Исследователи Ramp Economics Lab и Revelio Labs связали фактически наблюдаемые корпоративные расходы на ИИ — реальные транзакции по картам и оплату счетов, а не ответы в опросах — с кадровыми данными 21 559 американских компаний. Компании из верхнего эшелона инвестиций в ИИ увеличили общую численность персонала на 10,2% за два года после внедрения, а численность позиций начального уровня — на 12%. Компании из эшелона низкой интенсивности не показали статистически значимого изменения вообще (Ramp Economics Lab, 2026).
Не меньший прирост. Ноль.
Именно этот контраст заслуживает внимания, и именно его не подхватили заголовки. Интересен не тот результат, что внедрение ИИ и наём джуниоров могут расти вместе. Интересно, что само внедрение не объяснило ничего. Всю работу сделала интенсивность.
Исследование измеряло расходы, а не ощущения
Почти всё, что операционный руководитель читает о внедрении ИИ, — самооценка. Кто-то опрашивает руководителей, руководители описывают собственную зрелость, и полученная кривая отражает уверенность не меньше, чем реальное развёртывание. Проблема измерения хорошо задокументирована — вы, вероятно, видели её у себя: лидеры оценивают ИИ-возможности компании заметно выше того, что подтверждают данные о развёртывании.
Дизайн Ramp–Revelio обходит эту проблему. Расходы на ИИ взяты из записей корпоративных карт и платежей поставщикам Ramp — деньги, которые реально ушли из компании, — и связаны с кадровыми записями Revelio Labs по тем же фирмам. Затем компании были классифицированы как внедренцы высокой или низкой интенсивности по расходам на ИИ на сотрудника в первые три месяца после внедрения, а их занятость отслеживалась дальше (Revelio Labs, 2026).
Эта конструкция определяет, какой вес результат способен выдержать. Никого в выборке не спрашивали, насколько трансформирующей ощущается собственная ИИ-программа. Независимая переменная — бухгалтерская проводка.
Это, по утверждению авторов, первое исследование, связывающее расходы на ИИ на уровне отдельной фирмы с данными о занятости в таком масштабе (Ramp Economics Lab, 2026). Для операционного руководителя это разница между цифрой, под которую можно планировать, и цифрой, которую можно только цитировать.
Интенсивность — это переменная, и ведёт она себя как порог
Поставьте два эшелона рядом — форма результата необычна.
Внедренцы высокой интенсивности: +10,2% общей численности за два года, +12% позиций начального уровня, причём прирост проявляется постепенно и широко распределён по функциям — инженерия, продажи, администрирование, клиентский сервис (Ramp Economics Lab, 2026). Внедренцы низкой интенсивности: ничего, что статистически отличалось бы от полного отсутствия внедрения.
Если бы инвестиции в ИИ давали отдачу примерно пропорционально расходам, от нижнего эшелона следовало бы ожидать небольшого положительного эффекта — приглушённого, зашумлённого, но присутствующего. Его нет. Зависимость не линейна, и полумеры не проходят половину пути.
Читайте это как операционное ограничение. Скромный бюджет, тонко размазанный по одиннадцати подразделениям, — не уменьшенная версия серьёзной программы. По этим данным это другая категория деятельности, и в кадровых данных она не проявляется вовсе.
Это должно переформулировать сам бюджетный разговор. Стандартная позиция среднего рынка — немного ИИ в каждую функцию, чтобы никто не чувствовал себя обойдённым и ни одна ставка не могла никого поставить в неловкое положение, — это ровно профиль эшелона низкой интенсивности. Это портфель, построенный для минимизации сожалений, и он не возвращает ничего измеримого.
Цифра по джуниорам противоречит «канарейке»
12% попадают в середину активного спора, и стоит быть точными в том, что они решают, а что нет.
Stanford Digital Economy Lab, работая с зарплатными данными ADP, зафиксировал относительное снижение занятости примерно на 13% среди работников в начале карьеры в профессиях, наиболее подверженных влиянию ИИ, — результат «канарейки в шахте», сформировавший значительную часть нарратива о начальных позициях в 2025–2026 годах (Stanford Digital Economy Lab, 2025).
Оба вывода могут быть верны одновременно, потому что они измеряют разные объекты. Stanford отслеживает профессии: внутри подверженных ИИ профессиональных категорий молодые работники потеряли позиции. Ramp отслеживает фирмы: внутри компаний, интенсивно инвестирующих в ИИ, численность джуниоров выросла. Часть ролей сокращается в экономике, пока часть компаний нанимает больше начинающих сотрудников, чем раньше. Агрегированная профессиональная экспозиция и интенсивность инвестиций на уровне фирмы — разные оси, и операционный руководитель находится на второй.
И это практически полезное прочтение. Вы не контролируете, подвержен ли задачный профиль вашей отрасли влиянию ИИ. Вы контролируете концентрацию инвестиций своей компании — и именно эта переменная, по данным уровня фирмы, сдвинулась.
Соблазн — выбрать исследование, подтверждающее уже готовый план. Сопротивляйтесь. Честный синтез уже и полезнее: экспозиция задаёт давление на роль, а интенсивность инвестиций, по-видимому, определяет, врастёт ли организация в это давление или сожмётся под ним.
Контраргумент: это может быть отбор
Самое сильное возражение против результата Ramp содержится в самом исследовании и заслуживает прямого изложения, а не сокрытия.
Авторы прямо указывают: внедренцы ИИ — не случайная выборка. Это уже более крупные, более инженерно насыщенные, чаще венчурно финансируемые и быстрее растущие компании, чем невнедренцы. Отраслевой прирост концентрируется в секторе Information (Ramp Economics Lab, 2026).
