6 жовтня 2026 року OpenAI оприлюднила 722 математичні рукописи, об’єднані у 372 родини результатів. Для їхнього створення використовували закриту передову модель. Частина робіт має формальні перевірки, однак математикам ще належить встановити коректність, новизну й наукову вагу багатьох результатів. Їх створено настільки багато, що змістовна перевірка потребує значно більше часу, ніж генерація. Офіційне повідомлення OpenAI.
Уявімо схожу ситуацію в компанії. AI-агенти за тиждень готують стільки програмних функцій, комерційних пропозицій, маркетингових гіпотез і аналітичних звітів, скільки раніше створювали за квартал. Керівник бачить зростання обсягу роботи. Проте клієнт може отримувати готовий продукт із тією самою швидкістю, кількість повернень зростатиме, а прибуток залишатиметься незмінним. Головна змінна прихована між «створено» та «прийнято»: скільки роботи перетворено на надійний результат, за який клієнт платить.
Коли технологічний прорив стає економічним
У серпневому дослідженні McKinsey State of AI 2026 32% респондентів повідомили, що їхні організації відмовилися від придбання принаймні одного програмного продукту чи функції, бо могли створити аналог власними агентними інструментами. Це вже зміна економічного вибору між «купити» та «зробити». Водночас дослідження ґрунтується на опитуванні, а не на незалежній перевірці бухгалтерії компаній. Воно показує тенденцію, але не доводить, що всі учасники стали прибутковішими.
Більш предметні фінансові показники наведені в річному звіті Klarna за 2025 рік. Компанія заявляє, що її AI-помічник обробив близько 80% звернень у клієнтських чатах протягом 2025 року, а економію 2024 року оцінює у 39 млн доларів. Виручка на одного працівника, за її даними, зросла приблизно з 344 тисяч доларів у 2022 році до 1,24 млн у 2025-му. Але цей показник залежить також від масштабу бізнесу, чисельності персоналу, структури продуктів та інших змін. Не можна приписувати весь приріст лише штучному інтелекту. Важливіше те, що компанія вимірює результат і витрати, а не тільки кількість автоматизованих операцій.
Інша картина постала в дослідженні незалежної організації METR. У 2025 році 16 досвідчених розробників виконували завдання у знайомих кодових базах з дозволом або забороною застосовувати AI. З тогочасними інструментами середній час виконання збільшився на 19%, хоча учасники вважали, що працюють швидше. В оновленні за лютий 2026 року METR повідомила про ознаки покращення, але визнала нові оцінки ненадійними через систематичні викривлення вибірки. Отже, старі 19% не можна переносити на сучасні моделі; водночас нові ознаки пришвидшення не є точним універсальним виміром ефективності.
Перед власником постає дослідницьке завдання: відокремити потенціал агентів від економічного результату конкретного процесу. Кількість рядків коду, документів і дій AI-агента є проміжними показниками. Компанія отримує гроші за результат, його якість і надійність.
П’ять показників, за якими можна побачити злам
Маржинальність. Враховувати повну собівартість перевіреного та прийнятого результату: оплату моделей, інтеграцію, ліцензії, роботу контролерів, виправлення помилок, інциденти й підтримку. Якщо конкурент стійко забезпечує порівнювану якість за нижчої собівартості, це підстава переглянути прогноз ринку. Якщо економія зникає після врахування контролю, прискорений сценарій слабшає.
Зайнятість і випуск. Порівнювати виручку або валовий прибуток на працівника з обсягом якісно завершеної роботи. Скорочення штату саме по собі не доводить зростання продуктивності: на цифри впливають аутсорсинг, зменшення бізнесу й зміни продуктового портфеля. Стійка перевага виникає, коли прийнятий випуск зростає без пропорційного збільшення команди та прихованих витрат на підрядників.
Час виведення продукту на ринок. Вимірювати період від схваленої гіпотези до продукту, який реально працює для клієнта. AI може швидше створити прототип, але збільшити час тестування, перевірки безпеки, сертифікації або погодження. Швидкість генерації коду нічого не говорить про повний time-to-market.
Вартість залучення клієнта. AI здешевлює написання маркетингових матеріалів і пошук контактів. Та якщо аналогічний контент одночасно створюють тисячі конкурентів, кількість шуму зростає, а конверсія може падати. Потрібно стежити за CAC, якістю залучених клієнтів, переходом в оплату та окупністю залучення. Вартість одного тексту не відображає економіку продажів.
