В последние годы количество Chief AI Officers (CAIO) резко возросло. Согласно данным LinkedIn, с 2019 по 2024 год их число утроилось. Сегодня примерно половина крупнейших компаний в таких странах, как Великобритания, уже назначили CAIO, чтобы ускорить рост и снизить затраты с помощью ИИ.
Влияние ИИ на крупнейшие компании мира неоспоримо. Например, такие компании, как Atlassian, сократили тысячи сотрудников, а акции упали на 50% за последние 12 месяцев. Подобное произошло и с Block, что указывает на риск для традиционных компаний из-за увеличения доступности ИИ для создания альтернативных решений.
В то же время инструменты для повышения продуктивности разработчиков, такие как Claude Code, стремительно набирают популярность. К декабрю 2025 года доходы Claude Code превысили $1 млрд, что эквивалентно 10 000 компаниям, тратящим по $100 000 в среднем — около четверти доходов Databricks/Snowflake.
Рамка для оценки возможностей ИИ
Для успешного внедрения ИИ важно понимать цели бизнеса и видеть сходство ИИ с автоматизацией в целом. Альтернативные издержки также играют ключевую роль — ИИ позволяет компаниям, которые ранее были «слишком медленными» или «неэффективными», преодолеть барьеры и заново изобрести себя.
Что позволяет ИИ: Автоматизация и Производительность
Мы выделяем семь ключевых метрик продуктивности для офицеров по данным и ИИ:
- Человеческая продуктивность: общий объем производимой рабочей силой продукции
- Человеческий вклад: затраты, необходимые для достижения текущего уровня человеческой продуктивности
- Вклад ИИ: затраты, необходимые для достижения полного разрыва в продуктивности
- Автономная продуктивность: объем работы, которую можно надежно выполнять с помощью агентов или автоматизаций
- Человеко-автоматизируемая продуктивность: объем работы, который рабочая сила могла бы выполнять с помощью ИИ
- Общая адресуемая продуктивность («TAP») и разрыв продуктивности: Автономная работа + Человеко-автоматизируемая работа - Человеческая продуктивность
- Разрыв ROI: (TAP / вклад ИИ) – 1, мера увеличения продуктивности, которую может обеспечить ИИ
Примеры использования рамки
Рассмотрим примеры: компания, управляющая центром обработки вызовов с 100 000 звонков в год, может автоматизировать все эти звонки с помощью ИИ, таким образом автономная работа будет примерно равна человеческой работе. Автономная продуктивность компании может быть значительно увеличена с помощью ИИ, что снижает затраты на человеческий ресурс.
Ограничения и издержки ИИ: Временные и альтернативные издержки
Реализация ИИ влечет за собой альтернативные издержки — компании могут не иметь возможности внедрить ИИ в краткосрочной перспективе из-за необходимости инвестиций и перераспределения ресурсов. Время также играет важную роль: для крупных предприятий радикальные изменения могут занять больше времени.
В следующих разделах мы обсудим инструменты и подходы к автономной и дополненной продуктивности.
Автономная продуктивность
Автономная продуктивность — это объем работы, который может быть надежно выполнен агентами или автоматизациями без участия человека. Исторически автоматизация началась с введения машин, что было дополнено индустриальной революцией и последующей автоматизацией программного обеспечения.
Сейчас мы вступаем в эпоху ИИ-автоматизации, характеризующуюся огромным увеличением производительности индивидов, так как они передают часть своих функций ИИ.
Примеры автономной продуктивности
- Поддержка клиентов — ИИ-агенты, отвечающие на тикеты и решающие проблемы
- Производство контента — черновики блогов, SEO-исследования
- Анализ данных и отчетность — автоматизированные дашборды и обнаружение аномалий
- Тестирование и QA ПО — агенты, проводящие тесты и предлагающие исправления
Внедрение ИИ открывает новые возможности для компаний, позволяя им расширять продуктивность и скорость выполнения задач, что в долгосрочной перспективе может обеспечить значительное конкурентное преимущество.
