Цифровий співробітник уже вийшов на роботу. Тепер ми намагаємося зрозуміти, хто за нього заплатить — і хто на ньому заробить

Denys Voroshylov включений вШІ Та Робота

2026-08-26 6358 слів 30 минут

ШІ-агенти стають новою формою праці. У цьому есе я розбираюся, хто платить за цифрову роботу, кому дістається економія і чому її економіка досі не визначена.

Зміст

ШІ-агенти вже виконують роботу, яку ще зовсім недавно робили люди. Одні компанії скорочують співробітників, інші просто перестають відкривати нові вакансії, треті раптом виявляють, що цифрова праця виявилася несподівано дорогою. А люди, які зберегли роботу, дедалі частіше перетворюються на операторів і контролерів машин. Я спробував розібратися, що насправді відбувається з економікою ШІ-агентів наприкінці літа 2026 року — і куди ця історія може прийти за наступні дев’ять місяців.

Усі чогось чекають

Кінець літа 2026 року — досить нервовий час для штучного інтелекту. Інвестори дивляться на десятки й сотні мільярдів доларів, які йдуть у дата-центри, чипи, електростанції та нові моделі, і дедалі частіше ставлять запитання, яке ще рік тому вважалося майже поганим тоном: а коли саме все це почне окупатися? Скептики чекають, коли лусне ШІ-бульбашка і почнеться чергове економічне похмілля. Компанії, які будують моделі та інфраструктуру, мають довести, що гігантські інвестиції колись перетворяться не лише на ефектні демонстрації можливостей, а й на прибуток. Компанії, які купують ШІ, мають довести приблизно те саме власним фінансовим директорам.

Люди нервують з іншої причини. Вони чекають на звільнення. Дехто вже дочекався. Але, схоже, найцікавіша частина цієї історії відбувається набагато тихіше: частину працівників ніхто не звільняє, тому що їх узагалі не встигають найняти. Вакансія, яка ще три роки тому автоматично з’явилася б після зростання обсягу роботи, тепер спочатку проходить новий мисленнєвий фільтр: нам справді потрібна ще одна людина чи це додаткове навантаження можна віддати ШІ?

Є й третя група — люди, які зробили ставку на впровадження. Керівники, інженери, операційні команди. Вони купують агентів, підключають їх до систем, дають доступ до даних, перебудовують процеси й досить швидко з’ясовують, що автономний ШІ відрізняється від красивого чат-бота приблизно так само, як автомобіль на виставці відрізняється від таксі, яке їздить містом двадцять годин на добу. Поки машина стоїть під софітами, все виглядає чудово. Коли вона починає працювати, з’являються витрати пального, техобслуговування, аварії, страховка і людина, якій усе це зрештою треба пояснювати.

І нарешті, є компанії, які воліють почекати. Стратегія здається здоровою: нехай Uber, Salesforce, банки й технологічні корпорації спочатку наб’ють усі можливі ґулі, розберуться з безпекою, інтеграціями, вартістю та контролем. Потім можна буде купити зрілу технологію й пройти коротшою дорогою.

Але я дедалі більше сумніваюся, що ця коротка дорога існує. Uber може навчитися використовувати програмувальних агентів усередині Uber. Santander може вибудувати їх навколо власної банківської інфраструктури. Японський страховик — навколо своїх процесів продажу. Чужий досвід, звісно, допомагає, але наступній компанії все одно доведеться з’єднувати агента зі своїми даними, дозволами, людьми, старими інформаційними системами і тими дивними внутрішніми процедурами, які формально існують з 2014 року, хоча вже ніхто не пам’ятає навіщо. Можливо, компанії, які зараз чекають, не уникають кривої навчання. Вони просто відкладають момент, коли все одно доведеться на неї видертися.

На цьому тлі мені трапився заголовок Forbes: “KPMG Says Nearly Half Of Executives Pulled Back AI Agents Over Cost.” Майже половина керівників, стверджував він, пригальмувала впровадження ШІ-агентів через вартість.

Звучало серйозно. І підозріло просто.

Я поліз розбиратися, що саме виявила KPMG. І досить швидко з’ясувалося, що ця історія не стільки про дорогих агентів, скільки про появу нового виду праці, економіку якого поки що до пуття не вміє рахувати майже ніхто.

Ті самі 49 відсотків

Почати варто з невеликої поправки до гучного заголовка. KPMG не з’ясувала, що половина бізнесу махнула рукою на агентів і вирішила повернути все як було. У її опитуванні понад дві тисячі керівників із двадцяти країн 24% повідомили, що звузили або скоротили масштаб впровадження, а ще 25% відклали або поставили подальше розгортання на паузу після того, як витрати почали гірше співвідноситися з очікуваною цінністю. Із цих двох чисел і вийшли знамениті 49%. При цьому загальний інтерес до ШІ та інвестиційні плани нікуди не зникли.

Тобто це не втеча. Радше момент, коли компанії почали розуміти: з наскоку цю технологію не впровадиш, а помилки в процесі можуть коштувати дуже дорого.

Саме тут запитання «чи працюють ШІ-агенти?» починає здаватися трохи застарілим. Так, працюють. Вони пишуть код, ведуть листування, обробляють заявки, досліджують документи, допомагають продавати, працюють із банківськими процесами й дедалі частіше здатні не просто відповісти на запитання, а виконати послідовність дій без постійної участі людини. Суперечка про технічну можливість поступово поступається місцем нуднішому, але набагато важливішому питанню: чи працює економіка цієї нової форми праці?

Щоб відповісти, виявилося недостатньо порівняти вартість токенів із зарплатою працівника. Доводиться дивитися одразу на кількох учасників. На людину, яку звільнили або вирішили не наймати. На людину, яка залишилася і тепер відповідає за роботу машин. На компанію, яка купує цифрову працю замість людської. І на компанію, яка цю цифрову працю продає.

