6 октября 2026 года OpenAI опубликовала 722 математические рукописи, объединённые в 372 семейства результатов. Авторы использовали закрытую передовую модель. Часть результатов снабжена формальными проверками, но научному сообществу ещё предстоит установить корректность, новизну и значение многих работ. Объём выпуска оказался таким, что его невозможно содержательно оценить за время, сопоставимое с генерацией. Официальное сообщение OpenAI.
Представим аналогичную ситуацию в обычной компании. AI-агенты за неделю готовят столько программных функций, коммерческих предложений, рекламных гипотез и аналитических отчётов, сколько раньше выпускалось за квартал. Руководитель видит растущий поток результатов. Но клиент не обязательно получает новый продукт быстрее, число возвратов может увеличиться, а прибыль остаться прежней. Самая важная переменная скрыта между «создано» и «принято»: сколько работы удалось превратить в оплаченный, надёжный результат.
Где технологический прорыв становится экономическим
В августовском исследовании McKinsey State of AI 2026 32% респондентов сообщили, что их организации отказались от покупки хотя бы одной программной функции или продукта, потому что могли создать аналог собственными агентными инструментами. Это непосредственное свидетельство изменения логики выбора между «купить» и «сделать». Однако исследование основано на опросе руководителей и сотрудников, а не на проверке бухгалтерских показателей каждой компании. Оно показывает тенденцию, но не доказывает, что все участники стали прибыльнее.
Финансовая сторона заметна в годовом отчёте Klarna за 2025 год. Компания сообщает, что её AI-помощник обслужил около 80% обращений в клиентские чаты за 2025 год, а экономию 2024 года оценивает в 39 млн долларов. Выручка на сотрудника, по данным самой компании, выросла примерно с 344 тысяч долларов в 2022 году до 1,24 млн в 2025-м. Здесь важны оговорки. Показатель выручки на сотрудника зависит также от объёма бизнеса, численности, продуктовой структуры и других преобразований. Отчёт не позволяет приписать всё увеличение исключительно ИИ. Но в нём уже присутствует измерение производственного результата и затрат, а не только впечатление от технологии.
Противоположный пример появился в эксперименте независимой организации METR. В исследовании 2025 года 16 опытных разработчиков выполняли задачи в хорошо знакомых репозиториях с разрешённым или запрещённым AI. При использовании доступных тогда моделей среднее время выполнения увеличилось на 19%, хотя участники полагали, что ускорились. В обновлении февраля 2026 года METR описала признаки улучшения инструментов, но признала результаты нового эксперимента недостаточно надёжными из-за систематического отбора участников. Следовательно, старые 19% нельзя переносить на современные модели, а новые признаки ускорения нельзя выдавать за точно измеренный универсальный выигрыш.
Получается исследовательская задача, которой редко уделяют внимание в прогнозах: технологический потенциал автономной системы необходимо отделять от экономического эффекта в конкретном процессе. Скорость генерации кода, количество написанных документов и число выполненных агентом операций — промежуточные величины. Компания существует за счёт стоимости и качества результата, за который клиент готов платить.
Пять показателей, которые стоит наблюдать
Маржинальность. Измерять полную себестоимость проверенного и принятого результата, включая стоимость модели, интеграции, лицензий, человеческого контроля, исправлений, инцидентов и обслуживания. Если конкурент устойчиво поставляет сопоставимое качество с меньшей себестоимостью, это основание пересмотреть прогноз отрасли. Если экономия исчезает после аудита и исправлений, ускоренный сценарий ослабевает.
Занятость и выпуск. Важны выручка или валовая прибыль на одного сотрудника вместе с объёмом качественно завершённой работы. Сокращение штата само по себе не доказывает повышение производительности: на показатели могут влиять аутсорсинг, сокращение бизнеса и изменение продуктового набора. Настоящий эффект обнаруживается при росте принятого выпуска без пропорционального расширения команды и скрытых подрядчиков.
Время вывода продукта. Измерять период от утверждённой гипотезы до продукта, который работает у клиента и приносит проверяемый результат. AI может ускорить создание прототипа и одновременно увеличить время тестирования, сертификации, проверки безопасности или согласования. Изменение числа строк кода не является показателем time-to-market.
Стоимость привлечения клиента. AI удешевляет производство маркетинговых материалов и поиск контактов. Но если похожие материалы одновременно создают тысячи конкурентов, рекламный шум растёт, а конверсия может падать. Следить следует за CAC, качеством новых клиентов, конверсией в оплату и сроком окупаемости привлечения. Падение стоимости одного текста в отчёте отдела маркетинга ничего не говорит о конечной экономике.
