Рабочий документ Atlanta Fed от марта 2026 года, основанный на опросе почти 750 корпоративных руководителей, только что присвоил число тому, что большинство операционных руководителей среднего рынка тихо замечали в собственных пилотах: прирост производительности ИИ реален, но он меньше при измерении, чем при восприятии — и разрыв достаточно широк, чтобы авторы прямо назвали его парадоксом производительности (Atlanta Fed, 2026). Этот парадокс — не артефакт измерения. Это эмпирический отпечаток более глубокой проблемы развёртывания — той, что на кривой, представленной экономистом Скоттом Каннингемом Совету Федеральной резервной системы 27 марта 2026 года, имеет конкретное название: зона опасности, где ИИ-усиленный результат падает ниже базовой линии до-ИИ (Forbes, 2026).
Для Head of Operations в компании 50–500 FTE, решающего в этом квартале, какие ИИ-пилоты масштабировать, рамка зоны опасности переформулирует вопрос планирования: с сколько времени мы можем сэкономить на где ИИ сжимает время, не размывая суждение, производящее точность. Среднерыночное ИИ-развёртывание, которое чисто масштабируется в 2027, — это то, в котором эта калибровка проводится явно. Большинство пилотов в текущей работе её не проводит.
Парадокс производительности Atlanta Fed, количественно
Документ Atlanta Fed (Working Paper 2026-4) — самое чистое межфирменное чтение влияния ИИ на производительность из доступного в открытом доступе. Ведущий автор Саломе Басландзе с коллегами провели опрос в конце 2025 и начале 2026, собирая ответы преимущественно от CFO через панель Duke/Federal Reserve CFO Survey, дополненную членами Financial Executives International (Atlanta Fed, 2026). Три вывода важны для операционной функции.
Во-первых, внедрение широкое, но неравномерное. Более половины опрошенных фирм инвестировали в ИИ, при этом наибольший измеренный прирост производительности сосредоточен в высококвалифицированных услугах и финансах. Сегмент среднего рынка — это именно та когорта, которая ещё наращивает инвестиции; значит, решения по развёртыванию, принимаемые в этом квартале, задают траекторию производительности на остаток 2026.
Во-вторых, приросты положительные, но скромные. Улучшения производительности труда чётко видны в данных, но существенно варьируются между секторами. Авторы ожидают усиления приростов в течение 2026, но основной уровень — на момент полевой работы — заметно ниже цифр, циркулирующих в вендорских презентациях и консалтинговых прогнозах.
В-третьих — и это несущий вывод — воспринимаемые приросты обгоняют измеренные. Руководители систематически сообщают о больших ИИ-обусловленных улучшениях производительности, чем подтверждают базовые данные. Авторы интерпретируют это как задержку реализации выручки. Это также, что более неудобно, эмпирическая подпись пилотов, которые ощущаются продуктивными изнутри, тогда как извне результат пока не проявился как устойчивый, измеримый прирост.
Разрыв «воспринимаемое-vs-измеренное» такого масштаба — это предусловие зоны опасности, которую назвал Каннингем.
Кривая Каннингема и механизм за падением
27 марта 2026 года Скотт Каннингем — экономист Бэйлора — выступил перед Советом Федеральной резервной системы и сделал то, чего большинство экономистов не делают: он использовал ИИ в прямом эфире во время доклада, чтобы воспроизвести ключевое исследование об иммиграционных настроениях, скачав 305 000 речей Конгресса через ИИ-агента за одиннадцать долларов (Forbes, 2026). Содержание презентации, помимо демонстрации, — функция производства: формальная экономистская кривая, отображающая инвестиции человеческого времени в когнитивный выпуск, построенная как до ИИ, так и после.
У кривой две важные особенности. Первая: пост-ИИ-кривая лежит выше до-ИИ-кривой на каждом уровне человеческой вовлечённости — ИИ поднимает потенциальный выпуск повсюду. Вторая: когда инвестиция человеческого времени падает ниже критического порога, пост-ИИ-кривая выпуска пересекает уровень ниже до-ИИ-базы. Каннингем называет это зоной опасности: областью, где технология, которая должна была сделать работника продуктивнее, на практике сделала его менее продуктивным, чем он был бы без ИИ вовсе.
Механизм прост. До ИИ человеческое время и машинное время были комплементарными — оба требовались для производства когнитивного труда, как кухня требует и повара, и печи. По мере роста машинной способности входы всё больше становятся субститутами. Экономика толкает к угловому решению: вся машина, никакого человека. Но когнитивный выпуск требует суждения — той тихой, плохо инструментируемой прослойки, что ловит правдоподобно звучащую ошибку ИИ, что знает, какой из трёх драфтов клиент действительно отработает, что формулирует задачу достаточно точно, чтобы ИИ стал полезен изначально. Срежь эту прослойку слишком агрессивно — и выпуск перестаёт быть пригодным. Пилот продолжает выдавать поставочные результаты; просто результаты больше не делают ту работу, что делали раньше.