У кожного в цій історії свій баланс. І що особливо цікаво, один і той самий агент може одночасно бути хорошою новиною для однієї сторони й дуже поганою для іншої.

Працівник, якого не звільнили

Найзручніша для журналістського заголовка версія автоматизації виглядає знайомо. Компанія впровадила ШІ, після чого кілька сотень або тисяч людей отримали листи про «реорганізацію», «підвищення ефективності» та «перерозподіл ресурсів». Ця частина історії вже реальна. Salesforce пов’язувала з ШІ зменшення потреби в частині роботи служби підтримки. IBM публічно говорила про заміну частини функцій кадрових служб автоматизацією. У 2026 році з’явилися й більші корпоративні скорочення, де керівники прямо називали нові можливості ШІ одним із факторів рішення. Але макроекономічні дослідження поки не показують картини, у якій мільйони офісних працівників одночасно зникають із ринку праці.

Набагато цікавіший інший канал впливу. Компанія нікого не звільняє. Вона просто не наймає наступну людину.

Shopify зробила цю нову логіку майже офіційною політикою. Перш ніж просити розширення штату, менеджеру запропоновано спочатку пояснити, чому цю роботу не можна виконати за допомогою ШІ. Salesforce пов’язувала зростання інженерної продуктивності з відсутністю потреби помітно розширювати інженерний штат. TCS говорить про уповільнення майбутнього найму в міру того, як цифрові агенти починають брати на себе дедалі більшу частину додаткової роботи. У деяких компаніях зникає не наявна посада, а майбутня одиниця в бюджеті.

Це може виявитися набагато важливішим, ніж здається. Звільнення потрапляє в статистику, пресрелізи, державні повідомлення й дописи в LinkedIn. Не відкрита вакансія майже не залишає сліду. Ніхто не пише некролог людині, яку компанія збиралася найняти наступної осені, а потім вирішила, що новий процес впорається без неї.

Саме тому сьогоднішня картина ринку праці може бути оманливою. Якщо компанія зростає на 30%, а чисельність штату збільшується лише на 5%, ми бачимо зростання зайнятості. Формально все добре. Але за старої виробничої моделі такий самий ріст бізнесу, можливо, вимагав би збільшити команду на 20%. Різниця між цими двома числами — люди, які так і не з’явилися у платіжній відомості.

Останні дослідження дедалі частіше вказують на стиснення штату як на один із найреалістичніших сценаріїв нинішнього етапу. Не масове одночасне звільнення, а поступове послаблення зв’язку між зростанням бізнесу та зростанням кількості працівників.

Першим це особливо болісно відчуває ринок стартових позицій.

Аналіз Stanford Digital Economy Lab виявив помітне відносне зниження зайнятості молодих працівників у професіях, сильніше підданих впливу генеративного ШІ. В оновленій версії дослідження до серпня 2026 року розрив для працівників 22–25 років у найбільш ШІ-вразливих професіях сягнув приблизно 19% порівняно з менш вразливими професіями, тоді як становище досвідченіших працівників виглядало стійкішим. Автори при цьому підкреслюють, що це описовий зв’язок, а не чиста оцінка причинного ефекту ШІ.

Але навіть із цією обмовкою механізм надто логічний, щоб його ігнорувати. Робота початківця зазвичай складається з великої кількості відносно структурованих завдань: первинного пошуку інформації, обробки даних, підготовки чернеток, типового коду, перевірки документів, заповнення CRM, складання простих звітів. Саме цей шар роботи генеративний ШІ навчився поглинати найшвидше.

ШІ мав би спочатку забрати важку роботу. Натомість він напрочуд швидко навчився офісної.

І тут з’являється доволі злий парадокс.

ШІ здатен зробити початківця значно продуктивнішим. В одному з відомих досліджень працівників підтримки середня продуктивність зросла приблизно на 15%, причому найбільше виграли менш досвідчені співробітники. Машина фактично передавала їм частину знань найкращих колег. Це один із найпереконливіших аргументів на користь ШІ як інструмента демократизації професійного досвіду.

Але водночас компанії починають наймати менше початківців.

Виходить майже комічна конструкція: технологія робить молодого співробітника набагато ефективнішим, після чого компанія виявляє, що їй потрібно значно менше молодих співробітників.

Ще цікавіше те, що змінюються вимоги до тих небагатьох, кого все ж беруть. Прості завдання дедалі частіше вважаються «роботою для ШІ», тому від молодого працівника одразу очікують зрілішого професійного судження, навичок роботи з клієнтами, самостійності й уміння перевіряти машину. У дослідженнях ринку праці вже з’являється термін «сеніоризація» стартових позицій: формально вакансія залишається для початківця, але вимоги до неї поступово підтягуються вгору.

У певному сенсі всім підвищили посаду. Крім людей, які через це підвищення взагалі не отримали роботу.

У цієї тенденції є ще один прихований рахунок, який компанії поки майже не оплачують. Професійне судження не виникає лише тому, що людині видали логін у корпоративну систему й додали слово AI до назви посади. Воно формується роками відносно простої роботи, помилок, зворотного зв’язку та спостереження за досвідченішими колегами.

Розробник-початківець учився на невеликих завданнях, перш ніж почав проєктувати архітектуру. Молодий юрист займався пошуком інформації та перевіркою документів, перш ніж йому довіряли складний висновок. Аналітик готував таблиці й прості моделі, перш ніж ставав людиною, здатною швидко помітити, що вся презентація побудована на хибному припущенні.

Якщо цей перший шар кар’єри віддати агентам, сьогодні компанія справді економить. Але за кілька років може виникнути незручне запитання: звідки взяти старших спеціалістів, які мають контролювати цих самих агентів?

