Эффективность с AI · исследования 2023–2026
282 проверенных источников 2023–2026 годов, сгруппированных по рабочим задачам: что компании внедрили, что получили и где эффекта нет.
Грейд A — рецензируемое исследование, рандомизированный эксперимент или официальная статистика. Грейд B — прозрачный working paper или крупный опрос с методологией. Грейд C — публичный кейс компании или поставщика: реальный пример, но обычно без контрольной группы.
Первая линия, тикеты, автоматизация ответов.
+36%
Что получили
В службе поддержки AI увеличил число решённых обращений в час на 15% в среднем. У сотрудников из нижнего квинтиля по навыкам прирост достиг 36%, а у самых сильных значимого роста производительности не было.
Ограничения
Один поставщик и один тип поддержки; эффект неоднороден по опыту сотрудника и типу вопроса.
-8,2%
Время диагностики -8,2%; длительность чата -5,7%; повторные обращения — без значимого изменения
Что получили
Доступ к AI сократил время определения проблемы на 8,2% и длительность чата на 5,7%; повторные обращения в течение трех дней не изменились. У лучших операторов качество ухудшалось.
Ограничения
AI помогал только на начальной стадии чата; переносимость на другой процесс поддержки ограничена.
51%
Средняя автоматизация 51%; максимум 86%
Что получили
Средняя доля автоматически решенных обращений — около 51%, у лучших внедрений — до 86%; первый ответ сократился с десятков минут до секунд.
Ограничения
Рекламный кейс; результат зависит от базы знаний, тематики и определения «решено».
90%
Решение 80–90%; CSAT до 98%
Что получили
Компания сообщает о 80–90% автоматически решенных обращений при удовлетворенности до 98% и возможности автоматизировать почти 80% задач поддержки и операций.
Ограничения
Выбранные клиенты и собственные определения метрик; нет независимой проверки.
+20%
CSAT +20%; эскалации >-50%; кейсы/час >+30%
Что получили
У выбранных клиентов CSAT вырос на 20%, эскалации снизились более чем на 50%, а число решенных кейсов в час выросло более чем на 30%.
Ограничения
Набор лучших клиентских кейсов; показатели относятся к разным внедрениям.
-30%
Человеческие обращения -30%…-40%
Что получили
AI перенаправил 30–40% обращений от сотрудников поддержки и обеспечил круглосуточные ответы партнерам.
Ограничения
Не раскрыты точность и доля повторных обращений; внедрение специализированной системы.
30 → 90%
Win rate модели во внутренних тестах: 30% → 90%
Что получили
Во внутренних конкурентных тестах Sendbird доля побед модели выросла с 30% до 90%. Это оценка качества модели, а не результат клиентской поддержки.
Ограничения
Win rate — внутреннее сравнение модели, а не CSAT; клиентский результат дублирует кейс Lotte.
71%
Автоматизация 71%; >$60 тыс. дополнительной выручки в одном кейсе
Что получили
Собственная поддержка Tidio автоматизирована на 71%; отдельный клиент получил более 60 тыс. долларов дополнительной выручки от рекомендаций товаров.
Ограничения
Поставщик измеряет собственный продукт; выручка относится к одному выбранному клиенту.
30%
>500 часов/неделю; 30% обращений до оператора
Что получили
Компания оценивает суммарную экономию более чем в 500 часов в неделю; 30% обращений поддержки обрабатываются AI до человека.
Ограничения
Агрегированная внутренняя оценка без независимого аудита; не раскрыта стоимость контроля качества.
Звонки -30%
Что получили
У крупного ритейл-клиента объем звонков в контакт-центр снизился на 30% после автоматизации обращений.
Ограничения
Один выбранный клиент; снижение звонков не гарантирует удовлетворенность или полное решение проблемы.