Зона опасности не гипотетична. Это операционное объяснение разрыва «воспринимаемое-vs-измеренное» Atlanta Fed. Пилоты внутри зоны опасности производят выпуск, который ощущается быстрее — потому что он действительно быстрее — и который измеряется хуже, поскольку прослойка суждения истончена за пределы точки, где выпуск ещё держится.
Стена 13%: когда аутсайдеры заимствуют домены инсайдеров через ИИ
Отдельный рабочий документ Harvard Business School от сентября 2025 авторства Явора Божинова, Эдварда Макфаулэнда III и соавторов количественно описывает конкретную версию этого падения. В контролируемом исследовании в IG Group, мировом дериватив-трейдере, исследователи попросили три группы — 12 веб-аналитиков (профессиональных инсайдеров, обычно пишущих инвестиционный контент компании), 26 специалистов по маркетингу (смежных аутсайдеров) и 40 разработчиков ПО (далёких аутсайдеров) — произвести инвестиционные статьи при стандартизованном по всем трём группам доступе к ИИ (HBS, 2025).
Маркетинговые специалисты с ИИ выпустили статьи почти такие же хорошие, как у веб-аналитиков. Разработчики ПО — столь же способные эксплуатировать ИИ-инструмент — выпустили статьи, отстающие от веб-аналитиков на 13% по ясности и компетентности, даже при полной ИИ-поддержке. Исследователи назвали эффект GenAI Wall: потолок горизонтального переноса экспертизы, который ИИ не растворяет.
Для операционной функции вывод неудобнее, чем кажется по заголовку. Имплицитное обещание большинства ИИ-развёртываний уровня воркфлоу — что ИИ сглаживает разницу между специалистами и универсалами, что универсал с хорошей моделью может выполнять работу специалиста. Данные HBS говорят, что сглаживание частичное. ИИ сжимает разрыв между инсайдерами и смежными аутсайдерами. Он не закрывает разрыв между инсайдерами и далёкими аутсайдерами. Дельта точности 13% — это то, что появляется в конечном продукте, когда команда использует ИИ, чтобы покрыть работу вне своего реального домена.
В терминах Atlanta Fed разрыв 13% — это конкретный канал, через который воспринимаемые приросты расходятся с измеренными. Презентация пилота показывает, что развёртывание расширило эффективный охват команды. Выпуск, оценённый по компетентности, показывает, что расширение охвата пришло с измеримой ценой точности.
Что это значит для среднерыночной операционной функции
Среднерыночные паттерны ИИ-развёртывания, дрейфующие в зону опасности, разделяют узнаваемую структуру. Обычно есть воркфлоу, отнимавший время у старшего, экспертного по домену члена команды. Пилот заменяет время старшего на более младшего товарища плюс ИИ-инструмент. Cycle time падает. Headcount на воркфлоу падает. Пилот сообщает чистый прирост эффективности.
Произошли две вещи, которые инструментарий пилота не фиксирует. Первое: прослойка суждения старшего — та часть, что ловила небольшие, но последствные ошибки, — истончена. Второе: младший товарищ был вытолкнут в работу, для которой он не смежный, а далёкий профессиональный аутсайдер. Парадокс Atlanta Fed и стена 13% Божинова — оба активны в одном и том же пилоте. Board pack показывает зелёный показатель. Работа тихо переместилась в зону опасности.
Диагностика, которая это ловит, — не метрика производительности. Throughput будет выглядеть нормально. Cycle time будет выглядеть нормально. Ловящая это диагностика — это аудит качества, проведённый по выпуску ИИ-усиленного воркфлоу, тем старшим, кто раньше делал работу, на выборочной основе. Если старший последовательно отмечает ошибки, которые до-ИИ-версия воркфлоу не произвела бы, пилот в зоне опасности — независимо от того, что говорит дашборд throughput.
Большинство среднерыночных пилотов этот аудит не проводят. Старший, чьё суждение было инструментально критичным, по дизайну пилота больше не в петле относительно ежедневного выпуска. Ставка ошибок поэтому не видна изнутри воркфлоу. Она видна только снаружи — через эскалации клиентов, доработку вниз по потоку или задержанный сигнал качества, отстающий от отчёта о производительности на один-три квартала.
Контр-аргумент: «Наши пилоты показывают приросты, а не потери»
Естественное возражение от операционного руководителя, ведущего успешные ИИ-пилоты, — что эта рамка зоны опасности преувеличена. Метрики пилота положительны. Команда сообщает об удовлетворённости. Клиент не жаловался.