Стоимость проверки автономной работы. Нужны доля результатов, принятых без существенных правок, часы экспертной проверки на один результат, цена ошибки и частота повторной работы. Именно здесь эффект масштаба может превратиться в новую узкую точку. В 2026 году OpenAI сумела выпустить огромный массив математических материалов, но корректность и значимость существенной части остаются предметом профессиональной проверки. Аналогичный разрыв возможен в коде, праве, финансах и управлении.
Паттерн 1. Прогноз: рынок сначала меняет экономику, а потом численность компаний
Сдвиг обычно становится видимым не в день массовых банкротств. Сначала конкуренты начинают иначе рассчитывать себестоимость и сроки поставки результата. Затем покупатели пересматривают ожидаемую цену и скорость обслуживания. Сжатие маржи может появиться у традиционного поставщика ещё до падения выручки: за прежний заказ ему платят столько же, но для сохранения клиента приходится делать больше. Другие игроки получают возможность продавать прежний результат дешевле либо предлагать новый результат в рамках той же цены.
Однако это не гарантирует исчезновения всех прежних компаний. Существующие лидеры могут быстрее масштабировать AI благодаря собственным данным, распределению и финансовым резервам. Исследование McKinsey показывает, что среди крупных организаций доля респондентов, сообщающих о масштабировании агентов, выше, чем среди небольших. Риск сосредоточен там, где компания живёт за счёт дорогого воспроизведения стандартной цифровой работы и не обладает защищённым клиентским преимуществом.
Паттерн 2. Использование: прогноз следует проверять на собственной экономике
Для владельца практический эксперимент начинается с одного повторяемого процесса и контрольной группы. Нужно зафиксировать прежние затраты, срок, процент ошибок и удовлетворённость клиента. Затем сравнить эти величины с вариантом, где часть работы выполняют агенты, обязательно учитывая часы специалистов на постановку задачи и приёмку. Если за три последовательных цикла стоимость принятого результата снижается без падения качества, появляется основание расширять эксперимент. Если агенты увеличивают число черновиков, но не ускоряют выпуск, масштабировать такую схему преждевременно.
При этом разные отрасли находятся в разных фазах. В одних достаточно нескольких недель, чтобы проверить новую структуру разработки или обработки запросов. В регулируемом секторе существенно более длительной может оказаться проверка соответствия, безопасности и ответственности. Универсальный срок «революции» маскирует эти различия.
Паттерн 3. Создание: отраслевой радар вместо соревнования предсказателей
Можно сделать следующий шаг: собирать сопоставимые данные по компаниям, группировать их по рынкам, фиксировать гипотезы и заранее описывать условия опровержения. Для каждого прогноза нужны дата, наблюдаемые переменные, источники, альтернативное объяснение и дата пересмотра. Тогда прогноз становится проверяемой исследовательской конструкцией.
Например, гипотеза «AI-native агентства за два года значительно снизят себестоимость стандартной аналитики» должна сопровождаться конкретным определением «стандартной аналитики», набором компаний и измерением затрат на принятый отчёт. Её опровергнут устойчивый рост расходов на проверку, отсутствие преимущества после поправки на качество или отсутствие спроса на новый формат. Даже невыполнение прогноза повышает качество следующего решения, если причина зафиксирована.
Это потенциальная новая категория услуг: отраслевой радар экономических переходов с проверяемой историей предсказаний. Его преимущество возникнет только при наличии качественных сравнительных данных и точности прогнозов выше простого чтения новостей. Накопление ссылок само по себе барьера для конкурентов не создаёт.
Проверка на ускорение и на задержку
Чтобы радар не превратился в систему подтверждения собственных ожиданий, он обязан искать сигналы против гипотезы. Gartner в октябре 2026 года напомнила о прогнозе отмены около 40% агентных проектов к концу 2027 года из-за растущих расходов, недостаточной бизнес-ценности и слабого контроля рисков. Это прогноз аналитической компании, а не состоявшийся результат. Он указывает, какие причины провала необходимо наблюдать. Источник Gartner.
Если несколько кварталов подряд доля принятых результатов не растёт, стоимость контроля остаётся высокой, а измеримый эффект на прибыль не появляется, прогноз ускоренного перехода нужно корректировать. Если же конкуренты показывают устойчивую экономию, сокращение времени поставки и сохранение качества, бездействие становится всё дороже. Следующее решение владельца должно зависеть от измеренного состояния рынка, а не от даты в заголовке прогноза.
Методологическая оговорка. Приведённые наблюдения относятся к разным компаниям, периодам и видам работ. Они иллюстрируют механизмы, но не образуют единого статистического прогноза для всех отраслей. Версия исследовательской гипотезы: 12 октября 2026 года.
