Время для ИИ, чтобы оправдать обещания о перевороте на работе и росте экономической эффективности, стремительно уходит; и если окупаемость инвестиций продолжит отставать, рынки могут столкнуться с неприятным сюрпризом, предупреждает один из ведущих экономистов.
Торстен Слок, влиятельный главный экономист Apollo Global Management, в недавнем посте в блоге отметил нарастающий разрыв в AI-продуктивности: по сути, заметные эффекты проявляются у технологических компаний, но не у большинства Fortune 500.
По словам Слока, отдельные отрасли — прежде всего софт и техсектор — действительно способны быстро встраивать ИИ в процессы, однако для основной части экономики внедрение идет медленно. Регуляторные ограничения, защита данных и интеграция в существующие рабочие потоки требуют времени и усилий, поэтому структурные приросты производительности проявляются не сразу, а обещанной окупаемости инвестиций пока почти не видно. Слок допускает, что эффект появится — но позже. И к тому моменту биржевой ажиотаж может уже сдуться, потому что рынок заложил отдачу «здесь и сейчас», а не «когда-нибудь потом».
«Ключевая проблема — это длина пути до ROI за пределами технологического сектора», — сказал Слок. «Если ожидания по прибыли сегодня не совпадут со сроками, которые реально нужны компаниям, чтобы получить ROI от ИИ-инвестиций, это может серьезно повлиять на оценки многих AI-компаний уже сейчас».
Слок ссылается на данные Bloomberg и Macrobond: несмотря на рост маржинальности «Великолепной семерки» примерно с 15% до 25% между первыми кварталами 2023 и 2026 годов, у остальной части S&P 493 маржа держится около 10%. Похожую картину показывает и Bloomberg 500 Index: он следует динамике S&P и остается примерно на уровне 12% прибыли за тот же период.
Больше всего Слока тревожит сценарий, при котором этот разрыв продолжит расширяться, а внедрение ИИ и рост продуктивности будут буксовать. Нашумевшее и спорное исследование MIT, опубликованное в прошлом году, показало: лишь 5% компаний получили ощутимую отдачу от пилотных проектов с генеративным ИИ. Экономист Apollo предупреждает: если ожидаемые доходы (то есть текущие рыночные цены) будут и дальше опережать реальную прибыль, рынки могут пережить «болезненную переоценку», способную замедлить ИИ-бум.
«Иными словами, компании начнут снижать расходы на ИИ, если не увидят ROI достаточно быстро», — сказал он.
Где именно заметны слабые показатели окупаемости ИИ в экономике?
Крупнейшие компании США уже сталкиваются с препятствиями на пути массовой автоматизации. Показательный пример того, насколько важна человеческая экспертиза для реальной отдачи от ИИ: Ford наняла 350 инженеров-«седых бород» — ветеранов отрасли, включая бывших сотрудников, — чтобы обучать молодых специалистов и перенастраивать инструменты ИИ, которые работали неэффективно. Автопроизводитель продолжает разворачивать системы компьютерного зрения на 33 заводах по всему миру: более 1 000 камер выполняют миллионы проверок на конвейере, однако компания признала, что технология остается недостаточно результативной без человеческого контроля.
«Искусственный интеллект — потрясающий инструмент, но он настолько хорош, насколько хороши данные, на которых вы его обучаете», — сказал журналистам в прошлом месяце Чарльз Пун, вице-президент Ford по инженерии аппаратной части автомобилей. «В предыдущие годы мы уделяли меньше внимания, чем следовало, опыту наших самых компетентных инженеров, прошедших с нами многие циклы разработки продуктов».
Ford действует в русле компаний вроде IBM, которая сократила тысячи рабочих мест в прошлом году на фоне увеличения расходов на облачные сервисы. В марте корпорация заявила, что утроит найм на стартовые позиции в США во всех бизнес-направлениях, утверждая, что в «ИИ-первой» среде потребуется больше работников.
