Насколько генеративный ИИ реально двигает экономику и каков видимый эффект? Почему исследовать это именно сейчас, что делается в мире и почему РФ нужно быть в этой повестке, почему тема требует серьёзных технологий ИИ, при каких условиях компания может за это взяться, и кому в РФ это нужно — как это «продать»?
Отчёт опирается на 75 отобранных строк из трёх поисковых массивов (мировая доказательная база, Россия, технологический фронтир), период данных в основном 2023–2026, состояние на 15 сентября 2026 года. В массиве есть дубли одних исследований на разных страницах, поэтому строки не считаются независимыми подтверждениями. Каждая цифра ниже помечена по строгости: причинная оценка, наблюдаемая связь или прогноз.
Открылось редкое окно для исследования механизма трансляции «качество модели → изменение задачи → перестройка процесса → производительность фирмы → макроэффект». Возможности моделей растут скачками: frontier-модели прибавили 30 п.п. за год на Humanity’s Last Exam — бенчмарки, рассчитанные на годы, насыщаются за месяцы (hai.stanford.edu).
Одновременно цена падает: инференс уровня GPT-3.5 подешевел более чем в 280 раз с ноября 2022 по октябрь 2024 (hai.stanford.edu), а цена заданного уровня качества снижается в 5–10 раз в год (arxiv.org).
Но между демонстрацией и P&L остаётся разрыв: 95% пилотов без финансового эффекта против +14–34% в строгом эксперименте — этот парадокс и есть исследовательский вопрос.
Ставки высоки для рынка труда: по ILO каждый четвёртый работник в мире занят в профессии с некоторой экспозицией к GenAI, а 3,3% мировой занятости — в максимальной категории (ilo.org). Вопрос уже касается навыков, неравенства и политики.
Частные AI-инвестиции в США достигли $285,9 млрд в 2025 году (hai.stanford.edu). Наблюдательные данные PwC связывают AI-экспозицию с ростом выручки на сотрудника +27% против +9% и премией к зарплате +56% (pwc.com). При этом разрыв между использованием людьми (53%), внедрением фирмами (13,9% в OECD) и финансовым результатом — ключевая черта момента.
Среди всех организаций ИИ используют около 4,8–6% (2024), расходы крупных и средних организаций — 90,3 млрд руб. (ict.moscow). Среди крупных компаний GenAI хотя бы в одной функции применяет 71% (2025, seonews.ru). Это не противоречие, а разрыв между всеми организациями и крупным бизнесом. Прогноз Яков и Партнёры/Яндекса — 7,9–12,8 трлн руб. годового эффекта к 2030 году, до 5,5% прогнозного ВВП — именно прогноз, не факт (yakovpartners.ru). IMF предупреждает: выгоды зависят от готовности страны и доступа к данным и технологиям — отставание в диффузии может закрепить разрыв (elibrary.imf.org).
Экономический результат требует серьёзного стека: сильная базовая или отраслевая модель, RAG и доступ к корпоративным знаниям, агентная оркестрация, интеграция с ERP/CRM/документооборотом, защищённый контур, управление доступами, мониторинг качества и стоимости, русскоязычные и отраслевые тесты, human-in-the-loop и причинное измерение эффекта.
Провалы пилотов подтверждают это: их убивают хрупкая интеграция в процессы, разрозненные данные и игнорирование unit economics, а не качество моделей (shaam.blog).
Рядом с удешевлением инференса стоят ограничения: цена запуска frontier-моделей растёт в 3–18 раз в год из-за роста моделей и reasoning-нагрузки (arxiv.org); энергия становится жёстким лимитом масштабирования (webpronews.com); почти все передовые чипы производит одна фабрика TSMC (hai.stanford.edu); стандартные бенчмарки насыщаются за месяцы и слабо предсказывают экономическую ценность.
Пользователь не назвал конкретную компанию, поэтому условие сформулировано как чек-лист. Браться разумно при наличии минимум трёх активов:
Дополнительные преимущества: существующие клиенты, отечественная облачная или on-prem инфраструктура, ML/интеграционная команда, контур ИБ. Опора на данные: проекты с заранее определёнными количественными метриками успеха достигают успеха в 54% случаев против 12% без них (aitechconnect.in). Масштабировать — только после подтверждённого unit economics.
Продавать не «ещё одну LLM» и не абстрактное исследование, а систему измерения и извлечения экономического эффекта от GenAI — например, российскую обсерваторию/платформу GenAI Productivity: отраслевые бенчмарки, аудит процессов, защищённые пилоты, причинная оценка ROI и промышленный контур внедрения.
Коммерческий язык: «стоимость и качество операции», «срок окупаемости», «снижение дефицита компетенций», «защищённость и технологический суверенитет».
Выбрать 2–3 повторяемых трудоёмких процесса. Зафиксировать KPI до запуска: время цикла, стоимость операции, throughput, ошибка/качество, выручка или предотвращённый риск. Согласовать доступ к данным и владельца процесса с бюджетом.
Внедрение с контрольной группой или поэтапным раскатыванием (дизайн, аналогичный NBER-эксперименту). RAG на корпоративных знаниях, human-in-the-loop, мониторинг качества и стоимости на операцию.
Сравнить KPI с контролем, посчитать unit economics и срок окупаемости. Масштабировать только подтверждённые сценарии; неподтверждённые — закрыть или перепроектировать процесс.
| Блок | Метрика | Вывод | Источник |
|---|
Метод: 75 отобранных строк из трёх поисковых массивов — мировая доказательная база (25), Россия (25), технологический фронтир (25); период данных в основном 2023–2026, состояние на 15 сентября 2026 года. Числа — производительность, внедрение, инвестиции, стоимость инференса и прогнозы эффекта — взяты из строк без пересчёта; причинные оценки, наблюдаемые связи и прогнозы помечены раздельно и не складываются. В массиве есть дубли одних исследований на разных страницах; в лестнице показаны 12 ключевых оценок, полный список — в таблице. Тексты выводов сокращены для места.