Цифровой сотрудник уже вышел на работу. Теперь мы пытаемся понять, кто за него заплатит — и кто на нём заработает

2026-08-26 6385 слов 30 минут

ИИ-агенты становятся новой формой труда. В этом эссе я разбираюсь, кто платит за цифровую работу, кому достаётся экономия и почему её экономика пока не определена.

Содержание

ИИ-агенты уже выполняют работу, которую ещё недавно делали люди. Одни компании сокращают сотрудников, другие просто перестают открывать новые вакансии, третьи обнаруживают, что цифровой труд оказался неожиданно дорогим. А люди, сохранившие работу, всё чаще превращаются в операторов и контролёров машин. Я попытался разобраться, что на самом деле происходит с экономикой ИИ-агентов к концу лета 2026 года — и куда эта история может прийти в следующие девять месяцев.

Все чего-то ждут

Конец лета 2026 года — довольно нервное время для искусственного интеллекта. Инвесторы смотрят на десятки и сотни миллиардов долларов, которые уходят в дата-центры, чипы, электростанции и новые модели, и всё чаще задают вопрос, который ещё год назад считался почти дурным тоном: а когда именно всё это начнёт окупаться? Скептики ждут, когда лопнет ИИ-пузырь и наступит очередное экономическое похмелье. Компании, строящие модели и инфраструктуру, должны доказать, что гигантские инвестиции когда-нибудь превратятся не только во впечатляющие демонстрации возможностей, но и в прибыль. Компании, покупающие ИИ, должны доказать примерно то же самое собственным финансовым директорам.

Люди нервничают по другой причине. Они ждут увольнений. Некоторые уже дождались. Но, похоже, самая интересная часть этой истории происходит гораздо тише: часть работников никто не увольняет, потому что их вообще не успевают нанять. Вакансия, которая три года назад появилась бы автоматически после роста объёма работы, теперь сначала проходит новый мысленный фильтр: нужен ли нам ещё один человек или эту дополнительную нагрузку можно отдать ИИ?

Есть и третья группа — люди, которые сделали ставку на внедрение. Руководители, инженеры, операционные команды. Они покупают агентов, подключают их к системам, дают доступ к данным, перестраивают процессы и довольно быстро выясняют, что автономный ИИ отличается от красивого чат-бота примерно так же, как автомобиль на выставке отличается от такси, которое ездит по городу двадцать часов в сутки. Пока машина стоит под софитами, всё выглядит отлично. Когда она начинает работать, появляются расход топлива, техническое обслуживание, аварии, страховка и человек, которому всё это в конце концов надо объяснить.

И наконец, есть компании, которые предпочитают подождать. Стратегия кажется здравой: пусть Uber, Salesforce, банки и технологические корпорации сначала набьют все возможные шишки, разберутся с безопасностью, интеграциями, стоимостью и контролем. Потом можно будет купить зрелую технологию и пройти короткой дорогой.

Но я всё больше сомневаюсь, что эта короткая дорога существует. Uber может научиться использовать программирующих агентов внутри Uber. Santander может выстроить их вокруг собственной банковской инфраструктуры. Японский страховщик — вокруг своих процессов продаж. Чужой опыт, конечно, помогает, но следующей компании всё равно придётся соединять агента со своими данными, разрешениями, людьми, старыми информационными системами и теми странными внутренними процедурами, которые формально существуют с 2014 года, хотя никто уже не помнит зачем. Возможно, компании, которые сейчас ждут, не избегают кривой обучения. Они просто откладывают момент, когда им всё равно придётся на неё взобраться.

На этом фоне мне попался заголовок Forbes: “KPMG Says Nearly Half Of Executives Pulled Back AI Agents Over Cost.” Почти половина руководителей, утверждал он, притормозила внедрение ИИ-агентов из-за стоимости.

Звучало серьёзно. И подозрительно просто.

Я полез разбираться, что именно обнаружила KPMG. И довольно быстро выяснилось, что история не столько о дорогих агентах, сколько о появлении нового вида труда, экономику которого пока толком не умеет считать почти никто.

Те самые 49 процентов

Начать стоит с маленькой поправки к громкому заголовку. KPMG не выяснила, что половина бизнеса махнула рукой на агентов и решила вернуть всё как было. В её опросе более двух тысяч руководителей из двадцати стран 24% сообщили, что сузили или сократили масштаб внедрения, а ещё 25% задержали или поставили дальнейшее развёртывание на паузу после того, как затраты начали хуже соотноситься с ожидаемой ценностью. Из этих двух чисел и получились знаменитые 49%. При этом общий интерес к ИИ и инвестиционные планы никуда не исчезли.

То есть это не бегство. Скорее момент, когда компании начали понимать: с наскока эту технологию не внедрить, а ошибки в процессе могут стоить очень дорого.

Именно здесь вопрос «работают ли ИИ-агенты?» начинает казаться немного устаревшим. Да, работают. Они пишут код, ведут переписку, обрабатывают заявки, исследуют документы, помогают продавать, работают с банковскими процессами и всё чаще способны не просто ответить на вопрос, а выполнить последовательность действий без постоянного участия человека. Спор о технической возможности постепенно уступает место более скучному и поэтому более важному вопросу: работает ли экономика этой новой формы труда?

Чтобы ответить, оказалось недостаточно сравнить стоимость токенов с зарплатой сотрудника. Приходится смотреть сразу на несколько участников. На человека, которого уволили или решили не нанимать. На человека, который остался и теперь отвечает за работу машин. На компанию, которая покупает цифровой труд вместо человеческого. И на компанию, которая этот цифровой труд продаёт.