Автоматизувати драбину виявилося простіше, ніж придумати, як люди підніматимуться без неї.

Людина, яка залишилася

Припустімо, ваша посада не зникла. Більше того, компанія купила вам кількох цифрових помічників. Один збирає дані, другий шукає інформацію, третій пише, четвертий аналізує документи, п’ятий програмує. У презентації це виглядає майже як звільнення від рутини: нарешті машина забере нудну роботу, а людина займатиметься тим, для чого нібито й створений людський мозок, — стратегією, творчістю і чимось бажано високомаржинальним.

У реальній компанії між «агент зробив роботу» і «робота готова» є ще один крок.

Хтось має подивитися, що саме він зробив.

В одному кейсі модернізації банківського застосунку, описаному McKinsey, розробники працювали одразу з 15–20 спеціалізованими агентами на людину. Одні агенти досліджували стару кодову базу, інші проєктували цільову архітектуру, треті переносили код і запускали тести. Люди при цьому не зникли. Їхня робота змістилася вище: планування, координація, перевірка, тестування та ухвалення рішень.

Збоку це виглядає як фантастичне зростання продуктивності. Один розробник отримує маленьку цифрову команду.

Одна людина тепер може керувати цілою цифровою командою. Але це не обов’язково означає менше роботи.

Але продуктивність машини й пропускна здатність людської уваги зростають із різною швидкістю. Якщо двадцять агентів здатні одночасно виробляти результат, вони здатні одночасно виробляти й результат, який треба перевірити. Іноді помилковий. Іноді частково правильний, що ще гірше: очевидну нісенітницю легко викинути, а переконливу помилку спочатку треба помітити.

Так виникає прихована категорія роботи, яку компанії поки рахують дуже погано: податок на нагляд. Працівник дедалі менше створює результат безпосередньо й дедалі більше постачає машинам контекст, ставить завдання, перевіряє висновки, виправляє помилки, перезапускає невдалі процеси та розбирається з винятками.

Уявімо звичайний корпоративний розрахунок. Аналітику раніше потрібно було вісім годин, щоб підготувати звіт. Тепер агент робить чернетку за вісім хвилин. У презентації з’являється майже вісім годин економії. Але якщо потім старший аналітик сорок хвилин звіряє джерела, виправляє розрахунки й намагається зрозуміти, звідки в третьому розділі взялася абсолютно впевнена цифра, якої немає в жодному вихідному документі, ці сорок хвилин часто просто розчиняються між рядками.

ШІ виглядає майже безкоштовним, якщо людську недовіру не заносити в собівартість.

Причому що вища ціна помилки, то дорожчим стає контроль. Перевірити п’ять чернеток рекламних оголошень відносно просто. Перевірити п’ять кредитних рекомендацій або п’ять рішень у регульованому процесі — зовсім інша робота. Тому запитання «скільки агентів здатна контролювати одна людина?» саме по собі майже безглузде. П’ять агентів, які пишуть перші версії маркетингових текстів, і п’ять агентів, здатних здійснити незворотну фінансову дію, — арифметично це те саме число, але зовсім різні робочі місця.

І тут виникає ще одна неприємна можливість: ШІ може зменшувати обсяг людської роботи, водночас підвищуючи її середню складність.

Якщо ШІ-агент служби підтримки забирає 80 найпростіших звернень зі ста, людині лишається двадцять. Чудово. Тільки тепер увесь її день складається з двадцяти клієнтів, яким машина не змогла допомогти: нестандартні ситуації, конфлікти, винятки, помилки, злість, гроші, які кудись зникли. Раніше складні випадки перемежовувалися простими. Тепер прості зникають.

Кількість завдань зменшується. Щільність неприємностей зростає.

Цей ефект особливо важливий для менеджерів. ШІ не обов’язково зменшує обсяг управління; він може збільшувати кількість людей і процесів, за які відповідає один керівник. Дедалі частіше виникає модель, у якій одна людина керує не лише людьми, а й групами агентів — і все одно несе відповідальність за те, що сталося на виході.

Microsoft назвала таку людину agent boss — «керівник агентів». Термін звучить трохи як посада, яку дитина вигадала б після мультфільму про майбутнє. Але за ним стоїть цілком серйозна виробнича модель: одна людина контролює значно більший обсяг роботи, тому що безпосереднє виконання дедалі частіше роздається машинам.

Питання лише в тому, чи означає це, що людина працює менше.

Поки особливих ознак немає.

Кому належить зекономлена година

Bank of Korea дав, мабуть, одну з найкращих цифр для розуміння нинішньої стадії ШІ. Дослідники виявили, що використання генеративних інструментів справді скорочує витрати часу приблизно на 3,8% — десь півтори години на стандартний 40-годинний робочий тиждень.

Це чудовий приклад того, як легко змішати три зовсім різні речі: швидкість виконання завдання, продуктивність працівника і продуктивність організації.

Якщо я написав листа за п’ять хвилин замість десяти, завдання виконано вдвічі швидше. Це ще не означає, що мій робочий день скоротився на п’ять хвилин. І тим більше не означає, що компанія заробила додаткові гроші.

Куди поділася зекономлена година?

Можливо, в очікування рішення керівника. У наступну зустріч. В інший проєкт. У ще десять листів. У перевірку роботи агента. Іноді — просто в невелику перерву, що, якщо чесно, теж не найгірше застосування нових технологій.

Але корпоративна логіка зазвичай дивиться на цю годину інакше. Якщо технологія дала вільні ресурси, їх хочеться чимось заповнити.