11 → <2 минут
11 мин → <2 мин на обращение, 2/3 диалогов автоматизировано
Что получили
Ассистент на базе OpenAI обработал 2,3 млн диалогов за первый месяц — две трети всех обращений в поддержку, что эквивалентно работе 700 штатных агентов. Среднее время решения вопроса упало с 11 минут до менее 2 минут, повторные обращения сократились на 25%, удовлетворённость клиентов осталась на уровне живых операторов. Сервис работает в 23 странах на 35+ языках 24/7. Компания спрогнозировала $40 млн прироста прибыли в 2024 году. Важно: по данным СМИ (Bloomberg, май 2025), Klarna позже признала, что излишняя ставка на стоимость снизила качество сервиса, и вернула часть живых операторов премиум-поддержки — то есть долгосрочный эффект оказался смешанным.
Ограничения
Самоотчёт без независимой проверки; финансовая оценка ($40 млн) — прогноз компании, а не измеренный факт; последующие публичные заявления CEO (2025) говорят о снижении качества и частичном возврате к людям — не переносить как гарантированный долгосрочный результат
97%
97% обращений решено без оператора, 40 000 запросов/день
Что получили
AI.g обрабатывает около 40 000 обращений в день по 1300+ типам вопросов (бронирование, статус рейса, багаж, возвраты, лаунж-доступ), с долей успешного решения 97% и эскалацией на человека лишь в 3% случаев. С момента запуска решено более 13 млн диалогов, около 50% клиентов выбирают AI.g как первый канал обращения. Это позволило удержать объём звонков на прежнем уровне, несмотря на удвоение пассажиропотока.
Ограничения
Самоотчёт вендора и клиента без независимого аудита; точная сумма экономии не раскрыта; 97% — метрика самой компании о «успешном решении», не независимо проверенный uptime/точность ответов
75%
>75% обращений решено AI-агентом без человека, эскалация 5%
Что получили
Agentforce самостоятельно решает более 75% (в тексте кейса — «в среднем около 76%») обращений посетителей справочного сайта Salesforce без участия человека, эскалируя на человека-support engineer только 5% запросов. К моменту публикации кейса Agentforce обработал более 1,7 млн диалогов, а сотрудники поддержки сосредоточились на 1,3 млн более сложных обращений.
Ограничения
Вендор описывает применение собственного продукта на собственном сайте — витринный пример с максимально благоприятными условиями (богатая база знаний, контроль над продуктом); переносить процент на чужой продукт с нуля рискованно; отдельная цифра про «380 000 обращений и 84% во внутренней службе поддержки» на текущей версии страницы не подтвердилась и исключена как непроверяемая
61%
61% обращений решено AI, NPS +33
Что получили
AI-агент Sierra обрабатывает свыше 50 000 диалогов в неделю по всей продуктовой линейке SoFi, самостоятельно закрывая (containment) 61% обращений. NPS для диалогов, полностью решённых в чате, вырос на 33 пункта.
Ограничения
Самоотчёт вендора AI-платформы о своём клиенте; нет независимой методологии измерения NPS-выборки; не указано, как считался базовый NPS до внедрения
50%
50% → 70%+ обращений решено мгновенно
Что получили
Доля обращений, решаемых мгновенно AI-агентом без участия человека, выросла с 50% до более чем 70% — более двух третей вопросов участников теперь решаются мгновенно.
Ограничения
Нет данных о выборке и точной методологии подсчёта "решённых мгновенно" вопросов; самоотчёт без внешнего аудита
80%
80% обращений решено AI-агентом
Что получили
Новый AI-агент самостоятельно решает 80% обращений — существенный рост по сравнению с прежней системой. По оценке компании, это эквивалентно мощности около 95 штатных агентов поддержки. Запуск канала чата занял 4 недели, канала почты — 7 дней.
Ограничения
Точка отсчёта («прежняя система лишь давала ссылки») занижает базовый уровень, что завышает воспринимаемый прирост; самоотчёт вендора
32%
32% → 77% автоматического решения обращений
Что получили
Доля автоматически решаемых обращений выросла с 32% (ноябрь 2024) до 62% (февраль 2025) и до 77% к 2026 году. Среднее время ответа сократилось с 6 часов до менее 3 секунд благодаря 25 прямым интеграциям с бэкенд-системами. CSAT вырос на 17 пунктов.