Данные Atlanta Fed — именно контр к этому возражению. Через почти 750 фирм типичный сообщаемый паттерн — положительные воспринимаемые приросты производительности и измеренный прирост меньше воспринимаемого. Сигнал удовлетворённости пилота не оспаривается. Разрыв между тем, что команды сообщают, и тем, что подтверждают статистики производительности, — это то, что данные называют парадоксом. Пилот, показывающий положительные воспринимаемые приросты, согласуется с — а не опровергает — нахождением внутри зоны опасности.
Второй контр-аргумент существеннее: зона опасности — функция дизайна пилота, а не самого ИИ, и зрелые пилоты могут её избежать. Это правильное прочтение. Кривая Каннингема — не вердикт об ИИ. Это карта, где живёт прирост производительности — и где, на той же кривой, прирост инвертируется. Вопрос инструментирования для операционной функции — был ли каждый пилот спроектирован так, чтобы приземляться в зоне производительности кривой и оставаться вне зоны опасности, а не сообщает ли пилот положительные числа во втором месяце.
Пилот, не проводивший аудит компетентности, не может сказать, в какой области кривой он работает. Отчёт о производительности необходим, но недостаточен.
Калибровка, которую большинство пилотов никогда не проводит
Единственная калибровка, отделяющая пилот зоны опасности от пилота зоны производительности, структурно проста и операционно редка. У неё три компонента, ни один не требует дополнительного headcount или вендорских расходов.
Делать выборку ИИ-усиленного выпуска с заданной частотой и оценивать её относительно до-ИИ-базового выпуска, используя того же старшего ревьюера, который произвёл бы до-ИИ-версию. Оценка — не «палец вверх/вниз». Это покомпонентная оценка компетентности по элементам, важным для нижестоящего использования воркфлоу — точность, полнота, выбор суждений, обработка крайних случаев.
Явно отслеживать разрыв «воспринимаемое-vs-измеренное», не как число производительности, а как дельту качества. Язык в стиле Atlanta Fed: какая часть сообщаемого прироста пилота — устойчивое измеренное улучшение, а какая — воспринимаемое улучшение, ещё не проявившееся как измеримый результат (Atlanta Fed, 2026)?
Определить порог stop-loss до масштабирования. Если компетентность по выборочному выпуску падает ниже заданной планки — данные HBS подсказывают, что 13% — это примерно нижняя граница того, что появляется при тщательной оценке ИИ-работы далёких аутсайдеров (HBS, 2025) — остановить масштабирование и восстановить инвестицию человеческого времени до восстановления оценки. Это та часть калибровки, которую большинство пилотов не может выполнить, потому что команда уже заложила экономию headcount в план следующего квартала.
Негламурная реальность: калибровка стоит, возможно, 2–5% старшего времени воркфлоу в квартал. Цена не провести её в том, что операционная функция обнаруживает зону опасности через очередь эскалаций клиентов или бэклог доработки вниз по потоку, с лагом в один-три квартала.
Решение этого квартала
Данные PwC и BCG, доминировавшие в разговорах об ИИ-стратегии 2026, утвердили важность позиции бизнес-модели в ИИ-развёртывании. Выводы Atlanta Fed, Каннингема и Божинова теперь утверждают параллельную точку на операционной стороне: позиция развёртывания — это не только куда направлен ИИ. Это насколько тонкой может быть прослойка человеческого суждения, прежде чем ИИ-усиленный выпуск упадёт ниже базы до-ИИ.
Head of Operations не нужно перепроектировать ИИ-портфель в этом квартале, чтобы действовать по этому. Решение уже. Для каждого ИИ-пилота в текущей работе задать один вопрос: идёт ли аудит компетентности по выпуску этого воркфлоу, проводимый тем старшим, кто раньше делал работу, на выборочной основе, с заданным stop-loss? Если ответ нет — пилот в составном чтении Atlanta Fed/Каннингем/Божинов работает без единственного инструмента, отличающего развёртывание зоны производительности от развёртывания зоны опасности.
Парадокс производительности Atlanta Fed — самый дисциплинированный эмпирический сигнал, имеющийся сейчас на рынке, о том, что воспринимаемые ИИ-приросты и измеренные ИИ-приросты — не одно и то же. Среднерыночная операционная функция, аудирующая разницу в этом квартале, — это та, что масштабирует ИИ-портфель в 2027 без обнаружения — через эскалации и доработку — что приросты уже размывали базу.
Добавить аудит компетентности к следующему ревью пилота. Инструмент не стоит ничего, чего у операционной функции уже нет. Цена работы без него — то единственное число, которое дашборд производительности не может показать.
