Сотрудники, использующие ИИ, сообщают, что он экономит им около 11 часов в неделю — больше четверти рабочей недели — и при этом лишь 13% говорят, что их организация работает значительно лучше благодаря ему (Glean Work AI Index, 2026). Поставьте эти два числа рядом. Экономия времени реальна и велика. Бизнес-результат почти отсутствует. Этот разрыв — самый важный вывод года о продуктивности ИИ, и это не ошибка измерения. Это место, куда уходят часы.
Они уходят в то, что исследователи Glean назвали: ботситтинг. В опросе 6000 штатных цифровых работников в США, Великобритании и Австралии — проведённом с исследователями из Stanford, UC Berkeley и Harvard — работники сообщили, что в среднем тратят 6,4 часа в неделю на надзор за ИИ-инструментами, их исправление, переформулирование промптов и уборку за ними (Glean / BusinessWire, 2026). Это почти полный рабочий день каждую неделю, потраченный на присмотр за инструментом, который должен был этот день вернуть. Для Head of Operations заголовок не «ИИ экономит 11 часов». Он звучит так: «ИИ экономит 11 часов и тихо выставляет вам счёт на 6 из них — и вы, вероятно, не учитываете ни те, ни другие».
Число, которое должно вас остановить: 11 часов на входе, 13% на выходе
Большинство бизнес-обоснований ИИ строятся на первом числе и молча предполагают второе. Обещание — сэкономленные часы на лицензию, умноженные на штат, занесённые как высвобожденная мощность. Work AI Index разрушает эту арифметику одной строкой: 75% работников умственного труда говорят, что ИИ повышает их продуктивность, но лишь 13% утверждают, что он значительно улучшил показатели их компании (CIO Dive, 2026). Индивидуальная продуктивность ощущается почти повсеместно. Организационные показатели сдвигаются примерно у одной компании из восьми.
Соблазн — прочитать эти 13% как проблему внедрения: мало лицензий, мало обучения, дайте ещё квартал. Данные говорят об обратном. Внедрение уже высокое; ощущаемая продуктивность уже есть. Чего не хватает — так это преобразования индивидуальной экономии времени в работу, которую организация может реально использовать. Часы экономятся за столом и теряются в системе. Head of Operations, финансирующий следующий транш лицензий на основании числа в 11 часов, покупает больше того ресурса, который уже не конвертируется.
Вот дисциплина, которой требует это число: перестать измерять ИИ часами, которые люди заявляют как сэкономленные, и начать измерять его работой, которую организация сдала и которую раньше сдать не могла. Первая метрика — самооценка и лесть. Вторая — единственная, которую когда-либо увидит ваш отчёт о прибылях и убытках.
Что такое «ботситтинг» на самом деле
Ботситтинг — это негламурный труд по превращению вывода ИИ в пригодный к использованию: дать инструменту недостающий контекст, проверить его ответы, отладить ошибки, перезапустить промпты, переключаться между системами, чтобы собрать то, что он сам собрать не смог, и переписать уверенно-но-неверный материал, который он выдаёт. Формулировка Glean прямая — на каждый час, который сотрудник тратит на получение полезного вывода от ИИ, он тратит ещё один, чтобы сделать его пригодным (CIO Dive, 2026). При 6,4 часа в неделю ботситтинг съедает около 37% всего времени работы с ИИ — чуть больше, чем работники тратят собственно на использование ИИ для дела (AIwire, 2026).
Цена — не только потерянные часы. Это то, что происходит, когда люди перестают их платить. Отчёт называет второе поведение — ботшиттинг — сдачу сгенерированной ИИ работы, которую сотрудник на деле не проверил. Индикатор раннего предупреждения — в доле проверки: лишь 69% работников говорят, что проверяют рекомендации ИИ (CIO Dive, 2026). Читайте это как реестр операционных рисков, а не любопытный факт. Примерно три из десяти выводов ИИ попадают в ваш рабочий продукт без человеческой проверки. Часть из них в порядке. Часть — те самые уверенно-но-неверные ответы, ради перехвата которых и существует ботситтинг, теперь текущие прямо в клиентский результат, прогноз или документ комплаенса. Часы, которые ваша команда экономит, не делая ботситтинг, не исчезают; они превращаются в скрытую переработку и риск ошибки, всплывающие позже, ниже по потоку и дороже.
Почему больше лицензий и больше обучения промптам бьют мимо цели
Инстинктивные реакции на разочаровывающее внедрение ИИ — купить больше лицензий или научить людей лучше формулировать промпты. Обе бьют мимо того, что Work AI Index называет связывающим ограничением. Заголовок самого отчёта называет его: нехватка контекста съедает выгоды (Glean / BusinessWire, 2026). Узкое место не в том, насколько искусно работник формулирует запрос. Оно в том, может ли ИИ дотянуться до информации, нужной для хорошего ответа — документов, систем учёта, институционального знания, запертого в инструментах, к которым его так и не подключили.
Это переформулирует всю проблему. Идеально обученный составитель промптов, запрашивающий ИИ, не видящий релевантных данных, всё равно получит поверхностный, общий или неверный ответ — а затем потратит час ботситтинга, восстанавливая вручную контекст, до которого инструмент не дотянулся. Лучшие промпты не закрывают разрыв доступа; они лишь производят более складные запросы в ту же пустоту. Больше лицензий умножают то же ограничение на больше людей. Рычаг, на который указывает опрос, выше обоих: архитектура информации: какие данные и системы вашему ИИ действительно разрешено и доступно извлекать.
