Пятьдесят два процента работников умственного труда регулярно исправляют сгенерированную ИИ работу, которую произвёл кто-то другой (Adaptavist, 2026). Не свою — коллеги. В том же опросе 2500 сотрудников в пяти странах 42% сообщают, что тратят на проверку ИИ-выдачи больше времени, чем экономят при её использовании. Прочтите эти две цифры вместе — и получите причину, по которой переделка после ИИ не появляется ни в одном бизнес-кейсе: тот, кто записывает экономию, и тот, кто несёт издержки, — разные люди, и часто из разных команд.
Это бухгалтерская проблема прежде, чем технологическая.
Исследование и его отличие
Adaptavist провела опрос в марте 2026 года в Великобритании, США, Канаде, Германии и Испании — 2500 работников умственного труда; публикация продолжает работу 2025 года о цифровой трансформации (Adaptavist, 2026). Отчёт вводит полезный термин: налог на верификацию.
Ключевые цифры:
- 52% регулярно правят сгенерированную ИИ работу коллег
- 42% тратят на проверку ИИ-выдачи больше времени, чем экономят
- 49% говорят, что низкокачественная ИИ-выдача реально тормозит проекты
- 46% говорят, что ИИ сделал их работу более рутинной и менее осмысленной
Последнюю цифру обычно пролистывают. Править машинную выдачу другого человека — неинтересная работа. Она не развивает, редко засчитывается на ревью и невидима для того, кто одобрил инструмент.
Обратите внимание и на то, чего исследование не показывает. Это не антиИИ-данные: 67% тех же респондентов хотят, чтобы организация использовала ИИ шире, 60% считают себя достаточно обученными, 66% говорят, что внедрение объясняли прозрачно (Adaptavist, 2026). Это люди, которым технология нужна; они описывают сбой распределения, а не сбой способностей.
Почему дашборд говорит «да», а время цикла молчит
В среднем бизнесе ИИ почти всегда измеряют по рабочим местам: выданные лицензии, выполненные запросы, самооценка сэкономленных часов, доля внедрения по отделам. Все эти метрики собираются в точке генерации.
Переделка не собирается нигде, потому что происходит в точке получения.
Маркетинг создаёт черновик за девяносто секунд и записывает девяносто сэкономленных минут. Юристы тратят сорок минут на исправление уверенно приведённой неверной ссылки. Дашборд маркетинга честен. Сорок минут юристов попадают в общую строку загрузки, и никто не сводит одно с другим. Повторите это в финансах, операциях, поддержке и продукте — и получите почти универсальную картину отчётности среднего бизнеса: заявленная экономия времени растёт каждый квартал, а время цикла остаётся ровно там, где было.
Три свойства, делающие эти издержки невидимыми
Они пересекают границу. Учёт затрат организован по командам. Издержка, возникающая в одной команде и падающая на другую, не имеет естественного владельца — её не отслеживает ни одна из них.
Это невыставленный счёт за старшинство. Правит обычно более опытная сторона — человек с достаточной экспертизой, чтобы заметить ошибку. Вы платите самые высокие часовые ставки за уборку выдачи, произведённой по самым низким.
О них социально неудобно сообщать. «Я провёл день, исправляя ИИ-черновик коллеги» — неудобная строчка в статус-отчёте, поэтому её записывают как исходную задачу.
Это не тот возврат, о котором вы уже читали
Два соседних результата часто путают с этим, а различие определяет, какой рычаг тянуть.
Work AI Index компании Glean — 6000 цифровых работников, подготовлен с исследователями Stanford, UC Berkeley и Harvard — показал, что ИИ экономит около 11 часов в неделю, тогда как сотрудники сжигают около 6,4 часа на «ботситтинг»: надзор, отладку и переключение инструментов (Glean, 2026). Это возврат у того же работника. Кто экономит время, тот сам его и возвращает, а лечение — доступ к контексту: до чего ваши системы позволяют модели дотянуться.
Рандомизированное испытание METR указало на другой сбой: 16 опытных разработчиков open source, 246 реальных задач в собственных репозиториях. Они прогнозировали ускорение на 24%, задним числом считали, что выиграли 20%, а измерение показало 19% медленнее (METR, 2025). Это сбой восприятия: самооценка экономии ненадёжна даже у экспертов на собственном коде.
Adaptavist описывает третье: латеральный перенос. Не тот же работник, возвращающий себе время, и не ошибочно воспринятый выигрыш, а издержка, покидающая один центр затрат и приходящая в другой. Инструменты контекста этого не решат. Улучшенная самооценка этого не решит. Решит только измерение на границе.
Три результата, к слову, складываются. Если экономия завышена у источника (METR), частично поглощена тем же работником (Glean) и частично экспортирована коллеге (Adaptavist), остаточный чистый выигрыш в типичном процессе среднего бизнеса заметно меньше, чем предполагает любое из исследований по отдельности.
Масштаб: сколько стоит налог на верификацию при 200 FTE
Исследование даёт доли, а не часы, поэтому любая денежная цифра — ваша арифметика, а не Adaptavist. Посчитайте всё равно: аргумент — в порядке величины.