У каждого в этой истории свой баланс. И что особенно интересно, один и тот же агент может одновременно быть хорошей новостью для одной стороны и очень плохой для другой.

Работник, которого не уволили

Самая удобная для журналистского заголовка версия автоматизации выглядит знакомо. Компания внедрила ИИ, после чего несколько сотен или тысяч человек получили письма о «реорганизации», «повышении эффективности» и «перераспределении ресурсов». Эта часть истории уже реальна. Salesforce связывала сокращение потребности в части работы службы поддержки с ИИ. IBM публично говорила о замене части функций кадровых служб автоматизацией. В 2026 году появились и более крупные корпоративные сокращения, где руководители прямо называли новые возможности ИИ одним из факторов решения. Но макроэкономические исследования пока не показывают картины, в которой миллионы белых воротничков одновременно исчезают с рынка труда.

Гораздо интереснее другой канал воздействия. Компания никого не увольняет. Она просто не нанимает следующего человека.

Shopify сделала эту новую логику почти официальной политикой. Перед тем как просить расширения штата, менеджеру предложено сначала объяснить, почему эту работу нельзя выполнить с помощью ИИ. Salesforce связывала рост инженерной производительности с отсутствием необходимости заметно расширять инженерный штат. TCS говорит о замедлении будущего найма по мере того, как цифровые агенты начинают брать на себя всё большую часть дополнительной работы. В некоторых компаниях исчезает не существующая должность, а будущая единица в бюджете.

Это может оказаться намного значительнее, чем кажется. Увольнение попадает в статистику, пресс-релизы, государственные уведомления и посты в LinkedIn. Неоткрытая вакансия не оставляет почти никакого следа. Никто не пишет некролог человеку, которого компания собиралась нанять следующей осенью, а потом решила, что новый процесс справится без него.

Именно поэтому сегодняшняя картина рынка труда может быть обманчивой. Если компания растёт на 30%, а численность штата увеличивается только на 5%, мы видим рост занятости. Формально всё хорошо. Но при старой производственной модели такой же рост бизнеса, возможно, потребовал бы увеличить команду на 20%. Разница между этими двумя числами — люди, которые так и не появились в платёжной ведомости.

Последние исследования всё чаще указывают на сжатие штата как на один из наиболее реалистичных сценариев текущего этапа. Не массовое одномоментное увольнение, а постепенное ослабление связи между ростом бизнеса и ростом количества сотрудников.

Первым это особенно болезненно чувствует рынок начальных позиций.

Анализ Stanford Digital Economy Lab обнаружил заметное относительное снижение занятости молодых работников в профессиях, сильнее подверженных воздействию генеративного ИИ. В обновлённой версии исследования к августу 2026 года разрыв для работников 22–25 лет в наиболее ИИ-подверженных профессиях достиг примерно 19% относительно менее подверженных профессий, тогда как положение более опытных сотрудников выглядело устойчивее. Авторы при этом подчёркивают, что это описательная связь, а не чистая оценка причинного эффекта ИИ.

Но даже с этой оговоркой механизм слишком логичен, чтобы его игнорировать. Работа начинающего специалиста обычно состоит из большого количества относительно структурированных задач: первичного поиска информации, обработки данных, подготовки черновиков, типового кода, проверки документов, заполнения CRM, составления простых отчётов. Именно этот слой работы генеративный ИИ научился поглощать быстрее всего.

ИИ должен был сначала забрать тяжёлую работу. Вместо этого он удивительно быстро освоил офисную.

И здесь появляется довольно злой парадокс.

ИИ способен сделать начинающего работника гораздо продуктивнее. В одном из известных исследований сотрудников поддержки средняя производительность выросла примерно на 15%, причём самые большие выгоды получили менее опытные сотрудники. Машина фактически передавала им часть знаний лучших коллег. Это один из самых убедительных аргументов в пользу ИИ как инструмента демократизации профессионального опыта.

Но одновременно компании начинают нанимать меньше начинающих.

Получается почти комическая конструкция: технология делает молодого сотрудника намного эффективнее, после чего компания обнаруживает, что ей нужно значительно меньше молодых сотрудников.

Ещё интереснее то, что меняются требования к тем немногим, кого всё-таки берут. Простые задачи всё чаще считаются «работой для ИИ», поэтому от молодого сотрудника сразу ожидают более зрелого профессионального суждения, клиентских навыков, самостоятельности и способности проверять машину. В исследованиях рынка труда уже появляется термин «сениоризация» начальных позиций: формально вакансия остаётся для начинающего специалиста, но требования к ней постепенно подтягиваются вверх.

В каком-то смысле всем повысили должность. Кроме людей, которые из-за этого повышения вообще не получили работу.

У этой тенденции есть ещё один скрытый счёт, который компании пока почти не оплачивают. Профессиональное суждение не появляется потому, что человеку выдали логин в корпоративную систему и добавили слово AI в название должности. Оно формируется через годы относительно простой работы, ошибок, обратной связи и наблюдения за более опытными коллегами.

Начинающий разработчик учился на небольших задачах, прежде чем начал проектировать архитектуру. Молодой юрист занимался поиском информации и проверкой документов, прежде чем ему доверяли сложное заключение. Аналитик готовил таблицы и простые модели, прежде чем становился человеком, способным быстро заметить, что вся презентация построена на неверном предположении.

Если этот первый слой карьеры отдать агентам, сегодня компания действительно экономит. Но через несколько лет может возникнуть неудобный вопрос: откуда взять старших специалистов, которые должны контролировать этих же агентов?