Ограничения
Самоотчёт вендора; рост показателя измерялся поэтапно за 1,5+ года — часть эффекта может быть связана с параллельными изменениями в продукте и базе знаний, а не только с AI
943%
943% ROI за 4 месяца, CSAT +41%
Что получили
За первые 4 месяца после запуска автоматизация обработала около 160 000 диалогов, доля автоматического решения выросла на 63–64 п.п., CSAT вырос на 41%, а ROI от инвестиций в генеративный AI составил 943%.
Ограничения
ROI 943% — расчёт самой компании/вендора по собственной методологии, не аудирован независимо; короткий период (4 месяца) не показывает устойчивость эффекта
+50%
CSAT +50%, ожидание <1 минуты
Что получили
После перехода на генеративного AI-агента доля автоматически решённых обращений выросла более чем на 34 процентных пункта, CSAT вырос более чем на 50%, а время ожидания для приоритетных обращений сократилось до менее 1 минуты.
Ограничения
Точная база сравнения (какой CSAT был "до") не раскрыта в процентах, только относительный прирост; самоотчёт без независимого аудита
60%
Deflection ~60% → 87%, CSAT ×3 до 4,2
Что получили
Доля обращений, полностью закрытых AI без участия человека (deflection), выросла до 87% и ни разу не опускалась ниже 80% после первых недель — при стартовом уровне около 60%. CSAT вырос втрое до 4,2 из 5. Первый рабочий запуск занял 1,5 недели, а интеграция с внутренними системами дала дополнительный прирост эффективности на 5–10%.
Ограничения
Самоотчёт вендора; компания сама подчёркивает, что качество базы знаний — важная часть успеха, то есть эффект не изолирован от параллельной работы над контентом
25%
Deflection 25% → 70%, объём чата ×3 (до ~12 000 диалогов/мес)
Что получили
Доля обращений, полностью закрываемых автоматически (deflection), выросла с 25% до 70%. При этом объём обращений в чат вырос втрое — примерно до 12 000 диалогов в месяц — без потребности нанимать дополнительных сотрудников на пиковый (январский) сезон, как раньше.
Ограничения
Кейс продавца AI-платформы о своём клиенте, без независимой проверки; компания сама отмечает, что рост объёма чата мог быть частично вызван самим улучшением сервиса, а не только эффективностью AI
+75%
Удержание клиентов +75%
Что получили
Внедрение голосового генеративного AI-чат-бота для обработки заявок на перенос номера (окно принятия решения — менее часа) повысило удержание клиентов на 75%. Отдельно платформа Oriserve заявляет 90% точность распознавания речи на разных диалектах и на 60% меньше ошибок распознавания слов, чем среднерыночный уровень, а также 50%-ное снижение стоимости обслуживания по сравнению с другими поставщиками.
Ограничения
Кейс партнёра AWS о своём клиенте, без независимой проверки; не указана база сравнения (удержание относительно какого периода/канала); дата публикации самого документа не проставлена
65%
65% обращений автоматизировано (66% голос, 71% чат) против среднерыночных 23%/67%
Что получили
В I квартале 2026 года AI автоматически обработал 65% обращений клиентов в голосовых и текстовых каналах (66% в голосе, 71% в чатах — выше среднерыночных 23% и 67% соответственно, по данным Frank RG). В 95% случаев клиент получает ответ сразу на звонке, без необходимости эскалации.