Это реальная проблема для наивного причинного прочтения. Быстрорастущие, хорошо капитализированные софтверные компании много тратят на ИИ и много нанимают, и общим драйвером может быть просто то, что они выигрывают. При такой трактовке высокие расходы на ИИ — симптом расширения, а не его причина, и промышленно-сервисная компания на 220 человек, купившая больше лицензий, не унаследует эти 12%.
Две вещи сохраняют полезность вывода даже после такой скидки. Во-первых, исследование отслеживает изменения внутри фирм до и после внедрения, а не грубое сравнение внедренцев с невнедренцами — рост приходит после расходов, по постепенной кривой. Во-вторых, и это для ваших целей решающее: нулевой результат в эшелоне низкой интенсивности отбором не объясняется. Эти фирмы тоже решили внедрять. У них тоже были бюджет, спонсорство и намерение. Они потратили меньше на сотрудника и получили статистически неотличимый ноль.
Поэтому относитесь к 12% как к направленному и контекстно связанному результату. А к нулю — как к переносимому уроку.
Что правдоподобно отделяет 12% от нуля
Здесь доказательная база тоньше, и я хочу чётко обозначить, где заканчиваются данные.
Исследование Ramp измеряет интенсивность расходов и результаты по занятости. Оно не идентифицирует механизм — оно не может сказать, что фирмы высокой интенсивности сделали с деньгами такого, чего не сделали фирмы низкой интенсивности. Кто утверждает иное, домысливает.
Лучшие доступные свидетельства о механизме приходят из другого источника. State of AI 2025 от McKinsey показал, что, хотя подавляющее большинство организаций сообщает об использовании ИИ, лишь меньшинство фиксирует значимое влияние на EBIT на уровне предприятия — и что практика, сильнее всего связанная с организациями, получающими отдачу, — это фундаментальная перестройка рабочих процессов вокруг технологии, а не её развёртывание поверх существующих процессов (McKinsey, 2025). Это корреляция из опроса с самооценкой, а не причинная оценка, и взвешивать её следует соответственно.
Соединив оба источника с должной осторожностью, получаем правдоподобную картину: устойчиво высокие расходы на сотрудника — это то, как перестройка процессов выглядит в бухгалтерии. Перепроектировать движение работы через функцию стоит интеграционных усилий, работы с данными и процессного времени — и это проявляется как крупный концентрированный счёт. Купить лицензии и не тронуть процесс — дёшево, и именно поэтому это даёт низкоинтенсивную сигнатуру и нулевой результат.
Я держала бы это как рабочую гипотезу, а не как вывод. Измерено следующее: концентрация расходов предсказывает рост численности, распылённость не предсказывает ничего.
Три шага до следующего бюджетного цикла
Измеряйте интенсивность, а не внедрение
Большинство отчётов по ИИ в среднем сегменте считает лицензии, активных пользователей и охваченные подразделения. Ни одна из этих величин не является переменной, которая сдвинулась в исследовании. Посчитайте расходы на ИИ на сотрудника — и считайте их по функциям, а не по компании в целом: общий средний показатель скрывает, ведёте ли вы одну серьёзную программу или девять косметических. Обычно выясняется, что итог выглядит прилично, тогда как каждая отдельная функция сидит в эшелоне низкой интенсивности.
Концентрируйте, а не распределяйте
Если распылённость не возвращает ничего, вывод для распределения неудобен, но ясен: тот же бюджет, сосредоточенный в одной-двух функциях, — принципиально иная ставка, чем тот же бюджет, размазанный по девяти. Выбирайте функции, где окружающий процесс действительно можно перестроить — где вы владеете потоком от начала до конца и можете изменить маршрутизацию работы, а не только то, как она формулируется. Финансируйте их всерьёз, а остальные сознательно оставьте без бюджета.
Политически это будет тяжелее, чем предполагает таблица. У каждого руководителя функции теперь есть строка расходов на ИИ, и её изъятие читается как суждение об этой функции. Стройте аргумент на данных: наполовину профинансированный пилот — не меньшая победа, это ноль с прикреплённой бюджетной строкой.
Явно свяжите ИИ-обоснование с обоснованием найма
Рефлекторная рамка — инвестиции в ИИ как способ избежать найма — не то, что произвели фирмы высокой интенсивности в этом наборе данных. Они выросли, в том числе на начальном уровне (Ramp Economics Lab, 2026). Переносится ли это на вашу отрасль, вопрос действительно открытый, учитывая концентрацию в секторе Information. Но стоит назвать это допущение в собственном бизнес-кейсе, потому что «это заменяет три найма» и «это позволяет нам взять больше работы командой, которую мы строим» с первого дня порождают разные решения по внедрению, разные инвестиции в обучение и разную внутреннюю политику.
Одно решение
Выгрузите расходы на ИИ за последние четыре квартала и разбейте их по функциям и численности. Затем задайте один вопрос: есть ли в этой компании хоть одна функция, реально попадающая в эшелон высокой интенсивности, или мы распределили серьёзный бюджет по девяти несерьёзным программам?
Если верно второе — а для большинства операционных руководителей среднего рынка так и будет, — лечение не в увеличении денег. Оно в сокращении числа ставок.
Компании в этом наборе данных, нарастившие численность, включая наём джуниоров, не были теми, кто внедрил ИИ раньше или с наибольшим энтузиазмом. Это были те, кто сконцентрировал. А те, кто не получил ничего, не были теми, кто остался в стороне, — это были те, кто размазал слишком тонко.