Тут справді проглядається щось схоже на парадокс Джевонса. Коли виробництво певного результату дешевшає, суспільство часто починає споживати цього результату більше. ШІ зробив презентації дешевшими — презентацій стає більше. Зробив пошук та аналіз інформації дешевшими — досліджень стає більше. Спростив написання коду — коду стає більше. Машина прибрала частину роботи, а організація відповіла збільшенням обсягу того, що тепер можна виробити.

Це може бути хорошою новиною для економіки й не дуже хорошою новиною для календаря працівника.

Тому найцікавіше формулювання всієї проблеми звучить не «скільки часу економить ШІ?», а кому належить зекономлений час?

Якщо працівнику — він може працювати менше. Якщо компанії — він може обслуговувати більше клієнтів, проєктів і процесів. Якщо економія призводить до скорочення штату, частина цього часу взагалі перетворюється на роботу, яку працівники, що залишилися, розподіляють між собою.

Я майже не знайшов великих корпоративних кейсів, де головний заявлений результат впровадження ШІ звучав би як «наші працівники тепер працюють на п’ять годин менше за ту саму зарплату».

А от прикладів «вивільнили десятки тисяч годин, щоб працівники більше часу проводили з клієнтами» вистачає.

Технологія віддає людині годину. Роботодавець уже стоїть поруч із новим завданням.

Uber і проблема надто корисного ШІ

Uber особливо добре показує, наскільки незвичною стає економіка цифрової праці.

Компанія широко впровадила ШІ-інструменти для програмування серед тисяч розробників. Використання зростало з величезною швидкістю. З погляду впровадження це майже ідеальний результат. Людей не довелося змушувати користуватися новим інструментом. Вони самі хотіли.

І саме це стало проблемою.

Найактивніші користувачі могли витрачати на ШІ для програмування сотні й навіть тисячі доларів на місяць. Бюджет, який планувався як річний для інструментів розробників на основі ШІ, закінчився приблизно за перші чотири місяці. Компанія почала вводити обмеження й учитися керувати споживанням.

У традиційному програмному забезпеченні такий успіх виглядав би мрією. Ви купили програму, працівники користуються нею щодня, впровадження майже тотальне. Чим більше вони працюють у продукті, тим краще виправдовується ліцензія.

У ШІ є неприємне доповнення: щоразу, коли працівник із захватом користується продуктом, десь знову вмикається лічильник.

Але навіть величезний рахунок Uber нічого не говорить про те, чи було рішення поганим. Якщо програміст за допомогою агента створює вдвічі більше справді корисного продукту, додаткові $1 500 на місяць на працівника можуть бути однією з найкращих інвестицій компанії.

Проблема з’явилася на наступному рівні. Uber бачив зростання використання, кількості створеного коду й швидкості роботи. Але керівництво публічно визнавало, що провести таку ж чисту лінію від додаткового коду до кількості справді корисних функцій для користувачів, а потім до додаткової виручки, набагато складніше.

Це один із центральних конфліктів усієї нинішньої економіки ШІ. Виробити більше — ще не означає створити більше цінності. Більше коду не обов’язково означає кращий продукт. Більше потенційних клієнтів не обов’язково означає більше продажів. Більше документів не обов’язково означає кращі рішення. І вже точно «зекономлені години» не дорівнюють зекономленим грошам, поки компанія не зробила з цими годинами щось економічно корисне.

Цифровий співробітник і його корпоративна кредитка

На рівні презентації заміна людини агентом здається майже непристойно вигідною. Людині потрібні зарплата, податки, соціальний пакет, обладнання, відпустка, лікарняні. Вона спить, іноді звільняється і з незрозумілих причин вважає, що через кілька років має заробляти більше.

Агент нічого цього не просить.

Щоправда, у нього є своєрідна корпоративна кредитка.

Одна з найцікавіших академічних робіт 2026 року — How Do AI Agents Spend Your Money? — показує, наскільки швидко вартість стає дивною, коли модель перестає відповідати на одне запитання й починає самостійно виконувати довге завдання.

Дослідники протестували вісім передових моделей на сотнях реальних завдань із розробки програмного забезпечення. В умовах експерименту складні багатокрокові завдання, які агенти виконували самостійно, вимагали приблизно в тисячу разів більше токенів, ніж звичайна взаємодія з ШІ у форматі одного запиту й однієї відповіді. Це не означає, що «будь-який ШІ-агент у тисячу разів дорожчий за ChatGPT». Йдеться про конкретний тип складних завдань із програмування, для розв’язання яких агенту доводилося виконувати багато послідовних дій. Але сам механізм важливий далеко за межами розробки програмного забезпечення.

Агент читає дані, викликає інструмент, отримує результат, додає його в контекст, думає знову, читає ще щось, намагається виконати дію, отримує помилку, виправляє, запускає тест і продовжує. У процесі він тягне за собою дедалі більшу історію попередніх кроків. Контекст росте як снігова куля, тільки за кожен новий шар хтось платить.

Цифровим працівникам не потрібні зарплата чи відпустка. Але рахунок вони все одно виставляють.

Ще цікавіший розкид. У тій самій роботі повторне виконання одного й того самого завдання в крайніх випадках могло відрізнятися за споживанням токенів до 30 разів. Моделі при цьому погано вміли заздалегідь оцінювати власну майбутню вартість.

Уявіть працівника, якому ви доручаєте однакову роботу двічі. У понеділок він виставляє рахунок на $10, у четвер — на $300. На запитання, скільки коштуватиме наступного разу, відповідає з великим ентузіазмом і дуже низькою кореляцією з реальністю.

Фінансовий директор починає трохи нервувати.

Тому реальна вартість цифрового співробітника — це не ціна токена. До неї додаються звернення до моделі та зовнішніх інструментів, обчислювальна інфраструктура, пошук і витяг корпоративних даних, доступи, спостереження за системою, безпека, аудит, інтеграція, повторні спроби, виправлення помилок і той самий людський контроль.

