Реальное влияние ИИ на бизнес: парадокс Джевонса, скрытые расходы и развенчание мифов о массовых увольнениях
Вокруг влияния искусственного интеллекта на корпоративный сектор сложились две крайности. Сторонники одной утверждают, что ИИ уже завтра заменит миллионы офисных сотрудников, лишив людей работы. Оппоненты же считают ИИ переоцененной игрушкой, неспособной повлиять на экономические показатели. Истина, как показывают исследования внедрения ИИ-технологий в 2026 году, гораздо сложнее.
Реальный экономический эффект складывается из нескольких факторов: паники вокруг увольнений, использования ИИ как корпоративного прикрытия, парадокса Джевонса и жестких бюджетных ограничений, связанных со стоимостью обработки данных (токенов).
Увольнения из-за ИИ: миф против реальности
Прогнозы о скором и полном замещении людей искусственным интеллектом не оправдываются на макроэкономическом уровне. Даже лидеры индустрии смягчили свои прежние заявления. Глава OpenAI Сэм Альтман признал, что ожидал более быстрого вытеснения линейных специалистов умственного труда. Он даже поделился личным опытом: попытка полностью делегировать ИИ ведение своей почты и ответы в Slack провалилась из-за ограничений в сквозном понимании контекста — пришлось вернуться к ручной обработке. Руководитель Anthropic Дарио Амадеи, ранее предупреждавший об угрозе сокращения до 50% офисных рабочих мест, теперь подчеркивает, что автоматизация лишь трансформирует задачи, расширяя круг обязанностей сотрудников.
Корпоративные сокращения в таких гигантах, как Block (компания Джека Дорси), Meta, Pinterest или Duolingo, которые в прессе часто связывали с внедрением ИИ, имеют иную природу. Главный экономист инвестиционной компании Apollo Торстен Слок (Torsten Slok) констатирует: на макроуровне нет никаких доказательств массовой безработицы, вызванной ИИ (подробнее см. в анализе TechRadar об увольнениях и ИИ).
Напротив, бум инвестиций в ИИ стимулирует наем специалистов по обработке данных, инженеров и строителей дата-центров. Увольнения в технологическом секторе — это скорее коррекция раздутых штатов эпохи нулевых процентных ставок. ИИ в этих процессах часто служит удобным объяснением (scapegoat) для инвесторов, маскирующим плановую реструктуризацию затрат.
Парадокс Джевонса и «средний слой» работы
В экономике ИИ наглядно проявляется парадокс Джевонса: по мере того как технология становится более эффективной и дешевой, её совокупное потребление растет, а не падает. Снижение стоимости одной вычислительной задачи открывает дорогу множеству процессов, которые раньше было экономически невыгодно автоматизировать.
ИИ показывает выдающиеся результаты в так называемом «среднем слое» работы:
- Старт (креатив, постановка задачи): требует участия человека для промптинга, формулирования целей и сбора контекста.
- Середина (обработка, черновики, кодинг): отлично автоматизируется с помощью LLM, ускоряя генерацию кода или текстов в разы.
- Финал (проверка, деплой, внедрение): снова требует человека для верификации фактов, тестирования работоспособности и интеграции в бизнес-процессы.
Поскольку ИИ значительно удешевляет и расширяет средний слой, общее количество задач возрастает. В результате у людей появляется больше работы по их инициации и последующей валидации.
Экономика токенов: Uber и скрытые расходы
Главным сдерживающим фактором на пути бесконтрольного внедрения ИИ становится стоимость вычислений. Руководители компаний начинают осознавать, что ИИ-активность не тождественна бизнес-результату.
Ярким примером послужил инцидент в компании Uber. Руководство поощряло сотрудников использовать ИИ во всех процессах, устроив внутренние соревнования. В результате, как сообщает издание TechCrunch, компания полностью исчерпала годовой бюджет на использование ИИ всего за четыре месяца (подробнее в материале TechCrunch об ограничениях бюджетов Uber). Операционный директор Uber Эндрю Макдональд поднял вопрос о том, что гигантские объемы сжигаемых токенов никак не коррелируют с выпуском полезных для клиентов продуктовых функций. Компании пришлось ввести жесткие spend-лимиты.
Для оптимизации расходов бизнесу приходится переходить к прагматичному выбору моделей под конкретные задачи, анализируя юнит-экономику:
- Флагманские тяжелые модели (например, Claude Opus 4.8) стоят дорого — $25 за 1 миллион выходных токенов (в соответствии с официальными тарифами Anthropic). Их использование оправдано только при сложном логическом синтезе или аудите кода экспертного уровня.
- Рабочие альтернативы (например, DeepSeek v4-pro) стоят в разы дешевле — $0.87 за 1 миллион выходных токенов при цене входящих токенов от $0.0036 (с учетом кэширования) до $0.435 (см. документацию по тарифам DeepSeek API).
- Простые задачи фильтрации и извлечения данных выгоднее переводить на быстрые модели (например, DeepSeek v4-flash по цене $0.28 за 1 млн выходных токенов) или обычные программные скрипты.
Практический кейс: оптимизация учета компании в Дубае
Эффективность точечного использования ИИ доказывают реальные кейсы оптимизации рутинных процессов без увольнения ключевых специалистов. Предприниматель Давид Ондрей поделился опытом автоматизации учета своей компании в Дубае.
- Задача: разобрать накопившиеся за два года первичные документы и сопоставить около 4 000 запутанных транзакций.
- Первичное предложение: бухгалтерские фирмы запросили за аудит, сверку и налоговую отчетность около 42 000 дирхамов (AED), что эквивалентно примерно $7 000.
- Решение: предприниматель нанял квалифицированных юристов только для высокоответственных задач — проверки налогового структурирования и финального подписания деклараций. Техническую рутину по сопоставлению транзакций выполнили через API Claude, загрузив туда выписки и правила.
- Экономический эффект: затраты на API составили незначительную сумму, а чистая экономия превысила 30 000 дирхамов (около $5 000).
Этот кейс иллюстрирует здоровый подход к автоматизации: ИИ забрал на себя механическую работу по сопоставлению данных, сохранив за людьми интеллектуальный контроль и правовую ответственность. Финансовый учет и налоговое законодательство — зоны высокого риска, и попытка полностью исключить из них профессиональных бухгалтеров ради экономии на лицензиях может привести к крупным штрафам.
Интеграция ИИ в бизнес дает окупаемость (ROI) только тогда, когда компания перестает заниматься имитацией прогресса («AI-washing») и начинает тщательно считать стоимость каждого токена, распределять задачи по классам моделей и сохранять человеческий контроль на этапах постановки целей и валидации результатов.