Автоматизировать лестницу оказалось проще, чем придумать, как люди будут подниматься без неё.

Человек, который остался

Предположим, ваша должность не исчезла. Более того, компания купила вам несколько цифровых помощников. Один собирает данные, второй ищет информацию, третий пишет, четвёртый анализирует документы, пятый программирует. В презентации это выглядит почти как освобождение: наконец-то машина заберёт рутину, а человек займётся тем, для чего и был создан человеческий мозг, — стратегией, творчеством и чем-нибудь желательно высокомаржинальным.

В реальной компании между «агент сделал работу» и «работа готова» существует ещё один шаг.

Кто-то должен посмотреть, что именно он сделал.

В одном кейсе модернизации банковского приложения, описанном McKinsey, разработчики работали сразу с 15–20 специализированными агентами на человека. Одни агенты исследовали старую кодовую базу, другие проектировали целевую архитектуру, третьи переносили код и запускали тесты. Люди при этом не исчезли. Их работа сместилась вверх: планирование, координация, проверка, тестирование и принятие решений.

Со стороны это выглядит как фантастический рост производительности. Один разработчик получает маленькую цифровую команду.

Один человек теперь может управлять целой цифровой командой. Но это не обязательно означает меньше работы.

Но производительность машины и пропускная способность человеческого внимания растут с разной скоростью. Если двадцать агентов способны одновременно производить результат, они способны одновременно производить и результат, который требует проверки. Иногда ошибочный. Иногда частично правильный, что хуже: очевидную ерунду выбросить легко, а убедительную ошибку сначала надо заметить.

Так возникает скрытая категория работы, которую компании пока считают очень плохо: налог на надзор. Работник всё меньше создаёт результат непосредственно и всё больше снабжает машины контекстом, ставит задачи, проверяет выводы, исправляет ошибки, перезапускает неудачные процессы и разбирается с исключениями.

Представим обычный корпоративный расчёт. Аналитику раньше требовалось восемь часов, чтобы подготовить отчёт. Теперь агент делает черновик за восемь минут. В презентации появляется почти восемь часов экономии. Но если потом старший аналитик сорок минут сверяет источники, исправляет расчёты и пытается понять, почему в третьем разделе появилась абсолютно уверенная цифра, которой нет ни в одном исходном документе, эти сорок минут часто растворяются между строками.

ИИ выглядит почти бесплатным, если человеческое недоверие не заносить в себестоимость.

Причём чем выше цена ошибки, тем дороже становится контроль. Проверять пять черновиков рекламных объявлений относительно просто. Проверять пять рекомендаций по кредиту или пять решений в регулируемом процессе — совсем другая работа. Поэтому вопрос «сколько агентов способен контролировать один человек?» сам по себе почти бессмыслен. Пять агентов, пишущих первые версии маркетинговых текстов, и пять агентов, способных совершить необратимое финансовое действие, — арифметически одно и то же число, но совершенно разные рабочие места.

И здесь появляется ещё одна неприятная возможность: ИИ может уменьшать объём человеческой работы, одновременно повышая её среднюю сложность.

Если ИИ-агент службы поддержки забирает 80 самых простых обращений из ста, человеку остаётся двадцать. Прекрасно. Только теперь весь его день состоит из двадцати клиентов, которым машина не смогла помочь: нестандартные ситуации, конфликты, исключения, ошибки, злость, деньги, которые куда-то исчезли. Раньше сложные случаи перемежались простыми. Теперь простые исчезают.

Количество задач уменьшается. Плотность неприятности растёт.

Этот эффект особенно важен для менеджеров. ИИ не обязательно уменьшает объём управления; он может увеличивать количество людей и процессов, за которые отвечает один руководитель. Всё чаще возникает модель, в которой один человек руководит не только людьми, но и группами агентов — и всё равно несёт ответственность за то, что произошло на выходе.

Microsoft назвала такого человека agent boss — «начальник агентов». Термин звучит немного как должность, которую ребёнок придумал бы после просмотра мультфильма про будущее. Но за ним стоит вполне серьёзная производственная модель: один человек контролирует значительно больший объём работы, потому что непосредственное исполнение всё чаще раздаётся машинам.

Вопрос только в том, означает ли это, что человек работает меньше.

Пока особых признаков нет.

Кому принадлежит сэкономленный час

Bank of Korea дал, пожалуй, одну из лучших цифр для понимания нынешней стадии ИИ. Исследователи обнаружили, что использование генеративных инструментов действительно сокращает затраты времени примерно на 3,8% — около полутора часов на стандартную 40-часовую неделю.

Это отличный пример того, как легко смешать три совершенно разные вещи: скорость выполнения задачи, производительность работника и производительность организации.

Если я написал письмо за пять минут вместо десяти, задача ускорилась вдвое. Это ещё не означает, что мой рабочий день сократился на пять минут. И тем более не означает, что компания заработала дополнительные деньги.

Куда делся сэкономленный час?

Возможно, в ожидание решения начальника. В следующую встречу. В другой проект. В ещё десять писем. В проверку работы агента. Иногда — просто в небольшой перерыв, что, если честно, тоже не самое страшное применение новых технологий.

Но корпоративная логика обычно смотрит на этот час иначе. Если технология дала свободные ресурсы, их хочется заполнить.

Здесь действительно просматривается нечто похожее на парадокс Джевонса. Когда производство определённого результата становится дешевле, общество часто начинает потреблять этого результата больше. ИИ сделал презентации дешевле — презентаций становится больше. Сделал поиск и анализ информации дешевле — исследований становится больше. Упростил написание кода — появляется больше кода. Машина убрала часть работы, а организация ответила увеличением объёма того, что теперь можно произвести.