Іноді додається ще одна витрата: людина, яку довелося повернути після того, як ви надто оптимістично вирішили, що вона більше не потрібна.

Klarna і ціна людської розмови

Klarna стала одним із головних символів ранньої хвилі заміни людей ШІ. Компанія заявляла, що її помічник для служби підтримки здатен виконувати обсяг роботи, співставний приблизно з 700 працівниками, які працюють повний день. Історія миттєво перетворилася на доказ того, що більша частина праці операторів підтримки вже майже закінчилася.

Потім картина стала складнішою.

Керівництво Klarna визнало, що надмірний фокус на скороченні витрат погіршив якість обслуговування, і компанія знову почала посилювати людську підтримку там, де клієнту справді потрібна людина.

Легко перетворити цю історію на зворотний міф: «ШІ провалився, люди перемогли». Це було б так само неправильно.

ШІ в Klarna і далі виконує величезний обсяг роботи. Компанія не повернулася у 2022 рік і не вимкнула автоматизацію. Вона просто намацала межу: стандартне звернення і людські стосунки з клієнтом — не одне й те саме.

Ймовірно, саме так виглядатиме зріла архітектура багатьох систем із ШІ-агентами. Машина забирає все, що достатньо повторюване, вимірюване й безпечне. Людина залишається для винятків, конфліктів, емоційно складних ситуацій і рішень, де ціна помилки різко зростає.

У такій моделі людина не зникає. Вона стає дорогим останнім рівнем підтримки.

І це знову повертає нас до питання складності роботи. Що успішніше ШІ відсіює прості випадки, то вища концентрація складних у команди, яка залишилася. Компанія економить людські години, але кожна збережена людська година може ставати дорожчою й важчою.

А чи приносять агенти взагалі гроші?

Після KPMG, Uber, зростаючих рахунків і Klarna дуже легко написати статтю про те, що корпоративний ШІ виявився черговою дорогою ілюзією. Саме тому я окремо шукав протилежні дані: не «скільки годин зекономив ШІ», а де агенти справді створюють додаткову виручку або іншу вимірювану економічну цінність.

Такі кейси є.

Santander повідомив приблизно про €35 млн економічного ефекту від ШІ за перший квартал 2026 року й поставив значно більші цілі на наступні періоди. При цьому банк використовує сотні автономних агентів у різних процесах. Але тут дуже важливо зберегти точність: €35 млн — це не опублікований аудований чистий прибуток від агентів. Сам Santander говорить про business value — економічну цінність, до якої входять різні види економії, підвищення ефективності та фінансового ефекту.

Uber for Business використовував Salesforce Agentforce для автоматизації роботи з потенційними клієнтами, що надходять, і повідомив приблизно про 60-відсоткове зростання конверсії. Компанія очікує додатковий ефект на виручку, що вимірюється семизначною сумою. Це вже набагато ближче до того типу доказів, який я шукав: агент працює поруч із точкою, де виникає продаж. Але й тут публічний кейс не показує повної вартості системи, тому «збільшив конверсію» поки не можна автоматично перекласти як «приніс стільки-то чистого прибутку».

Walmart повідомив, що покупці, які користуються його ШІ-помічником Sparky, формують кошики приблизно на 35% більші. Цифра виглядає вражаюче, але це спостережувана кореляція: цілком можливо, що люди, готові активно користуватися помічником під час покупки, самі по собі належать до більш мотивованих покупців.

І ось тут я зловив себе на думці, що весь цей час ставив трохи неправильне запитання. Важливо не лише, наскільки агент розумний і скільки коштує його робота. Набагато важливіше, куди саме компанія його поставила і наскільки близько він знаходиться до місця, де для бізнесу виникають реальні гроші.

Агент, який економить працівнику двадцять хвилин на підготовці внутрішньої нотатки, може бути дуже дешевим і майже не створювати фінансового результату. Агент, який коштує дорого, але підвищує ймовірність продажу дорогого продукту, може мати чудову економіку.

Тому запитання «агенти дорожчі за людей чи дешевші?» поступово починає здаватися таким самим корисним, як запитання «чи дорогий працівник із зарплатою $200 000 на рік?».

Дорогий для чого?

Якщо він приносить компанії мільйон — ні.

Якщо весь рік переставляє стовпці в одному звіті — можливо.

Найважливіша цифра, якої майже ніхто не показує

За час цього дослідження мене дедалі більше дратувала одна особливість корпоративної звітності щодо ШІ. Компанії чудово вміють розповідати про кількість токенів, частку працівників, які користуються новою системою, обсяг створеного коду, кількість автономно вирішених звернень, зекономлені години та відсотки зростання продуктивності.

Але дуже рідко показують увесь шлях до грошей.

Скільки система коштувала після інтеграції? Скільки часу людям знадобилося на перевірку? Яка вартість помилок? Скільки додаткової виручки виникло саме завдяки агенту? Яка частина цієї виручки залишилася у валовому прибутку? І що вийшло після віднімання всіх додаткових витрат?

У Uber є вражаюча історія використання й обсягу створеного коду, але немає чистої публічної лінії від витрат на ШІ до прибутків і збитків. У Santander є економічна цінність, але це управлінська метрика. У Walmart є більші кошики, але залишається питання причинності. У Bank of Korea є зекономлений час, але немає відповідного приросту загального результату.

Це не означає, що ШІ не окупається. Це означає набагато незручнішу річ: ринок уже витрачає величезні гроші на нову форму праці, але поки набагато краще вміє вимірювати її активність, ніж її економічний результат.

Причому це стосується не лише покупців.