Возьмите компанию на 200 человек, где 120 заняты умственным трудом. Если 52% регулярно правят ИИ-выдачу коллег, это примерно 62 человека. Предположите — консервативно, и именно это допущение стоит проверять, а не принимать на веру — по два часа в неделю на каждого. Получается 124 часа в неделю, около 6400 часов в год, эквивалент трёх штатных позиций, которых вы не нанимали, не закладывали в бюджет и не обсуждали.
Теперь посмотрите, чьи это часы. Правка требует суждения, чтобы понять, что не так, поэтому нагрузка концентрируется на ваших senior-специалистах — тех самых, кого вы назовёте, если спросят, кого труднее всего заменить. Вы тратите три FTE самого дефицитного суждения на уборку, которой нет ни в чьих целях.
Цифра иллюстративна. Упражнение — нет: пересчитайте по своей численности и своей оценке, положите перед тем, кто владеет ИИ-бюджетом, и посмотрите, как быстро разговор перейдёт от числа лицензий к дизайну процессов.
Чего исследование сказать не может
Три ограничения, прямо. Оно основано на самооценке, поэтому 42% — восприятие чистого времени, а не его измерение; работа METR прямо предупреждает, насколько самооценки уплывают. Оно одномоментное: фиксирует март 2026 года и не говорит, растёт налог или снижается. И оно опрашивает работников пяти стран и компаний любого размера, а не операции среднего бизнеса конкретно; направление, вероятно, переносится, величина в вашем контексте не установлена.
Что переживает все три ограничения — структурный тезис: правка пересекает границу, которую не пересекает измерение.
Очевидное возражение и где оно работает
Разумный контраргумент: это трение раннего внедрения. Качество выдачи растёт, нормы ревью зреют, налог падает. Отчасти это верно: первое поколение использования любого класса инструментов несёт премию за исправления, снижающуюся с привычкой.
Оптимизм ограничивают две вещи.
Во-первых, правка связана не столько с качеством модели, сколько с размещением ответственности. Пока генерация дёшева, а ревью дорого, объём растёт до уровня, удобного генератору, а разницу поглощает проверяющий. Лучшие модели поднимают объём так же быстро, как качество.
Во-вторых, есть признаки, что трение скорее институционализируется, чем растворяется. Исследование рынка труда BambooHR 2026 показало: 81% руководителей заявляют о приросте производительности от ИИ, тогда как 49% сотрудников говорят, что ИИ не дал никакой ценности (BambooHR, 2026). Когда непроверенные выигрыши уже заложены в ожидания руководства, работа по исправлению не получает ресурсов — её молча поглощают те, чью эффективность измеряют против того же заявленного выигрыша.
Итак: аргумент о трении работает для величины налога. Для его направления — нет.
Измерять переделку на границе передачи
Четыре шага. Все — изменения измерения или политики; ни один не требует новых расходов.
1. Инструментируйте передачу, а не нажатие клавиш. Выберите два самых объёмных межкомандных процесса и фиксируйте на принимающей стороне три вещи: часы ревью, отклонённые черновики и число кругов до принятия. Шаг ревью уже есть — вы просто его не хронометрируете. Месяц такой практики даёт настоящую цифру чистых часов вместо самооценки.
2. Назначайте владельца ревью до запуска инструмента. Любой ИИ-процесс, пересекающий границу команд, требует поимённого ревьюера и заложенных в бюджет часов. Если ревью никто не финансирует, процесс не готов: вы предлагаете направить незапланированную издержку в неделю коллеги.
3. Сделайте указание происхождения нормой, а не признанием. Одна строка примечания к ИИ-работе, пересекающей границу, — что сгенерировано, что проверено, что нет — стоит отправителю секунд и экономит получателю реконструкцию. Попутно это тихо сдерживает объём: непроверенная массовая выдача становится явно атрибутируемой.
4. Перебалансируйте выборку опрашиваемых. Опросы о внедрении почти всегда идут к генераторам. Спросите получателей: сколько времени в неделю уходит на правку ИИ-работы, которую вы не создавали? Один этот вопрос, заданный senior-специалистам, скажет о реальном ROI больше, чем весь дашборд использования лицензий.
Общая черта всех четырёх: ни один не тормозит внедрение. Они переносят измерение туда, где издержка действительно оседает.
Одно решение на этот квартал
Переделка после ИИ — не погрешность округления, и невидима она не потому, что мала. Она невидима потому, что ваши измерения заканчиваются в момент генерации, а издержка начинается за соседним столом.
Поэтому вопрос не в том, приносит ли ИИ ценность. Он у́же и куда решаемее: в двух самых объёмных межкомандных процессах — кто сейчас занимается правкой, и спрашивал ли его кто-нибудь, сколько это занимает?
Если вы не сможете назвать этого человека до конца недели, у вас не проблема ROI от ИИ. У вас проблема измерения, переодетая в ROI, и она будет говорить вам ровно то, что вы хотите слышать, пока вы не перенесёте счётчик на другую сторону передачи.
