на это возникает концепция «ИИ-суверенитета» (AI Sovereignty). Во многих странах уже осознали, что без собственных базовых моделей, обученных на локальных данных с учетом национальной специфики, и без независимой вычислительной инфраструктуры ИИ-суверенитет теряется. Но реализация этой концепции требует усилий, недоступных одной стране. Появляются предпосылки новых технологических союзов, стремящихся сохранить свой ИИ-суверенитет.
Инфраструктурный кризис ИИ-экономики
Экономическая наука в 2025–2026 годах совершила важный поворот: исследователи начали оценивать ИИ через призму его материального базиса. Выяснилось, что цифровая экономика будущего имеет жесткие физические границы.
Существует критичная аномалия индустрии, которая заключается в дисбалансе между капитальными затратами (CapEx) и реальной операционной выручкой. Крупнейшие технологические компании мира инвестируют сотни миллиардов долларов в строительство инфраструктуры, при этом темпы монетизации этих технологий со стороны конечного бизнеса сильно отстают. По разным оценкам, индустрии необходимо генерировать сотни миллиардов долларов ежегодной выручки просто для того, чтобы хотя бы окупить затраты на закупку оборудования и дата-центры.
Экономически тут проявляются три критических фактора инфраструктурного тупика.
Энергетический голод
Для обучения моделей масштаба GPT-5 и их последующей эксплуатации (инференса) дата-центрам требуется огромные объемы электроэнергии, которые, согласно прогнозам International Energy Agency (IEA), во всем мире к 2026 году удвоилось по сравнению с началом десятилетия.
ИИ-экономика столкнулась со структурным дефицитом энергии. В научных статьях всерьез обсуждаются сценарии торможения развития ИИ из-за физического износа электросетей.
Отсутствие окупаемости дата-центров
В экономике генеративного ИИ идет ценовая война, из-за чего рыночная стоимость генерации одного токена за последние два года упала на порядки. Для конечного потребителя это плюс, но разработчики попадают в ловушку. Отрасль начинает стагнировать из-за того, что себестоимость инфраструктуры растет, а рыночная цена конечного продукта падает. В итоге бизнес-модели многих ИИ-компаний балансируют на грани убыточности, субсидируясь за счет прошлых прибылей с других направлений.
Сырьевой барьер
Все непросто и на глобальных рынках сырья, так как ИИ-бум перегрел рынки редких металлов, высокотехнологичного стекла для литографии и меди, необходимой для модернизации энергосетей и систем охлаждения дата-центров. Шахты и заводы строятся годами, поэтому ограничения поставок сырья невозможно преодолеть простым увеличением венчурного финансирования.
Все эти факторы создают реальный риск перегрева отрасли и формируют (а то уже и сформировали) финансовый пузырь. Если массовое внедрение виртуальных сотрудников на базе агентского ИИ не изменит рынок и не докажет свою эффективность для традиционных сфер бизнеса (за пределами ИТ-сектора), инвестиции в ИИ начнут сокращаться.
Академический анализ экономики ИИ в 2026 году показывает, что ее законы продолжают работать. ИИ является классической технологией общего назначения в одном ряду с паровым двигателем, электричеством и персональным компьютером.
Но между появлением прорывной технологии и ее реальным влиянием на ВВП всегда всегда долгий период становления. Электрическую лампочку изобрели в XIX веке, но американские заводы перестроили свои конвейеры под электродвигатели только к 1920-м годам. До этого момента фабрики просто пытались заменить один большой паровой котел на один большой электромотор, не меняя логики процессов... И не получали никакого прироста производительности.
Прямо сейчас мировая экономика находится в очень похожей исторической точке. Первая волна хайпа, когда компании скупали подписки на чат-ботов и пытались лепить их поверх старых бизнес-процессов, предсказуемо уперлась в «парадокс Солоу» и проблему удержания человека в цикле.
Экономический прорыв ожидается тогда, когда совпадут два фактора:
Технологический. Работа с моделями через отдельные промпты перейдет в координацию отдельных виртуальных сотрудников, которые будут брать на себя законченные бизнес-цели и снижать трансакционные издержки до нуля.
Структурный. Должна произойти глубинная перестройка самих компаний, чтобы бизнес начал создавать продукты сразу под возможности ИИ, а не лепить ИИ в виде косметической надстройки.
Основной риск на этом пути связан с тем, что дефицит электроэнергии и растущий CapEx дата-центров могут заморозить индустрию, а расслоение стран приведет к поляризации.
Экономика ИИ станет зрелой, когда внедрение новых бизнес-алгоритмов, заточенных под ИИ, станет рутинным и дешевым процессом. Настоящая технологическая революция идет тихо и методично, и когда этот процесс запускается, в сухих отчетах начинает расти и производительность труда.