Бо є ще одна сторона, яка, схоже, вже навчилася непогано монетизувати те, що відбувається.

Компанія, яка продає вам співробітника

У традиційного програмного забезпечення була доволі проста роль. Воно продавало людям інструменти. CRM допомагала продавцю продавати. Система підтримки допомагала оператору відповідати клієнтам. Середовище розробки допомагало програмісту програмувати.

Програмне забезпечення з ШІ-агентами починає претендувати на іншу частину бюджету.

Не лише на бюджет програмного забезпечення.

На фонд оплати праці.

Salesforce Agentforce уже перетворився на велике й швидкозростаюче джерело регулярної виручки. Sierra продає агентів для клієнтського сервісу й експериментує з оплатою за результат, коли клієнт платить не за місце в інтерфейсі й навіть не за токени, а за виконану роботу. У цьому є набагато глибша зміна бізнес-моделі, ніж чергова нова функція в CRM.

Раніше розробник програмного забезпечення говорив роботодавцю: «купіть наш інструмент для ваших десяти працівників».

Тепер він може сказати: «можливо, вам не потрібні десять працівників».

Якщо ця логіка справді масштабується, постачальники ШІ-агентів отримують доступ до ринку, який набагато більший за традиційний ринок підписок на програмне забезпечення. Вони починають продавати не засіб виробництва роботи, а саму здатність цю роботу виконати.

По суті, працю як послугу.

Але й у продавців є проблема. Традиційний SaaS любив активних користувачів. Вартість того, що клієнт натиснув кнопку у вашому застосунку ще сто разів, зазвичай була мізерною. У програмного забезпечення з ШІ-агентами кожна додаткова дія має реальну обчислювальну собівартість.

Успішний користувач може стати дорогим користувачем.

Тому ринок гарячково експериментує зі способами оплати: за токени, за дії, за вирішене завдання, за результат, через пакети кредитів і різні гібридні моделі. Якщо клієнт платить за використання, значна частина ризику непередбачуваних витрат залишається в нього. Якщо він платить за результат, ризик переїжджає до продавця: агент може зробити п’ять зайвих спроб, звернутися до дорогої моделі, помилитися, повторити все знову, а замовник усе одно хоче заплатити лише за вирішену проблему.

І тут виникає кумедне запитання, якого класичний SaaS майже не знав:

Хто має оплачувати роздуми машини, якщо ці роздуми ні до чого не привели?

Тому величезна регулярна виручка компаній, які продають ШІ-агентів, ще не означає такого ж величезного прибутку. Уже досить добре видно, скільки грошей приносить цей новий ринок. Набагато складніше зрозуміти, скільки зрештою залишається у продавців після оплати обчислювальних ресурсів і роботи моделей.

Тобто навіть найочевидніші переможці поки не розкрили всю економіку свого нового бізнесу.

Куди поділася колишня зарплата

Тепер уявімо максимально спрощену ситуацію. Раніше компанія витрачала $100 000 на рік на працівника. Після автоматизації значна частина тієї самої роботи виконується за $20 000 додаткових технологічних витрат.

На папері з’явилося $80 000.

Але ці гроші не зникли й не обов’язково повністю стали прибутком роботодавця. Частина йде компанії, яка продає платформу з ШІ-агентами. Частина — розробнику базової моделі. Далі в ланцюжку стоять хмарна та обчислювальна інфраструктура. Часто додаються інтеграція, спостереження за системою й безпека. Можливо, з’являється дорожчий старший спеціаліст, який тепер контролює кількох цифрових виконавців. Те, що залишилося після всього цього, справді може перетворитися на додатковий прибуток компанії.

А людина, чию роботу автоматизували, у цьому новому ланцюжку виявляється єдиним учасником, якому частка за замовчуванням не належить.

Тому суперечка про продуктивність ШІ поступово перетворюється на суперечку про розподіл дивіденду від ШІ.

Якщо технологія робить суспільство продуктивнішим, хто отримує приріст? Працівники — через зарплати й вільний час? Споживачі — через нижчі ціни? Компанії — через прибуток? Акціонери — через зростання вартості бізнесу? Постачальники ШІ — через плату за використання?

З економічного погляду цілком можливий сценарій, у якому ШІ створює справжню величезну цінність, а становище значної частини працівників водночас погіршується. У цьому немає математичного протиріччя. ВВП і ваша зарплата ніколи не були одним і тим самим показником.

Особливо добре це видно, якщо подивитися на інші країни.

Один цифровий працівник, дві протилежні проблеми

Американська дискусія про ШІ дуже швидко зводиться до запитання «хто втратить роботу». У Японії той самий агент потрапляє в економіку з протилежною проблемою: працівників фізично не вистачає.

Японські компанії дедалі частіше обговорюють ШІ через 人手不足 — хронічний дефіцит робочої сили. У таких умовах цифровий співробітник може бути не способом прибрати людину з платіжної відомості, а способом виконати роботу, на яку компанія взагалі не змогла знайти людину.

Meiji Yasuda Life активно інвестує в розгортання генеративного ШІ та розвиток власних фахівців, а японський ринок загалом дедалі частіше розглядає ШІ як інструмент компенсації дефіциту робочої сили.

Технологія та сама.

У Каліфорнії її використання може означати: «ми не будемо наймати ще п’ятьох».

У Японії: «слава богу, нам не треба знайти ще п’ятьох».

Це важлива противага спробам побудувати одну універсальну мораль навколо ШІ. Соціальний результат автоматизації залежить не лише від можливостей моделі. Він залежить від демографії, ринку праці, вартості людського часу, інститутів і того, наскільки сильно економіка взагалі потребує додаткових людей.