Это может быть хорошей новостью для экономики и не особенно хорошей новостью для календаря сотрудника.

Самая интересная формулировка всей проблемы поэтому звучит не «сколько времени экономит ИИ?», а кому принадлежит сэкономленное время?

Если работнику — он может работать меньше. Если компании — он может обслуживать больше клиентов, проектов и процессов. Если экономия приводит к сокращению штата, часть этого времени вообще превращается в работу, которую оставшиеся люди распределяют между собой.

Пока я почти не нашёл крупных корпоративных кейсов, где главный заявленный результат внедрения ИИ звучит как «наши сотрудники теперь работают на пять часов меньше при той же зарплате».

Зато примеров «освободили десятки тысяч часов, чтобы сотрудники больше времени проводили с клиентами» хватает.

Технология отдаёт человеку час. Работодатель уже стоит рядом с новой задачей.

Uber и проблема слишком полезного ИИ

Uber особенно хорошо показывает, насколько необычной становится экономика цифрового труда.

Компания широко внедрила ИИ-инструменты для программирования среди тысяч разработчиков. Использование росло с огромной скоростью. С точки зрения внедрения это практически идеальный результат. Людей не пришлось заставлять пользоваться новым инструментом. Они сами хотели.

И именно это стало проблемой.

Самые активные пользователи могли тратить на ИИ для программирования сотни и даже тысячи долларов в месяц. Бюджет, который планировался как годовой для инструментов разработчиков на основе ИИ, закончился примерно за первые четыре месяца. Компания начала вводить ограничения и учиться управлять потреблением.

В традиционном программном обеспечении такой успех выглядел бы мечтой. Вы купили программу, сотрудники используют её каждый день, внедрение почти тотальное. Чем больше они работают в продукте, тем лучше оправдывается лицензия.

У ИИ есть неприятное дополнение: каждый раз, когда сотрудник восторженно пользуется продуктом, где-то снова включается счётчик.

Но даже огромный счёт Uber ничего не говорит о том, было ли решение плохим. Если программист с помощью агента создаёт вдвое больше действительно полезного продукта, дополнительные $1 500 в месяц на сотрудника могут быть одной из лучших инвестиций компании.

Проблема появилась на следующем уровне. Uber видел рост использования, количества создаваемого кода и скорости работы. Но руководство публично признавало, что провести такую же чистую линию от дополнительного кода к количеству действительно полезных функций для пользователей, а затем к дополнительной выручке, намного сложнее.

Это один из центральных конфликтов всей нынешней экономики ИИ. Произвести больше — ещё не значит создать больше ценности. Больше кода не обязательно означает лучший продукт. Больше потенциальных клиентов не обязательно означает больше продаж. Больше документов не обязательно означает лучшие решения. И уж точно «сэкономленные часы» не равны сэкономленным деньгам, пока компания не сделала с этими часами что-то экономически полезное.

Цифровой сотрудник и его корпоративная кредитка

На уровне презентации замена человека агентом кажется почти неприлично выгодной. Человеку нужна зарплата, налоги, социальный пакет, оборудование, отпуск, больничные. Он спит, иногда увольняется и по непонятной причине считает, что через несколько лет должен зарабатывать больше.

Агент ничего этого не просит.

Правда, у него есть своеобразная корпоративная кредитка.

Одна из самых интересных академических работ 2026 года — How Do AI Agents Spend Your Money? — показывает, насколько быстро стоимость становится странной, когда модель перестаёт отвечать на один вопрос и начинает самостоятельно выполнять длинную задачу.

Исследователи протестировали восемь передовых моделей на сотнях реальных задач по разработке программного обеспечения. В условиях эксперимента сложные многошаговые задачи, которые агенты выполняли самостоятельно, требовали примерно в тысячу раз больше токенов, чем обычное взаимодействие с ИИ в формате одного запроса и ответа. Это не означает, что «любой ИИ-агент в тысячу раз дороже ChatGPT». Речь идёт о конкретном типе сложных задач по программированию, для решения которых агенту приходилось выполнять множество последовательных действий. Но сам механизм важен далеко за пределами разработки ПО.

Агент читает данные, вызывает инструмент, получает результат, добавляет его в контекст, думает снова, читает ещё что-то, пытается выполнить действие, получает ошибку, исправляет, запускает тест и продолжает. По мере движения он тащит за собой всё большую историю предыдущих шагов. Контекст растёт как снежный ком, только за каждый новый слой кто-то платит.

Цифровым сотрудникам не нужны зарплата и отпуск. Но счёт они всё равно выставляют.

Ещё интереснее разброс. В той же работе повторное выполнение одной и той же задачи могло в крайних случаях отличаться по потреблению токенов до 30 раз. Модели при этом плохо умели заранее оценивать собственную будущую стоимость.

Представьте сотрудника, которому вы поручаете одинаковую работу дважды. В понедельник он выставляет счёт на $10, в четверг — на $300. На вопрос, сколько будет стоить следующий раз, отвечает с большим энтузиазмом и очень низкой корреляцией с реальностью.

Финансовый директор начинает немного нервничать.

Поэтому реальная стоимость цифрового сотрудника — не цена токена. К ней добавляются обращения к модели и внешним инструментам, вычислительная инфраструктура, поиск и извлечение корпоративных данных, доступы, наблюдение за системой, безопасность, аудит, интеграция, повторные попытки, исправление ошибок и тот самый человеческий контроль.

Иногда добавляется ещё один расход: человек, которого пришлось вернуть после того, как вы слишком оптимистично решили, что он больше не нужен.

