Трое экономистов ФРБ Сент-Луиса пропустили около 490 000 стенограмм отчётных звонков 5198 публичных компаний США через языковую модель, разметили 910 955 предложений о продуктивности и отсортировали их по времени глагола. Около 95% высказываний о продуктивности, связанных с ИИ, описывали выгоду, которая ещё не наступила. Для высказываний о продуктивности вне темы ИИ этот показатель составил около 75% (ФРБ Сент-Луиса, 2026).
За тот же период совокупная факторная производительность США с поправкой на загрузку выросла на 0,07% за четыре квартала, завершившихся первым кварталом 2026 года.
Вот вся проблема в двух числах. Публичная летопись продуктивности ИИ — это почти целиком летопись ожиданий, а ваш бизнес-кейс по ИИ утверждается на её основании так, будто это летопись результатов.
Бенчмарк, который вы используете, — это время глагола, а не число
Начнём с того, что именно сделало исследование: метод и делает вывод трудно отбрасываемым.
Сердар Озкан, Акаш Кальяни и Николас Салливан взяли стенограммы S&P Global за 2000–2025 годы, отобрали предложения по ключевым словам, затем классификатором Qwen3-3B разметили каждое по трём осям: относится ли оно к ИИ; описывается ли продуктивность как растущая, падающая или неизменная; сформулировано ли высказывание в прошедшем, настоящем или будущем времени. Предложения вне темы продуктивности отбросили. Осталось 910 955 размеченных высказываний (ФРБ Сент-Луиса, 2026).
Получились два распределения, и оба смещены в одну сторону.
По времени: около 95% предложений о продуктивности ИИ обращены в будущее против примерно 75% для разговора о продуктивности в целом. По направлению: около 95% высказываний об ИИ описывают рост продуктивности против примерно 75% вне темы ИИ. Доля тех, где описывается снижение продуктивности из-за ИИ, пренебрежимо мала.
Очевидное возражение — запаздывание фазы ажиотажа: конечно, 2023 год был про амбиции, инструменты были новыми. Данные это не подтверждают. Доля будущего времени стабильна и в 2023-м, и в 2025-м, при том что доля ИИ во всём разговоре о продуктивности выросла почти с нуля до ChatGPT примерно до 15% к концу 2025 года (Fortune, 2026). Два полных года внедрения не сдвинули разговор с «мы будем» на «мы сделали».
Поэтому, когда до вас доходит заявление сопоставимой компании о продуктивности ИИ — в докладе на конференции, в кейсе вендора, в презентации конкурента для инвесторов, — базовая частота говорит: это прогноз. Не ложь и не обязательно ошибка. Прогноз в одежде бенчмарка.
Тот же разрыв виден внутри компании
Если бы находка касалась только языка, обращённого к инвесторам, её можно было бы списать на театр рынков капитала. Но это не так. Опрос финансовых директоров ФРБ Атланты и Ричмонда обнаружил тот же разрыв в закрытых, нерекламных ответах.
Опросив более 700 руководителей в марте 2026 года, исследователи попросили компании самостоятельно оценить влияние ИИ на выпуск на одного работника: ответ — 1,8% за 2025 год и ожидаемые 3,0% на 2026-й. Затем команда посчитала, что следует из собственных цифр тех же компаний — выручки, отнесённой на ИИ, против изменения занятости из-за ИИ, — и получила 0,4–0,8% в промышленности, строительстве и низкоквалифицированных услугах и до примерно 2,2% в финансах (ФРБ Атланты, 2026).
Руководители завысили собственную полученную выгоду в два-четыре раза, опираясь на собственные данные, в конфиденциальном опросе, без аудитории, которую нужно было бы впечатлять.
Это переосмысляет находку по отчётным звонкам. Проблема не столько в раскрытии информации и не в дисциплине IR. Это проблема измерения, и она существует на уровне отдельного операционного руководителя. Авторы обращаются к фразе Солоу 1987 года о компьютерной эре, заметной везде, кроме статистики продуктивности, и параллель заслуженна: два независимых измерения ФРС — текстовое по 5198 компаниям и опросное по более чем 700 руководителям — сходятся к одному выводу с противоположных методологических сторон.
Почему заражение прогнозами тяжелее бьёт по среднему бизнесу
Операционная функция на 50–500 сотрудников подвержена этой асимметрии сильнее, чем крупная корпорация, по структурной причине, никак не связанной с уровнем зрелости.
Разбивка по размеру в опросе финансовых директоров очень наглядна. Около 60% компаний инвестировали в ИИ в 2025 году — примерно 80% крупных и около половины малых, — и более 80% планируют инвестировать в 2026-м. Но суммы расходятся на порядки: около 60% небольших компаний планируют потратить на ИИ в 2026 году менее 20 000 долларов против 14% у крупных, тогда как около 30% крупных планируют более 1 млн долларов против 1% у небольших (ФРБ Ричмонда, 2026).
Компания, тратящая 700 000 долларов, может позволить себе оснастить внедрение измерениями: базовая линия процесса, контрольная группа, время цикла до и после. Компания с бюджетом 18 000 долларов не может и не делает этого. Она покупает лицензии и выводит результат из того, как команда ощущает инструмент.
А значит, средний бизнес непропорционально зависит от внешних бенчмарков именно потому, что не может создать внутренние. А пул внешних бенчмарков на 95% состоит из прогнозов. Чем меньше у вас возможностей измерять, тем больший вес вы придаёте наименее надёжному классу доступных свидетельств. Это и есть ловушка, и она затягивается по мере сокращения бюджетов.
