Хамат Палихапития (Social Capital Research) опубликовал 25 сентября 2026 года разбор «Why AI is booming, but productivity isn't» о том, почему взрывной рост использования ИИ не отражается в статистике производительности. По индексу Ramp, построенному на данных более чем 70 000 американских компаний, медианные расходы на ИИ составляют $12,50 на сотрудника в месяц при средней стоимости сотрудника около $8 500 в месяц, поэтому технология окупает себя уже при росте продуктивности примерно на 0,15%, то есть трёх дополнительных продуктивных минутах в неделю. Вывод автора: барьер сегодня не в цене моделей, а в организации работы, поэтому прибавку получают компании, которые перестроили процессы, а не просто купили те же инструменты.

image

Что произошло

Хамат Палихапития выпустил в Social Capital Research текст «Why AI is booming, but productivity isn't», посвящённый расхождению между массовым внедрением ИИ и стагнацией производительности. Автор опирается на данные индекса Ramp и приходит к выводу, что стоимость инференса перестала быть ограничением: счета за токены он называет «ошибкой округления», а реальные издержки переносит в перестройку процессов и переобучение людей. В подтверждение он приводит эксперимент P&G, в котором один сотрудник с ИИ готовил продуктовые предложения на уровне пары без ИИ, и вывод экономистов MIT о том, что автоматизация окупается, когда ИИ-шаги сгруппированы в цепочку и человек проверяет результат один раз в конце, а не после каждого шага. Третья опора разбора — эксперимент 2026 года на 515 стартапах, где одинаковый доступ к ИИ-инструментам дал очень разные результаты в зависимости от того, как была организована работа.

Контекст

Разбор встраивает сегодняшнюю ситуацию в историю с парадоксом Солоу 1987 года, когда рост использования компьютеров не отражался в статистике производительности: после перестройки работы вокруг компьютеров рост производительности в США ускорился примерно с 1,5% в год в период 1973–1995 годов до примерно 3,3% в 1995–2003 годах. Автор переносит эту логику на ИИ и формулирует проверяемое предсказание: макроэффект будет определяться скоростью внедрения в больших компаниях, а не скоростью прогресса моделей. Причина, по которой технология пока не конвертируется в измеримый рост, по его мнению, организационная: ИИ удешевляет производство отдельных задач, но не сокращает координацию, созвоны и согласования, на которые уходит большая часть корпоративной недели, поэтому высвобожденные минуты обесцениваются.

Почему это важно для индустрии

Для отрасли центральный сигнал разбора в том, что ценность смещается от доступа к моделям к организации работы вокруг них: при таких ценах на инференс доступ коммодитизирован, «ещё одна обёртка над LLM» не защищается ничем, а защищаемым слоем продукта становится управление процессом, где ИИ-операции собраны в контролируемый пайплайн с человеческим ревью. Эксперимент на 515 стартапах показал гетерогенность эффекта: при одинаковых инструментах почти вся прибавка выручки досталась топ-10% фирм, которые перестроили процессы, а группа, просто перенявшая чужие схемы реорганизации, вышла в сумме на 1,9x выручки контрольной группы. Практический вывод для компаний: наводить порядок в процессах до автоматизации по логике 5 шагов Маска — сомневаться в требованиях, удалять, упрощать, ускорять и лишь затем автоматизировать; иначе ИИ не прибавляет, а умножает существующую неэффективность.

Почему это важно для пользователей

Читателю разбор даёт чек-лист, применимый к собственным ИИ-экспериментам. До автоматизации стоит удалять ненужные шаги процесса, объединять ИИ-операции в цепочки с одной человеческой проверкой в конце вместо ревью после каждого шага и не переплачивать за дорогую модель там, где хватает дешёвой. Медианный счёт за инференс по данным Ramp мизерный, поэтому попробовать может почти любая компания или отдельный сотрудник, а пилоты обычно не требуют бюджетных согласований. При этом, как подчёркивает разбор, прибавку приносит перестройка работы, а не сам инструмент, поэтому тестировать имеет смысл не новую модель, а изменённую схему процесса. Стоит учитывать, что полный ROI-плейбук автора закрыт пейволлом.

Что пока неизвестно / ограничения

Разбор остаётся экономической гипотезой с внятной логикой, но пока со слабой воспроизводимостью. Методология эксперимента на 515 стартапах из сжатого пересказа не видна: неизвестны отбор фирм, устройство контрольной группы, длительность наблюдения и определение метрики выручки, поэтому цифру 1,9x не стоит читать как чистый причинный эффект — она неотличима от эффекта селекции, когда прибавку создают изначально более сильные компании, а не перенятые схемы реорганизации. Предсказание, построенное на параллели с парадоксом Солоу, также остаётся гипотезой: его проверочным критерием будет скорость перестройки процессов в больших компаниях, а не темпы развития самих моделей.

Источники

Автор

Look at AI, редакция