Klarna и цена человеческого разговора

Klarna стала одним из главных символов ранней волны замены людей ИИ. Компания заявляла, что её помощник для службы поддержки способен выполнять объём работы, сопоставимый примерно с 700 сотрудниками, работающими полный день. История мгновенно превратилась в доказательство того, что большая часть труда операторов поддержки уже почти закончилась.

Потом картина стала сложнее.

Руководство Klarna признало, что чрезмерный фокус на сокращении стоимости ухудшил качество обслуживания, и компания снова начала усиливать человеческую поддержку для случаев, где клиенту действительно нужен человек.

Легко превратить эту историю в обратный миф: «ИИ провалился, люди победили». Это было бы столь же неправильно.

ИИ в Klarna продолжает выполнять огромный объём работы. Компания не вернулась в 2022 год и не выключила автоматизацию. Она обнаружила границу: стандартное обращение и человеческие отношения с клиентом — не одно и то же.

Вероятно, именно так будет выглядеть зрелая архитектура многих систем с ИИ-агентами. Машина забирает всё, что достаточно повторяемо, измеримо и безопасно. Человек остаётся для исключений, конфликтов, эмоционально сложных ситуаций и решений, где стоимость ошибки резко возрастает.

В такой модели человек не исчезает. Он становится дорогим последним уровнем поддержки.

И это снова возвращает нас к вопросу сложности работы. Чем успешнее ИИ отсеивает простые случаи, тем выше концентрация сложных у оставшейся команды. Компания экономит человеческие часы, но каждый сохранившийся человеческий час может становиться дороже и тяжелее.

Но приносят ли агенты вообще деньги?

После KPMG, Uber, растущих счетов и Klarna очень легко написать статью о том, что корпоративный ИИ оказался очередной дорогостоящей иллюзией. Именно поэтому я отдельно искал противоположные данные: не «сколько часов сэкономил ИИ», а где агенты действительно создают дополнительную выручку или другую измеримую экономическую ценность.

Такие кейсы есть.

Santander сообщил примерно о €35 млн экономического эффекта от ИИ за первый квартал 2026 года и поставил значительно более крупные цели на следующие периоды. При этом банк использует сотни автономных агентов для различных процессов. Но здесь очень важно сохранить точность: €35 млн — не опубликованная аудированная чистая прибыль от агентов. Сам Santander говорит о business value — экономической ценности, в которую входят различные виды экономии, повышения эффективности и финансового эффекта.

Uber for Business использовал Salesforce Agentforce для автоматизации работы с поступающими потенциальными клиентами и сообщил примерно о 60-процентном увеличении конверсии. Компания ожидает дополнительный эффект на выручку, измеряемый семизначной суммой. Это уже гораздо ближе к тому типу доказательств, который я искал: агент работает рядом с точкой, где возникает продажа. Но и здесь публичный кейс не показывает полную стоимость системы, поэтому «увеличил конверсию» пока нельзя автоматически перевести в «принёс столько-то чистой прибыли».

Walmart сообщил, что покупатели, использующие его ИИ-помощника Sparky, формируют корзины примерно на 35% больше. Цифра выглядит впечатляюще, но является наблюдаемой корреляцией: вполне возможно, что люди, готовые активно пользоваться помощником при покупке, сами по себе относятся к более мотивированным покупателям.

И вот здесь я поймал себя на мысли, что всё это время задавал немного неправильный вопрос. Важно не только, насколько агент умён и сколько стоит его работа. Гораздо важнее, где именно компания его поставила и насколько близко он находится к месту, где для бизнеса возникают реальные деньги.

Агент, который экономит сотруднику двадцать минут при подготовке внутренней заметки, может быть очень дешёвым и почти не создавать финансового результата. Агент, который стоит дорого, но повышает вероятность продажи дорогостоящего продукта, может иметь великолепную экономику.

Поэтому вопрос «агенты дороже людей или дешевле?» постепенно начинает казаться таким же полезным, как вопрос «дорогой ли сотрудник за $200 000 в год?».

Дорогой для чего?

Если он приносит компании миллион, нет.

Если он весь год переставляет столбцы в одном отчёте, возможно.

Самая важная цифра, которой почти никто не показывает

За время этого исследования меня всё сильнее раздражала одна особенность корпоративной отчётности по ИИ. Компании прекрасно умеют рассказывать о количестве токенов, доле сотрудников, использующих новую систему, объёме созданного кода, количестве автономно решённых обращений, сэкономленных часах и процентах роста производительности.

Но очень редко показывают весь путь до денег.

Сколько система стоила после интеграции? Сколько времени потребовалось людям на проверку? Какова стоимость ошибок? Сколько дополнительной выручки возникло именно благодаря агенту? Какая часть этой выручки осталась в валовой прибыли? И что получилось после вычета всех дополнительных расходов?

У Uber есть впечатляющая история использования и объёма созданного кода, но нет чистой публичной линии от расходов на ИИ до прибыли и убытков. У Santander есть экономическая ценность, но это управленческая метрика. У Walmart есть большие корзины, но остаётся вопрос причинности. У Bank of Korea есть сэкономленное время, но нет соответствующего прироста общего результата.

Это не означает, что ИИ не окупается. Оно означает гораздо более неудобную вещь: рынок уже тратит огромные деньги на новую форму труда, но пока гораздо лучше умеет измерять её активность, чем её экономический результат.

Причём это касается не только покупателей.

Потому что есть ещё одна сторона, которая, судя по всему, уже научилась неплохо монетизировать происходящее.