Ограничения
Самоотчёт банка без раскрытия методологии подсчёта "автоматической обработки"; не уточнено, какая доля решений — чисто генеративный AI, а не классические сценарные боты/IVR; заявленная в исходном кандидате цифра про маршрутизацию звонков (×3,5, до 18 секунд) в самой статье не найдена и была убрана как неподтверждённая
16%
до 16% рабочего времени высвобождено; удовлетворённость 78,7% против цели 84,3%
Что получили
Т-Банк запустил AI-сотрудника, который анализирует ситуацию клиента, отвечает на вопросы о ставках и операциях и выполняет действия в банковских системах в автономном режиме или режиме «второго пилота». Система охватывает около 30% клиентского обслуживания банка. У партнёра Т-Мобайл 85% сотрудников поддержки уже работают с системой, что высвобождает до 16% рабочего времени. При этом удовлетворённость клиентов пока составляет 78,7% при целевом показателе 84,3% — качество ещё не дотягивает до цели.
Ограничения
Показатель удовлетворённости клиентов ниже целевого — прямое свидетельство, что автоматизация сложных сценариев поддержки пока не полностью компенсирует потерю человеческого участия
3–5 дней → <1 часа
3–5 дней → менее часа (решение эскалаций поддержки)
Что получили
HubSpot развернула Claude в маркетинге и customer success наряду с инженерией. В маркетинге и веб-разработке команда получила рост продуктивности до 40% на создании контента благодаря использованию Claude Projects и артефактов для централизации контекста кампаний. В customer success время решения сложных технических эскалаций сократилось с 3–5 дней до менее часа, а менеджеры стали быстрее готовиться к разговорам с клиентами и фокусироваться на стратегических вопросах вместо рутинных.
Ограничения
Кейс объединяет эффекты для инженерии, маркетинга и поддержки без раздельной методологической разбивки; самоотчёт вендора
37%
37% обращений в поддержку закрывает AI-агент автономно
Что получили
AI-агент автономно закрывает 37% обращений в поддержку, обработал более 10 500 запросов; 21% клиентов сами выбирают общение с ботом вместо оператора; NPS бота сравнялся с NPS живой поддержки и продолжает расти неделя к неделе
Ограничения
reMarkable — быстрорастущий «единорог» с оценкой $1 млрд, а не типичный малый бизнес; кейс подготовлен вендором без независимой проверки цифр
40 → 1 час/неделю
Комплаенс-проверка: 40 часов в неделю → 1 час в неделю
Что получили
После внедрения AI-агентов Zendesk доля писем, закрываемых автоматически, выросла примерно с 1% до 20%, доля автоматизации в чате достигла около 80%. Команда email-поддержки справляется силами 3 агентов вместо примерно 10, которые потребовались бы иначе. Время еженедельной комплаенс-проверки упало с 40 часов до 1 часа. Годовая экономия оценена примерно в $500 000.
Ограничения
Вендорский кейс без независимой проверки; не раскрыто, как изменилось качество обслуживания и удовлетворённость клиентов
80%
До 80% обращений автоматизировано, каждый AI-агент эквивалентен 11% штата поддержки
Что получили
После внедрения AI-агентов Zendesk компания обрабатывает свыше 100 000 вопросов в месяц, автоматизируя до 80% типовых обращений; количество повторяющихся писем снизилось на 99%. NPS одного из бизнес-юнитов вырос с 53 до 59 за 4 месяца. Каждый AI-агент обеспечивает объём работы, эквивалентный 11% штата поддержки.
Ограничения
Вендорский кейс; рост NPS показан на примере только одного бизнес-юнита из нескольких
Исходящие продажи, чат до покупки, каталог, рекомендации.
−4,5%…+16,3%
Чат до продажи: +16,3%; поиск и описания: +2–3%; один рекламный сценарий: −4,5%
Что получили
В семи рандомизированных полевых экспериментах на миллионах пользователей и товаров изменение продаж зависело от процесса: чат до покупки дал лучший результат, поиск и описания — небольшой прирост, а один рекламный сценарий снизил продажи.
Ограничения
Эффект связан с конкретной настройкой и текущим качеством процесса; одинаковый AI не дает одинаковый результат.