Навык промптов — проблема работника. Доступ к контексту — проблема операций.
Это различие важно, потому что оно перераспределяет ответственность. Будь узким местом навык промптов, решение легло бы на отдельных работников и обучение. Поскольку узкое место — доступ к контексту, решение ложится на того, кто управляет тем, как системы соединяются и что ИИ разрешено читать, — то есть на операции и ИТ, а не на конечного пользователя. Работа по картированию источников данных, демонтажу силосов и укоренению ИИ в реальном корпоративном контексте — именно тот тип межсистемной сантехники, которым управляет Head of Operations и который воркшоп по prompt engineering не может тронуть. Компании, вырывающиеся вперёд, отмечает отчёт, — те, что укореняют ИИ в подлинном корпоративном контексте и измеряют его по бизнес-результатам, а не по числу лицензий.
Уязвимость среднего рынка
Сильнее всего это бьёт по компании со штатом от 100 до 500 человек, и не случайно. У крупных предприятий есть бюджеты на интеграцию данных, внутренние платформенные команды и функция управления, чья задача — соединять системы. Средний рынок управляет более тонким стеком: больше разрозненных точечных инструментов, меньше ответственных за интеграцию и внедрение ИИ, купленное как лицензии, а не построенное как инфраструктура. Налог ботситтинга регрессивен — он тяжелее всего ложится на организации, хуже всего оснащённые, чтобы его увидеть, потому что у них меньше всего инструментов, чтобы заметить 6 часов в неделю, утекающих из календаря каждого пользователя ИИ.
Для операции в 200 человек уязвимость накапливается тихо. Купите 150 лицензий ИИ, отпразднуйте 11 часов, которые каждый заявляет как сэкономленные, и занесите число свыше 1600 часов в неделю «высвобожденной мощности», которая никогда не появляется в выработке. Тем временем те же 150 человек поглощают почти 1000 часов в неделю неучтённого ботситтинга, и около трети их вывода ИИ сдаётся без проверки. Ничего из этого нет на дашборде, потому что внедрение задумывалось как покупка продуктивности, а не как операционное изменение. Впервые это становится видно, когда высвобожденная мощность не материализуется и кто-то спрашивает, куда делся ROI от ИИ.
Аудит перед следующей лицензией
Самый рычажный шаг этого квартала — не новый инструмент и не более крупный контракт. Это аудит того, до чего ваш ИИ реально может дотянуться, проведённый до финансирования следующей лицензии, а не после. Три конкретных шага.
Сопоставьте доступ к контексту с вашей реальной работой. Для горстки задач, где вы больше всего хотите рычага от ИИ, задайте буквальный вопрос: может ли инструмент извлечь документы, записи и системы, к которым обратился бы компетентный человек, чтобы сделать это хорошо? Везде, где ответ «нет», вы локализовали генератор ботситтинга — место, где инструмент выдаст слабый ответ, а человек потратит час на восстановление контекста вручную. Эти пробелы, а не ваши шаблоны промптов, и есть бэклог.
Поставьте измерение ботситтинга и проверки как постоянные метрики. Нельзя управлять издержкой в 6,4 часа в неделю, которую вы не измеряете. Регулярно задавайте пользователям ИИ два вопроса: сколько времени уходит на исправление, переформулирование промптов и сборку вокруг инструмента, и какая доля вывода ИИ доходит до рабочего продукта без человеческой проверки. Первое число — ваша строка скрытого труда. Второе — ваш риск ошибки. Отслеживайте оба, и разговор о ROI от ИИ переходит от анекдота к измерению.
Привяжите следующую покупку к контексту, а не к спросу на лицензии. Прежде чем одобрять новые лицензии, потребуйте ответа: что мы изменили в доступе к данным со времени последнего транша? Если ничего, больше лицензий воспроизведут тот же провал конверсии по более высокой цене. Подключение ещё одной системы учёта к вашим существующим лицензиям принесёт, судя по этим данным, больше, чем удвоение лицензий на том же разрозненном стеке.
Здесь интеллект талантов и операций перестаёт быть категорией инструментов и становится операционной практикой. В Scovai сквозная линия всей нашей работы в том, что решения должны опираться на объективный и прослеживаемый сигнал — и внедрение ИИ не исключение. Инструмент, укоренённый в контексте, который вашей работе действительно нужен, возвращает чистые часы. Инструмент, лишённый этого контекста, возвращает ту же работу, переименованную в надзор.
Решение этого квартала
Вот единственное решение, которое нужно принять до закрытия квартала, и оно не стоит ничего, кроме честности. Возьмите своё внедрение ИИ и ответьте на один вопрос: измеряем ли мы его часами, которые люди заявляют как сэкономленные, или работой, которую организация сдала и которую раньше сдать не могла? Если первое — вы гонитесь за льстивым числом в 11 часов и игнорируете число в 6,4 часа, которое выставляет счёт. Смените метрику, проведите аудит доступа к контексту и выведите ботситтинг и проверку на дашборд, прежде чем одобрять ещё одну лицензию. Компании, относящиеся к ИИ как к покупке, измеряемой числом лицензий, будут и дальше гадать, почему ощущаемая продуктивность не доходит до отчёта о прибылях. Те, кто относится к нему как к проблеме архитектуры информации, найдут обещанные им часы — и перестанут платить налог, которого не видели.