Компания, которая продаёт вам сотрудника

У традиционного программного обеспечения была довольно простая роль. Оно продавало инструменты людям. CRM помогала продавцу продавать. Система поддержки помогала оператору отвечать клиентам. Среда разработки помогала программисту программировать.

Программное обеспечение с ИИ-агентами начинает претендовать на другую часть бюджета.

Не только на бюджет программного обеспечения.

На фонд оплаты труда.

Salesforce Agentforce уже превратился в крупный быстрорастущий источник регулярной выручки. Sierra продаёт агентов для клиентского сервиса и экспериментирует с оплатой за результат, когда клиент платит не за место в интерфейсе и даже не за токены, а за выполненную работу. В этом есть гораздо более глубокое изменение бизнес-модели, чем очередная новая функция в CRM.

Раньше разработчик программного обеспечения говорил работодателю: «купите наш инструмент для ваших десяти сотрудников».

Теперь он может сказать: «возможно, вам не нужны десять сотрудников».

Если эта логика действительно масштабируется, поставщики ИИ-агентов получают доступ к рынку, который намного больше традиционного рынка подписок на программное обеспечение. Они начинают продавать не средство производства работы, а саму способность выполнить эту работу.

По сути, труд как услугу.

Но и у продавцов есть проблема. Традиционный SaaS любил активных пользователей. Стоимость того, что клиент нажал кнопку в вашем приложении ещё сто раз, обычно была ничтожна. У программного обеспечения с ИИ-агентами каждое дополнительное действие имеет реальную вычислительную себестоимость.

Успешный пользователь может стать дорогим пользователем.

Поэтому рынок лихорадочно экспериментирует со способами оплаты: за токены, за действия, за решённую задачу, за результат, через пакеты кредитов и различные гибридные модели. Если клиент платит за использование, значительная часть риска непредсказуемых расходов остаётся у него. Если он платит за результат, риск переезжает к продавцу: агент может сделать пять лишних попыток, обратиться к дорогой модели, ошибиться, повторить всё снова, а заказчик всё равно хочет заплатить только за решённую проблему.

И здесь возникает забавный вопрос, которого классический SaaS почти не знал:

Кто должен оплачивать размышления машины, если эти размышления ни к чему не привели?

Поэтому огромная регулярная выручка компаний, продающих ИИ-агентов, ещё не означает столь же огромной прибыли. Уже довольно хорошо видно, сколько денег приносит этот новый рынок. Гораздо сложнее понять, сколько в итоге остаётся у продавцов после оплаты вычислительных ресурсов и работы моделей.

То есть даже наиболее очевидные победители пока не раскрыли всю экономику своего нового бизнеса.

Куда ушла бывшая зарплата

Теперь представим максимально упрощённую ситуацию. Раньше компания тратила $100 000 в год на сотрудника. После автоматизации значительная часть той же работы выполняется за $20 000 дополнительных технологических расходов.

На бумаге появилось $80 000.

Но эти деньги не исчезли и не обязательно целиком стали прибылью работодателя. Часть уходит компании, которая продаёт платформу с ИИ-агентами. Часть — разработчику базовой модели. Дальше по цепочке стоят облачная и вычислительная инфраструктура. Часто добавляются интеграция, наблюдение за системой и безопасность. Возможно, появляется более дорогой старший специалист, который теперь контролирует несколько цифровых исполнителей. То, что осталось после всего этого, действительно может превратиться в дополнительную прибыль компании.

А человек, чью работу автоматизировали, в этой новой цепочке оказывается единственным участником, которому доля по умолчанию не положена.

Поэтому спор о производительности ИИ постепенно становится спором о распределении дивиденда от ИИ.

Если технология делает общество продуктивнее, кто получает прирост? Работники — через зарплаты и свободное время? Потребители — через более низкие цены? Компании — через прибыль? Акционеры — через рост стоимости бизнеса? Поставщики ИИ — через плату за использование?

С экономической точки зрения вполне возможен сценарий, в котором ИИ создаёт настоящую огромную ценность, а положение значительной части работников одновременно ухудшается. В этом нет математического противоречия. ВВП и ваша зарплата никогда не были одним и тем же показателем.

Особенно хорошо это видно, если посмотреть на другие страны.

Один цифровой работник, две противоположные проблемы

Американская дискуссия об ИИ очень быстро сводится к вопросу «кто потеряет работу». В Японии тот же агент попадает в экономику с противоположной проблемой: работников физически не хватает.

Японские компании всё чаще обсуждают ИИ через 人手不足 — хронический дефицит рабочей силы. В таких условиях цифровой сотрудник может быть не способом убрать человека из платёжной ведомости, а способом выполнить работу, на которую компания вообще не смогла найти человека.

Meiji Yasuda Life активно инвестирует в развёртывание генеративного ИИ и развитие собственных специалистов, а японский рынок в целом всё чаще рассматривает ИИ как инструмент компенсации дефицита рабочей силы.

Технология та же.

В Калифорнии её использование может означать: «мы не будем нанимать ещё пятерых».

В Японии: «слава богу, нам не нужно найти ещё пятерых».

Это важный противовес попыткам построить одну универсальную мораль вокруг ИИ. Социальный результат автоматизации зависит не только от возможностей модели. Он зависит от демографии, рынка труда, стоимости человеческого времени, институтов и того, насколько сильно экономика вообще нуждается в дополнительных людях.

В Южной Корее возникает третья версия истории. Там очень высок уровень индивидуального использования ИИ, но корпоративная перестройка заметно отстаёт. Банки начинают внедрять агентов в документооборот и кредитные процессы, высвобождая десятки тысяч человеко-часов, однако эти часы предполагается направлять не на сокращение рабочей недели, а на дополнительную клиентскую и коммерческую работу.