Вартість перевірки автономної роботи. Слід вимірювати частку результатів, прийнятих без істотних правок, експертний час на один результат, ціну помилки та повторної роботи. Саме тут масштабування може впертися в нове обмеження. OpenAI вже здатна швидко випускати великі масиви математичних текстів, але їхня коректність і значущість залишаються предметом перевірки. Аналогічний розрив можливий у програмуванні, праві, фінансах та управлінні.
Патерн 1. Передбачення: спершу змінюється економіка, потім кількість компаній
Зрушення ринку стає видимим значно раніше за масові банкрутства. Спочатку деякі гравці інакше обчислюють собівартість та строки постачання результату. Згодом покупці змінюють уявлення про прийнятну ціну й швидкість. У традиційного постачальника маржа може зменшуватися до падіння виручки: за той самий контракт доводиться виконувати більше роботи. Нові конкуренти знижують ціну або розширюють цінність пропозиції.
Водночас не існує закону, за яким усі старі компанії зникнуть. Великі гравці здатні швидше масштабувати AI завдяки даним, каналам продажів і фінансовим резервам. McKinsey фіксує вищу частку масштабування агентів серед великих організацій. Особливо вразливі ті, хто продає дорогу стандартну цифрову роботу без іншої важливої для клієнта переваги.
Патерн 2. Використання: перевірити прогноз на економіці власної компанії
Практичний експеримент починається з одного повторюваного процесу та контрольного способу його виконання. Потрібно зафіксувати попередню собівартість, тривалість, частку помилок і задоволеність клієнтів. Потім порівняти ці показники зі схемою, де частину роботи виконують агенти, обов’язково додавши години фахівців на постановку задач та приймання. Якщо протягом трьох послідовних циклів собівартість прийнятого результату зменшується без втрати якості, є підстава розширювати експеримент. Якщо зростає лише кількість чернеток, масштабування зарано вважати виправданим.
Строки перевірки різняться між галузями. Для цифрової послуги можуть вистачити тижні. Там, де є регулювання, значно довше триває оцінка відповідності, відповідальності та безпеки. Один універсальний термін «AI-революції» приховує ці відмінності.
Патерн 3. Створення: галузевий радар замість змагання прогнозистів
Наступний рівень – систематично збирати порівнювані дані, групувати компанії за ринками, реєструвати гіпотези й завчасно визначати умови їх спростування. Для кожного прогнозу потрібні дата, показники, джерела, альтернативне пояснення та термін перегляду. Тоді він стає перевірюваною дослідницькою конструкцією.
Наприклад, гіпотеза «AI-native агентства за два роки суттєво знизять собівартість стандартної аналітики» потребує визначення самої послуги, порівнюваної вибірки компаній і вимірювання витрат на прийнятий звіт. Її спростують стійке зростання витрат на перевірку, відсутність переваги після коригування на якість або брак платоспроможного попиту. Навіть невдалий прогноз підвищує якість наступного рішення, якщо причину помилки збережено.
Це основа для нової категорії продуктів: галузевого радара економічних переходів з історією прогнозів та їх перевірок. Захист від конкурентів виникне лише за наявності якісних порівняльних даних і точнішого прогнозування, ніж звичайний перегляд новин. Самого накопичення посилань недостатньо.
Де шукати заперечення власній гіпотезі
Радар, який збирає тільки підтвердження, з часом перестає бути корисним. Gartner у жовтні 2026 року нагадала свій прогноз скасування приблизно 40% агентних проєктів до кінця 2027 року через витрати, неочевидну бізнес-цінність і слабке управління ризиками. Це ще не встановлений результат, а аналітичний прогноз. Він дає перелік причин провалу, за якими треба спостерігати. Джерело Gartner.
Якщо протягом кількох кварталів частка прийнятих результатів не збільшується, контроль залишається дорогим, а вплив на прибуток відсутній, прискорений сценарій слід переглядати. Якщо ж конкуренти демонструють стійку економію, скорочення строків і збереження якості, ціна зволікання зростає. Рішення власника має залежати від виміряного стану ринку, а не від дати у прогнозі.
Методологічне застереження. Приклади стосуються різних компаній, періодів і типів роботи. Вони пояснюють механізми, але не становлять статистичного прогнозу для всіх галузей. Версія дослідницької гіпотези: 12 жовтня 2026 року.