У Південній Кореї виникає третя версія цієї історії. Там дуже високий рівень індивідуального використання ШІ, але корпоративна перебудова помітно відстає. Банки починають впроваджувати агентів у документообіг і кредитні процеси, вивільняючи десятки тисяч людино-годин, однак ці години планують спрямовувати не на скорочення робочого тижня, а на додаткову роботу з клієнтами й продажами.

В Іспанії дослідження фінансового сектору показують ще одну межу автоматизації: клієнти готові приймати участь ШІ, поки все йде нормально, але коли виникає проблема, бажання говорити з людиною різко зростає. В одному з недавніх опитувань 60% іспанських клієнтів заявили, що не стали б оформлювати банківський продукт без участі людини, а в разі проблеми 85% віддали б перевагу спілкуванню з людиною. Тут людський працівник виявляється не дорогим пережитком старої моделі, а частиною продукту — носієм довіри.

Транзакцію можна автоматизувати.

Довіру автоматизувати значно складніше.

Хто виграє зараз

До кінця серпня 2026 року картина вже достатньо ясна, щоб відмовитися від двох крайнощів. Масового знищення людської зайнятості агентами поки немає. Але й говорити, що все це — чергова хвиля галасу без реального впливу на роботу, вже не виходить.

Для людей, яких ШІ напряму витіснив із конкретних ролей, результат очевидний. Вони втратили дохід і місце в організації.

Для людей, яких не найняли, ситуація ще менш помітна, але потенційно масштабніша. Стиснення штату, додаткові бар’єри перед відкриттям вакансій і вища планка для стартових позицій можуть стати головним трудовим ефектом найближчого етапу.

Для людей, які залишилися, картина подвійна. Вони отримують інструменти, здатні різко підвищити індивідуальну продуктивність, і водночас більше відповідальності, контролю та складних винятків. Їхня цінність може зростати, але жодних гарантій, що разом із нею пропорційно зростають зарплата або вільний час, я поки не бачу.

Менеджери стають особливо цікавою групою. Частина управлінських рівнів може зникнути, зате керівники, які залишаться, отримають значно більший обсяг відповідальності: більше людей, більше процесів і поступово дедалі більше цифрових виконавців. Менеджер майбутнього може виявитися не людиною, яка керує десятьма людьми, а людиною, яка керує п’ятьма людьми й п’ятдесятьма машинами — і все одно відповідає, якщо одна з них зробила щось дурне.

У компаній-покупців результати поки відрізняються драматично. Одні отримують реальну економію й можливість зростати без пропорційного збільшення фонду оплати праці. Інші бачать зростання активності, але не можуть пов’язати його з прибутком. Треті раптом отримують несподіваний рахунок за ШІ або змушені повертати людську роботу, яку надто рано оголосили непотрібною.

Компанії-продавці виглядають найочевиднішими переможцями за виручкою. Але навіть у них питання прибутковості залишається відкритим, тому що цифрова праця має реальну змінну собівартість.

Тому фраза «ШІ виграє, люди програють» майже нічого не пояснює. Насправді нова технологія запускає набагато складніший перерозподіл між різними типами працівників, роботодавцями, постачальниками програмного забезпечення, власниками моделей і капіталом.

І все це лише починається.

Можливо, ми не там шукаємо ШІ-бульбашку

Повернімося до головного страху кінця літа 2026 року.

Коли говорять про ШІ-бульбашку, зазвичай уявляють класичний сценарій. Величезні інвестиції, завищені оцінки, обіцянки, які неможливо виконати, потім різке протверезіння і зникнення капіталу.

Але корпоративний ШІ може пройти перевірку реальністю набагато менш кінематографічно.

Компанії просто почнуть вимикати погані сценарії використання. Обмежувати автономність там, де вона не створює достатньо цінності. Використовувати дешеві моделі для простих завдань і дорогі передові моделі лише там, де додатковий інтелект справді потрібен. Ставити ліміти витрат. Переривати цикли, у яких агент безглуздо повторює ті самі дії. Рахувати вартість не токена, а успішно вирішеного завдання. Повертати звичайний передбачуваний програмний код туди, де модель взагалі не потрібна. І залишати людину там, де ціна помилки перевищує економію.

Це вже відбувається.

Uber не вимкнув ШІ після того, як виявив проблему з бюджетом. Компанія почала керувати споживанням. KPMG не побачила масової відмови від агентів. Вона побачила перегляд темпів впровадження й значно жорсткіше ставлення до витрат.

Можливо, бульбашка справді існує десь в оцінках компаній та очікуваннях від інфраструктурних інвестицій. Але на рівні корпоративного впровадження відбувається не стільки крах, скільки дорослішання.

Технологію просто почали рахувати.

І іноді саме це є ознакою того, що вона перестала бути іграшкою.

Що може змінитися до літа 2027 року

Прогнозувати тут появу штучного надінтелекту не потрібно. Для досить серйозної зміни ринку праці достатньо значно нуднішого сценарію.

Припустімо, що за наступні дев’ять місяців сьогоднішні агенти просто стануть на 30% економічно кращими. Моделі трохи подешевшають. Помилок стане менше. Робота з контекстом покращиться. Компанії навчаться розподіляти завдання між дешевими й дорогими моделями та обмежувати непотрібні звернення до них. Людський контроль стане трохи краще вбудованим у процеси.

Ніякого свідомого надінтелекту.

Просто сьогоднішній цифровий співробітник трохи дешевший, трохи надійніший і трохи простіший в управлінні.

Уже цього може вистачити, щоб змінити рішення про найм наступної людини в багатьох компаніях.

Тому я б не ставив на сценарій, де в першій половині 2027 року по всьому світу одночасно відбуваються масові звільнення офісних працівників. Нинішні дані дають надто мало підстав для такого прогнозу.

Набагато ймовірніше продовження стиснення штатів.