В Испании исследования финансового сектора показывают ещё один предел автоматизации: клиенты готовы принимать участие ИИ, пока всё идёт нормально, но при возникновении проблемы резко возрастает желание разговаривать с человеком. В одном из недавних опросов 60% испанских клиентов заявили, что не стали бы оформлять банковский продукт без человеческого участия, а при возникновении проблемы 85% предпочли бы общение с человеком. Здесь человеческий сотрудник оказывается не дорогим пережитком старой модели, а частью продукта — носителем доверия.

Можно автоматизировать транзакцию.

Доверие автоматизируется заметно хуже.

Кто выигрывает сейчас

К концу августа 2026 года картина уже достаточно ясна, чтобы отказаться от двух крайностей. Массового уничтожения человеческой занятости агентами пока нет. Но и говорить, что всё происходящее — очередная волна шумихи без реального влияния на работу, уже невозможно.

Для людей, которых ИИ напрямую вытеснил из конкретных ролей, результат очевиден. Они проиграли доход и место в организации.

Для людей, которых не наняли, ситуация ещё менее заметна, но потенциально масштабнее. Сжатие штата, дополнительные барьеры перед открытием вакансий и более высокая планка для начальных позиций могут стать главным трудовым эффектом ближайшего этапа.

Для людей, которые остались, картина двойственная. Они получают инструменты, способные резко увеличить индивидуальную производительность, и одновременно больше ответственности, контроля и сложных исключений. Их ценность может расти, но никаких гарантий, что вместе с ней пропорционально растут зарплата или свободное время, я пока не вижу.

Менеджеры становятся особенно интересной группой. Часть управленческих слоёв может исчезнуть, зато оставшиеся руководители получают значительно больший объём ответственности: больше людей, больше процессов и постепенно всё больше цифровых исполнителей. Менеджер будущего может оказаться не человеком, который руководит десятью людьми, а человеком, который руководит пятью людьми и пятьюдесятью машинами — и всё равно отвечает, если одна из них сделала что-то глупое.

У компаний-покупателей результаты пока различаются драматически. Одни получают реальную экономию и возможность расти без пропорционального роста фонда оплаты труда. Другие видят рост активности, но не могут связать его с прибылью. Третьи обнаруживают неожиданный счёт за ИИ или вынуждены возвращать человеческую работу, которую слишком рано объявили ненужной.

Компании-продавцы выглядят наиболее очевидными победителями по выручке. Но даже у них вопрос прибыльности остаётся открытым, потому что цифровой труд имеет реальную переменную себестоимость.

Поэтому фраза «ИИ выигрывает, люди проигрывают» почти ничего не объясняет. В действительности новая технология запускает гораздо более сложное перераспределение между разными типами работников, работодателями, поставщиками программного обеспечения, владельцами моделей и капиталом.

И всё это только начинается.

Возможно, мы не там ищем ИИ-пузырь

Вернёмся к главному страху конца лета 2026 года.

Когда говорят об ИИ-пузыре, обычно представляют классический сценарий. Огромные инвестиции, завышенные оценки, обещания, которые невозможно выполнить, затем резкое отрезвление и исчезновение капитала.

Но корпоративный ИИ может пройти проверку реальностью гораздо менее кинематографично.

Компании просто начнут выключать плохие сценарии использования. Ограничивать автономность там, где она не создаёт достаточно ценности. Использовать дешёвые модели для простых задач и дорогие передовые модели только там, где дополнительный интеллект действительно нужен. Ставить лимиты расходов. Прерывать циклы, в которых агент бессмысленно повторяет одни и те же действия. Считать стоимость не токена, а успешно решённой задачи. Возвращать обычный предсказуемый программный код туда, где модель вообще не нужна. И сохранять человека там, где цена ошибки превышает экономию.

Это уже происходит.

Uber не выключил ИИ после того, как обнаружил проблему с бюджетом. Компания начала управлять потреблением. KPMG не увидела массового отказа от агентов. Она увидела пересмотр темпов внедрения и гораздо более жёсткое отношение к расходам.

Возможно, пузырь действительно существует где-то в оценках компаний и ожиданиях от инфраструктурных инвестиций. Но на уровне корпоративного внедрения происходит не столько крах, сколько взросление.

Технологию просто начали считать.

И иногда именно это является признаком того, что она перестала быть игрушкой.

Что может измениться к лету 2027 года

Прогнозировать здесь появление искусственного сверхразума не нужно. Для довольно серьёзного изменения рынка труда достаточно значительно более скучного сценария.

Предположим, что за следующие девять месяцев сегодняшние агенты просто станут на 30% экономически лучше. Модели немного подешевеют. Ошибок станет меньше. Работа с контекстом улучшится. Компании научатся распределять задачи между дешёвыми и дорогими моделями и ограничивать ненужные обращения к ним. Человеческий контроль станет чуть лучше встроен в процессы.

Никакого сознательного сверхразума.

Просто сегодняшний цифровой сотрудник чуть дешевле, чуть надёжнее и чуть проще в управлении.

Уже этого может хватить, чтобы изменить решение о найме следующего человека во многих компаниях.

Я бы поэтому не ставил на сценарий, где в первом полугодии 2027 года по всему миру одновременно происходят массовые увольнения белых воротничков. Текущие данные дают слишком мало оснований для такого прогноза.

Гораздо вероятнее продолжение сжатия штатов.