Стоит назвать и эффект второго порядка. Когда заявления сопоставимых компаний оптимистичны, а ваше собственное измерение слабое, разрыв между вашим наблюдаемым результатом и бенчмарком читается как ваш провал исполнения. Операционные руководители отвечают закупкой новых инструментов или перестройкой внедрения, тогда как честный диагноз в том, что сравнение изначально было некорректным. Вы не отстаёте. Вы измерены, а они спрогнозированы.
Прогноз по численности персонала устроен так же
Цифры по занятости из опроса финансовых директоров заслуживают отдельного внимания, потому что именно они с наибольшей вероятностью лежат в вашем плане как нечто решённое.
Совокупный эффект ИИ на занятость близок к нулю. Крупные компании ожидают сокращения персонала на 0,8% в 2026 году; самые малые ожидают роста примерно на 1%. По структуре руководители прогнозируют снижение доли рутинной канцелярской работы на 0,76% к 2026 году и на 2,19% к 2028-му, частично компенсируемое ростом квалифицированных технических ролей, — причём небольшие компании скорее расширят технический штат, чем станут где-либо сокращать (ФРБ Ричмонда, 2026).
Снова обратите внимание на время глагола. Каждая из этих цифр — ожидание относительно 2026 и 2028 годов, произведённое теми же руководителями, которые завысили свою фактическую выгоду по продуктивности за 2025 год в два-четыре раза. Смещение не ограничивается вежливо одним лишь вопросом продуктивности. Если ваш операционный план на 2027 год предполагает сокращение канцелярского персонала, потому что так показывают данные опроса, вы импортировали прогноз от группы с документированной, измеренной проблемой оптимизма — и провели его как плановое допущение.
Где заканчивается доказательная база
Три ограничения, потому что бизнес-кейс, построенный на неверном прочтении этого исследования, рушится так же, как и построенный на ажиотаже.
Обращённость в будущее не равна ложности. Предложение в будущем времени — это высказывание о намерении и ожидании, а не выдумка. Часть этих прогнозов сбудется. Находка касается класса доказательности утверждения, а не его истинности, и правильная реакция — перевзвесить, а не отбросить.
Совокупная СФП — грубый инструмент. Показатель 0,07% относится ко всей экономике и меняется медленно; исторически измеренная продуктивность отстаёт от технологий общего назначения на годы, и выигрыш на уровне отдельной фирмы может быть реальным, пока национальная статистика стоит на месте. Цифра СФП — это контекст для асимметрии прогнозов, а не доказательство того, что никто ничего не получает.
Классификация несовершенна. Разметка времени глагола небольшой языковой моделью почти по миллиону предложений несёт ошибку, а язык отчётных звонков осторожен по своей природе: юридическая проверка подталкивает руководителей к формулировкам о будущем по любой неопределённой теме. Часть этих 95% — артефакт раскрытия информации, а не отсутствие результатов.
Ничто из этого не спасает практику бенчмаркинга. Скорее наоборот: опрос финансовых директоров усиливает вывод. Уберите юристов, аналитиков и стимул произвести впечатление — и руководители всё равно завышают полученную выгоду в два-четыре раза относительно собственных цифр. Асимметрия переживает любую разумную поправку.
Три поля, которые чинят ваш бизнес-кейс по ИИ
Это изменение документации, а не стратегии, и стоит оно одного рабочего дня.
Возьмите каждую инициативу по ИИ, которая сейчас есть в вашем бюджете или воронке. Для каждой потребуйте три поля, прежде чем она пойдёт дальше:
Одна фактически полученная метрика. Не прогнозируемая экономия и не оценка экономии времени на пользователя от вендора. Конкретное операционное число: среднее время обработки, доля с первого прохода, число дней до закрытия, тикетов на сотрудника. Если никто не может её назвать, инициатива — гипотеза, и финансировать и пересматривать её нужно как эксперимент, а не как отдачу.
Её базовая линия до ИИ. Значение этой метрики до появления инструмента с указанием окна измерения. Отсутствие базовой линии — самая частая ошибка: команды начинают измерять в день запуска пилота, из-за чего любое последующее число невозможно интерпретировать. Если базовая линия утрачена, восстановите её по историческим данным, прежде чем тратить ещё один квартал.
Дата измерения. У фактических результатов есть дата измерения. У прогнозов её нет. Одно это поле сортирует ваш портфель быстрее любого фреймворка, потому что утверждение, не способное назвать дату, — не результат.
Затем примените тот же тест к каждому внешнему числу, с которым вы себя сравниваете. Кейс вендора, доклад коллеги по отрасли, презентация конкурента: названы ли фактическая метрика, базовая линия и дата? Находка ФРБ Сент-Луиса предсказывает, что примерно девятнадцать из двадцати не пройдут хотя бы по одному пункту. Такие отправляются в папку с надписью ожидания и перестают влиять на бюджет.
Дисциплина эта невыигрышная, и в этом квартале она сделает вашу программу по ИИ хуже на бумаге. В этом и смысл. Сейчас вы сравниваете свои измеренные результаты с чужими проекциями и называете разницу отставанием. Исправьте сравнение — и обнаружите, что вы не отстаёте: вы просто один из немногих в комнате, кто действительно считает.
Перед следующим решением об инвестициях в ИИ задайте каждому числу в комнате, внутреннему или внешнему, один вопрос: когда это было измерено? Всё, что не может ответить, — прогноз, а прогнозам не место в колонке доказательств бизнес-кейса.