На текущем этапе человеческий труд во многих случаях обходится значительно дешевле, чем инструменты автоматизации, в которые компании вливают капиталы, что дополнительно ставит под сомнение производительные преимущества ИИ на рабочем месте. Вице-президент Nvidia по прикладному глубокому обучению Брайан Катандзаро ранее в этом году заявил, что стоимость ИИ по-прежнему заметно выше затрат на людей; это признание совпало с эпохой tokenmaxxing, когда техкомпании вроде Meta стимулировали использование ИИ через внутренние таблицы лидеров, из-за чего сотрудники применяли технологию «ради галочки», одновременно раздувая расходы.
По оценке Слока, гонка за наиболее эффективным расходованием токенов скорее демонстрирует, что бизнес пытается «выжать» из ИИ окупаемость и не получает устойчивых, измеримых улучшений в работе.
«Компании начнут сокращать траты на ИИ, если не увидят ROI быстро», — сказал Слок. «И нынешний акцент на оптимизацию токенов — ранний сигнал, что внедрение ИИ может оказаться более неровным и медленным, чем ожидается». (Отдельно Слок утверждал, что ИИ создаст больше рабочих мест, а не уничтожит их, став на Уолл-стрит одним из главных сторонников актуальности парадокса Джевонса; также он считает, что ИИ подстегнет рост малого предпринимательства.)
Почему обещанные эффекты ИИ проявляются медленнее, чем ожидалось?
Питер Каппелли, профессор менеджмента в Уортонской школе Пенсильванского университета, одним из первых обозначил проблему, о которой говорит Слок, проведя кейс-стади по Ricoh, цифровой сервисной компании; работа была опубликована в Harvard Business Review. Его вывод прост: многие недооценивают, сколько реальной работы требуется, чтобы довести ИИ до роста продуктивности и ощутимого ROI, как он говорил Fortune ранее в этом году.
«Если вы слушаете людей, которые создают технологию, — сказал Каппелли об ИИ-индустрии, — они рассказывают, что возможно, но не думают о том, что практично».
Разрыв между тем, что ИИ способен делать «в теории», и тем, что можно масштабировать «на практике», подпитывается явлением «AI shame» — давлением, при котором от новых технологий ждут немедленной эффективности, особенно когда усиливается прессинг со стороны инвесторов. Это хорошо видно в компаниях эпохи tokenmaxxing: руководство требует чаще использовать ИИ, но не формулирует ясные сценарии применения и измеримые цели, связанные с этим использованием.
В Boston Consulting Group в недавнем исследовании обнаружили, что внедрение ИИ «просто потому что он есть» может, наоборот, тормозить рост производительности. В отчете консалтинга за 2026 год — Global AI at Work report — опросили около 12 000 сотрудников «первой линии» и выяснили: хотя 42% респондентов сообщили, что регулярное использование ИИ экономит им до восьми часов в неделю, большинство получило мало или вовсе не получило указаний, как распорядиться высвободившимся временем; при этом половина призналась, что не направляет это время на более стратегические задачи.
«Вся эта история с tokenmaxxing, похоже, себя исчерпала, и теперь она довольно сильно бьет по их базе затрат», — сказал Fortune Дэвид Мартин, глобальный руководитель практики People & Organization в BCG. «Многие компании выдали ИИ всем подряд, независимо от роли, и теперь, думаю, они скажут: “Давайте подходить более осмысленно: кому нужен доступ, каков бизнес-кейс и, в конечном счете, достигаем ли мы заявленного результата?”»
На примере Ricoh, по словам Каппелли, когда компания передала ИИ низкоуровневую административную работу по обработке страховых заявлений, проект потребовал около $500 000 на внешних консультантов и еще $200 000 в месяц на ИИ-расходы; в итоге затраты оказались в три раза выше, чем если бы сотрудник выполнял эту административную работу вручную. Сокращение штата было умеренным, отметил Каппелли: с 44 до 39 человек.
В конечном счете Ricoh действительно увеличила продуктивность подразделения втрое, но на это ушло время; и этот пример подчеркивает опасения Слока: рост производительности возможен, однако он достигается ценой больших стартовых вложений — и по деньгам, и по срокам.
«Вот это и есть отдача, — сказал Каппелли. — Но это недешево, и на это ушло чертовски много времени».
Эта история изначально была опубликована на Fortune.com