Компанія зростає, але людський штат зростає значно повільніше. Нове навантаження спочатку розподіляється між наявною командою та ШІ. А коли хтось звільняється, компанія дедалі частіше вирішує не наймати нового працівника на його місце. Кілька процесів об’єднуються навколо одного сильнішого спеціаліста й набору агентів. Прямі скорочення з’являються лише там, де економіка такої моделі вже достатньо добре доведена.

Найпомітніший соціальний ефект при цьому може проявитися серед молодих працівників. Якщо компанія здатна взяти одного початківця замість двох і дати йому ШІ, вакансій стає менше, а вимоги до кожного кандидата, що залишився, зростають. За кілька років ця логіка може вдарити вже по самій компанії: досвідчених фахівців не можна нескінченно імпортувати з майбутнього, якщо ви перестали вирощувати людей сьогодні.

Одночасно зростатиме новий клас «операторів цифрової праці». Не обов’язково людей із посадою AI Manager. Швидше звичайних програмістів, аналітиків, продавців, маркетологів і керівників, які поступово виявлять, що значна частина їхньої роботи полягає не в безпосередньому створенні результату, а в організації та перевірці результатів машин.

Головним обмеженням такої організації може виявитися несподівано старомодна річ.

Людська увага.

Обчислювальні потужності можна купити.

А здатність однієї людини відповідати за рішення сотні автономних процесів масштабується значно гірше.

Переможе не найрозумніший агент

Перший етап генеративного ШІ був змаганням моделей. Хто краще міркує, у кого більший контекст, хто перемагає в черговому тесті.

Корпоративному ринку потрібен трохи інший переможець.

Не найрозумніший агент у світі, а достатньо хороший агент із зрозумілою економікою.

Фінансовому директору зовсім не обов’язково знати, що модель набрала на два бали більше в тесті на абстрактне мислення. Йому набагато корисніше знати, що конкретна операція коштує $1,20, у 96% випадків завершується без людини, ще 3% потребують перевірки, 1% передається спеціалісту, а після всіх витрат тисяча операцій економить компанії $430.

У цей момент агент перестає бути магією.

Він стає рядком у бюджеті.

І тоді починається справді цікава фаза.

Бо сьогодні ми все ще переважно питаємо, що вміє ШІ. Яку професію він зможе замінити, скільки коду здатен написати, як довго може працювати автономно.

Але економічне запитання поступово стає іншим.

Кому дістається те, що він зекономив?

Якщо машина вивільнила людині годину, ця година може дістатися самій людині, компанії, клієнту або наступному завданню.

Якщо компанія змогла не найняти ще одного працівника, гроші можуть стати прибутком, піти постачальнику ШІ, розробнику моделі, дата-центру або в зарплату дорожчого фахівця, який контролює машини.

Якщо один працівник тепер здатен обслуговувати вдвічі більше клієнтів, він може стати вдвічі ціннішим. Це зовсім не означає, що його зарплата автоматично зросте вдвічі.

Якщо початківець більше не потрібен, компанія економить сьогодні. Але через кілька років їй усе одно знадобиться досвідчений фахівець, якого хтось колись мав навчити бути початківцем.

Технологія здатна вирішити питання виробництва роботи набагато раніше, ніж суспільство вирішить питання розподілу створеної цінності.

І ця частина проблеми вже не технологічна.

Цифровий співробітник уже тут

Мабуть, це найважливіше, що я виніс із усієї цієї історії.

Ми більше не обговорюємо гіпотетичний світ, де ШІ колись увійде до складу робочої сили.

Він уже увійшов.

Просто перший етап виглядає набагато менш драматично, ніж фантазували й оптимісти, й песимісти.

Не мільйони людей одночасно виходять з офісів із коробками. Десь компанія не відкриває чергову вакансію для початківця. Десь менеджер отримує ще кілька процесів. Десь програміст працює з десятком агентів. Десь працівнику підтримки залишаються тільки найскладніші дзвінки. Десь фінансовий директор уперше бачить звіт про витрати токенів. А десь Salesforce або Sierra перетворюють чужу економію людської праці на власну виручку.

Поки ми не отримали ані обіцяного світу, де ШІ забирає рутину, а люди займаються винятково творчістю й ідуть додому раніше, ані масового безробіття, яке останні роки пророкують найпохмуріші сценарії.

Відбувається щось менш ефектне і, можливо, важливіше.

Змінюється ціна людської праці відносно цифрової.

Сьогодні цифровий співробітник усе ще доволі дорогий, непередбачуваний, час від часу помиляється й потребує нагляду. Це залишає людині величезний економічний простір.

Але я не впевнений, що це постійна перевага.

Тому до середини 2027 року мені буде цікавіше дивитися не на черговий тест можливостей моделей і навіть не на кількість нових ШІ-моделей. Я дивитимуся на нудніші цифри: скільки компаній перестало наймати людей на місце тих, хто пішов, скільки вакансій для початківців зникло, скільки процесів припадає на одного працівника, що залишився, скільки коштує людський контроль і який відсоток ШІ-проєктів уже здатен показати справжній прибуток після всіх витрат.

Бо найважливіше запитання наступного етапу, можливо, звучить не «чи замінить ШІ людину?».

Воно звучить набагато приземленіше.

Що станеться, якщо працівник, якому не потрібні зарплата, відпустка й сон, стане ще на третину дешевшим — а компанії нарешті навчаться правильно рахувати його вартість?

Тоді ми й дізнаємося, чи був 2026 рік початком чергової технологічної бульбашки.

Чи першим роком, коли новий вид праці тихо з’явився в корпоративній бухгалтерії.

Джерела та дослідження

Нижче — основні первинні дослідження, корпоративні матеріали та журналістські джерела, на які спирається стаття.