Компания растёт, но человеческий штат растёт гораздо медленнее. Новая нагрузка сначала распределяется между существующей командой и ИИ. А когда кто-то увольняется, компания всё чаще решает не нанимать нового сотрудника на его место. Несколько процессов объединяются вокруг одного более сильного специалиста и набора агентов. Прямые сокращения появляются только там, где экономика такой модели уже достаточно хорошо доказана.

Самый заметный социальный эффект при этом может проявиться среди молодых работников. Если компания способна взять одного начинающего специалиста вместо двух и дать ему ИИ, вакансий становится меньше, а требования к каждому оставшемуся кандидату растут. Через несколько лет эта логика может ударить уже по самой компании: опытных специалистов нельзя бесконечно импортировать из будущего, если вы перестали выращивать людей сегодня.

Одновременно будет расти новый класс «операторов цифрового труда». Не обязательно людей с должностью AI Manager. Скорее обычных программистов, аналитиков, продавцов, маркетологов и руководителей, которые постепенно обнаружат, что значительная часть их работы состоит не в непосредственном производстве результата, а в организации и проверке результатов машин.

Главным ограничением такой организации может оказаться неожиданно старомодная вещь.

Человеческое внимание.

Вычислительные мощности можно купить.

А способность одного человека отвечать за решения сотни автономных процессов масштабируется заметно хуже.

Победит не самый умный агент

Первый этап генеративного ИИ был соревнованием моделей. Кто лучше рассуждает, у кого больше контекст, кто выигрывает очередной тест.

Корпоративному рынку нужен немного другой победитель.

Не самый умный агент в мире, а достаточно хороший агент с понятной экономикой.

Финансовому директору совершенно не обязательно знать, что модель получила на два балла больше в тесте на абстрактное мышление. Ему гораздо полезнее знать, что конкретная операция стоит $1,20, в 96% случаев завершается без человека, ещё 3% требуют проверки, 1% передаётся специалисту, а после всех расходов тысяча операций экономит компании $430.

В этот момент агент перестаёт быть магией.

Он становится строкой в бюджете.

И тогда начинается действительно интересная фаза.

Потому что сегодня мы всё ещё в основном спрашиваем, что умеет ИИ. Какую профессию он сможет заменить, сколько кода способен написать, как долго может работать автономно.

Но экономический вопрос постепенно становится другим.

Кому достаётся то, что он сэкономил?

Если машина высвободила человеку час, этот час может достаться самому человеку, компании, клиенту или следующей задаче.

Если компания смогла не нанять ещё одного сотрудника, деньги могут стать прибылью, уйти поставщику ИИ, разработчику модели, дата-центру или в зарплату более дорогого специалиста, контролирующего машины.

Если один работник теперь способен обслуживать вдвое больше клиентов, он может стать вдвое ценнее. Это совершенно не означает, что его зарплата автоматически вырастет вдвое.

Если начинающий сотрудник больше не нужен, компания экономит сегодня. Но через несколько лет ей всё равно понадобится опытный специалист, которого кто-то должен был когда-то научить быть начинающим.

Технология способна решить вопрос производства работы намного раньше, чем общество решит вопрос распределения созданной ценности.

И эта часть проблемы уже не технологическая.

Цифровой сотрудник уже здесь

Наверное, это самое важное, что я вынес из всей этой истории.

Мы больше не обсуждаем гипотетический мир, где ИИ когда-нибудь войдёт в состав рабочей силы.

Он уже вошёл.

Просто первый этап выглядит гораздо менее драматично, чем фантазировали и оптимисты, и пессимисты.

Не миллионы людей одновременно выходят из офисов с коробками. Где-то компания не открывает очередную вакансию для начинающего специалиста. Где-то менеджер получает ещё несколько процессов. Где-то программист работает с десятком агентов. Где-то сотруднику поддержки остаются только самые сложные звонки. Где-то финансовый директор впервые видит отчёт о расходе токенов. А где-то Salesforce или Sierra превращают чужую экономию человеческого труда в собственную выручку.

Пока мы не получили ни обещанного мира, где ИИ забирает рутину, а люди занимаются исключительно творчеством и уходят домой пораньше, ни массовой безработицы, которую последние годы предсказывают самые мрачные сценарии.

Происходит нечто менее эффектное и, возможно, более важное.

Меняется цена человеческого труда относительно цифрового.

Сегодня цифровой сотрудник всё ещё довольно дорог, непредсказуем, периодически ошибается и требует присмотра. Это оставляет человеку огромное экономическое пространство.

Но я не уверен, что это постоянное преимущество.

Поэтому к середине 2027 года мне будет интереснее смотреть не на очередной тест возможностей моделей и даже не на количество новых ИИ-моделей. Я буду смотреть на более скучные цифры: сколько компаний перестало нанимать людей на место ушедших сотрудников, сколько вакансий для начинающих специалистов исчезло, сколько процессов приходится на одного оставшегося сотрудника, сколько стоит человеческий контроль и какой процент ИИ-проектов уже способен показать настоящую прибыль после всех расходов.

Потому что самый важный вопрос следующего этапа, возможно, звучит не «заменит ли ИИ человека?».

Он звучит гораздо приземлённее.

Что произойдёт, если работник, которому не нужны зарплата, отпуск и сон, станет ещё на треть дешевле — а компании наконец научатся правильно считать его стоимость?

Тогда мы и узнаем, был ли 2026 год началом очередного технологического пузыря.

Или первым годом, когда новый вид труда тихо появился в корпоративной бухгалтерии.

Источники и исследования

Ниже — основные первичные исследования, корпоративные материалы и журналистские источники, на которые опирается статья.