Искусственный интеллект повышает эффективность работы, но это не означает, что вам станет легче? Исследование Беркли опровергает нарратив о 10-кратной производительности в Кремниевой долине

Беркли Хас бизнес-школа отслеживала 200 сотрудников технологической отрасли в течение девяти месяцев и обнаружила, что инструменты ИИ не уменьшают объем работы, а скорее порождают «многопоточную» высокоинтенсивную рабочую модель, при которой когнитивная нагрузка и риск выгорания растут синхронно.
(Предыстория: Раскрытие «x402»: переосмысление доверия к платежам в эпоху ИИ, путь к следующему поколению машинной цивилизации)
(Дополнительный фон: Важность X402 для стабильных монет в платежах)

Содержание статьи

• Вечно juggling: новый ритм работы
• От лаборатории к реальному миру
• Проблема не в ИИ, а в отсутствии обучения его использованию
• Стресс-тест нарратива об ИИ
• Перезагрузка десятилетий рабочих привычек

Если за последний год вы читали любой инвестиционный меморандум в технологической сфере, скорее всего, встречали похожие сценарии: ИИ значительно повышает производительность, позволяя сотрудникам делать меньше, но достигать большего, что приводит к росту прибыли компаний, а человечество наконец-то сможет тратить время на «более креативную» работу.

Этот сценарий звучит очень привлекательно. Но проблема в том… он может быть ошибочным.

Два ученых из Хас бизнес-школы Университета Калифорнии, Аруна Ранганатхан и Синци Мэгги Йе, опубликовали в «Harvard Business Review» исследование, продолжавшееся девять месяцев. С апреля по декабрь 2025 года они отслеживали 200 сотрудников американской технологической компании, наблюдая за изменениями в поведении после внедрения инструментов ИИ в повседневную работу.

Вывод очень прямой: ИИ не уменьшает работу, ИИ усугубляет её.

Вечно juggling: новый ритм работы

Исследовательская команда обнаружила, что внедрение ИИ не привело к сокращению задач или уменьшению рабочего времени. Напротив, оно создало совершенно новый ритм — «многопоточную» работу.

Конкретно: сотрудники одновременно пишут код вручную и позволяют ИИ генерировать альтернативные версии; запускают несколько ИИ-агентов для обработки разных задач; даже возвращаются к давно заброшенным проектам, потому что «всё равно ИИ работает в фоновом режиме».

На первый взгляд, это повышение производительности: количество одновременно выполняемых проектов увеличилось, скорость выполнения — тоже. Но по наблюдениям исследователей, реальная картина такова:

«Постоянное переключение внимания, частая проверка результатов ИИ и всё увеличивающийся список дел создают когнитивную нагрузку и ощущение постоянной juggling — даже если сама работа кажется продуктивной».

Другими словами, сотрудники действительно делают больше, но и устают сильнее. И это та усталость, когда «кажется, что ты очень эффективен, а после работы чувствуешь себя опустошенным».

От лаборатории к реальному миру

Данные исследования взяты из корпоративных структур, но за их пределами аналогичные модели тоже проявляются.

Известный разработчик Саймон Уиллисон в своем блоге поделился этим исследованием и признался, что его опыт полностью совпадает с выводами. Как один из самых активных практиков использования больших языковых моделей (LLM), он давно делится своим рабочим процессом с помощью ИИ. Он отмечает, что одновременно ведет два-три параллельных проекта и объем выполненной работы значительно вырос.

Но цена — он устаёт за один-два часа.

Он также заметил, что у коллег появляется похожая модель: кто-то, думая «еще один prompt — и всё», пишет до трех часов ночи, что сильно влияет на качество сна. Это ощущение больше похоже на игру, в которую нельзя сохранить прогресс — ты знаешь, что пора остановиться, но следующий ход так заманчив.

Когда научные данные и личный опыт совпадают, это уже не случайность, а структурный феномен.

Проблема не в ИИ, а в отсутствии обучения его использованию

Самое важное открытие исследования — не в том, что «ИИ делает людей уставшими», а в причине: организации не создают структурных правил для использования ИИ.

Большинство компаний при внедрении ИИ просто покупают лицензии, создают аккаунты и дают сотрудникам PDF с «лучшей практикой», ожидая, что они сами разберутся. Это всё равно, что поставить турбированный двигатель на велосипед и сказать «разбирайся сам».

Авторы исследования советуют: компании должны разработать официальные рамки практики ИИ, четко определить, в каких сценариях его использовать, а в каких — нет, и как отличить «настоящий рост эффективности» от «просто усилий без результата».

Стресс-тест нарратива об ИИ

Давайте расширим выводы исследования в более широкий контекст.

За последний год «повышение производительности с помощью ИИ» стало одним из ключевых драйверов оценки технологических компаний. От Nvidia до Microsoft, от OpenAI до стартапов в области ИИ — вся индустрия строится на предположении, что ИИ увеличит продуктивность каждого знания работника в 2–10 раз, что позволит компаниям делать больше за меньшие ресурсы и повысит прибыльность.

Но если гипотеза Беркали верна — что ИИ не уменьшает работу, а делает её более утомительной — тогда эта оценочная модель требует пересмотра.

Повышение производительности и увеличение рабочей нагрузки — это разные вещи. Первое снижает издержки и повышает прибыль, а второе — в краткосрочной перспективе увеличивает выпуск, но в долгосрочной — ведет к выгоранию, росту текучести и ухудшению качества.

Если применить выводы Беркали к бизнес-моделям, то эффект ИИ может заключаться не в росте прибыли, а в перераспределении затрат: повышении расходов на обучение, психологическую поддержку и замену кадров.

Конечно, ИИ ценен — он очевидно есть. Но его ценность может заключаться не в «делании меньшего», а в «делании другого». А «другое» не обязательно означает «легче».

Перезагрузка десятилетий рабочих привычек

Исследование также поднимает важный вопрос — период адаптации. Уиллисон отметил, что в статье.

Современные рабочие нормы: как распределять внимание, как измерять эффективность, как определять «рабочий день» — формировались десятилетиями. Внезапное распространение ИИ в 2023–2025 годах — это как за два года переучить всю экономику знаний.

Это переобучение не происходит автоматически. Оно требует осознанного организационного проектирования, обновления восприятия руководства и, самое главное, признания, что «больше результатов» и «лучшая работа» — это два совершенно разных понятия.

Силиконовая долина любит говорить о «10-кратных инженерах» — тех, кто показывает сверхвысокие показатели. Обещание ИИ — сделать каждого «10-кратным». Но это исследование показывает: возможно, мы получим не 10-кратную эффективность, а 10-кратную усталость… Что думаете вы?