+35%
Встречи +35%; удержание +15% относительно базы; время писем -80%
Что получили
Встречи выросли на 35%; удержание — с 20% до 23%, то есть на 15% относительно исходного уровня; один клиент сократил время написания писем на 80%.
Ограничения
Результаты нескольких клиентов; возможен отбор лучших внедрений и влияние других изменений процесса продаж.
70%
2,5 млн тегов; 41 000 тикетов/месяц; до 70% автоматизации
Что получили
Исправлено 2,5 млн товарных тегов; автоматизируется 41 000 тикетов поставщиков в месяц, до 70% в отдельных процессах.
Ограничения
Объем не показывает точность каждого исправления; несколько взаимосвязанных систем.
+60%
+60% к вероятности покупки при использовании AI-ассистента
Что получили
Покупатели, использующие Rufus в процессе выбора товара, совершают покупку на 60% чаще, чем те, кто им не пользуется. По оценке компании (модель «downstream impact»), Rufus обеспечивает свыше $10 млрд дополнительных годовых продаж.
Ограничения
Метрика «downstream impact» — собственная атрибуционная модель Amazon, не независимый аудит; в тексте источника нет данных ни про Black Friday, ни про «300 млн пользователей» или диапазон «$10-12 млрд» — подтверждены только 250 млн покупателей и оценка «свыше $10 млрд»
15%
Win rate: 15% → 25%
Что получили
Win rate по новым сделкам вырос с 15% до 25%, средний цикл сделки сократился с 309 до 135 дней, средний чек сделки вырос на $10 тыс., команда продаж экономит 18+ часов в неделю, которые направляет на работу с клиентами.
Ограничения
Кейс вендора без контрольной группы; на результат могли повлиять и другие изменения в процессе продаж, не только AI-инструменты
×4
Квалифицированные лиды ×4, цикл сделки: 90 → 45 дней
Что получили
CTR писем вырос на 25%, время вовлечения на посадочных страницах выросло с менее минуты до 3–4 минут, число квалифицированных лидов выросло в 4 раза, цикл продаж сократился с 90 до 45 дней, время на создание контента — с недель до дней.
Ограничения
Самоотчёт вендора; точный период и выборка не раскрыты, сложно отделить эффект AI от остальных изменений в маркетинговой стратегии
Конверсия выше
Оба варианта тона AI > контроля по конверсии в подписку
Что получили
Пользователи из групп с воодушевлённым и нейтральным тоном AI-ассистента с большей вероятностью оформляли подписку на сервис, чем контрольная группа без инструкций по тону. Пользователи с воодушевлённым тоном писали значительно более длинные промпты, чем в двух других группах, но это не дало явного дополнительного преимущества по конверсии перед нейтральным тоном.
Ограничения
Препринт, не прошёл рецензирование; точный размер выборки и проценты не раскрыты в открытой аннотации
+5 млрд ₽
+5 млрд ₽ операционной прибыли за год (совокупный эффект всех AI-инициатив)
Что получили
Совокупный экономический эффект от внедрения AI-решений — прогнозирования спроса и пополнения, ценообразования, управления ассортиментом и рекомендательных механик, плюс автоматизации операционных процессов — составил около 5 млрд рублей дополнительной операционной прибыли по итогам 2025 года.
Ограничения
Самораскрытие компании (хоть и в официальном пресс-релизе с описанием методики оценки); эффект — совокупный от всех AI-инициатив (спрос, цены, ассортимент, рекомендации, автоматизация), а не изолированно от прогноза спроса и ценообразования; конкретная цифра «точность прогноза +15–25%» в официальном пресс-релизе не встречается и не подтверждена — использовать только агрегированную цифру 5 млрд ₽
12%
~12% рабочего времени высвобождено
Что получили
Автоматизация анализа звонков освободила менеджерам и продавцам примерно 12% годового рабочего времени, ранее уходившего на ручной сбор данных о звонках; в одном из сегментов продаж зафиксирован заметный рост недельной выручки (без точного процента, «руководство удивилось»); улучшился показатель выхода новичков на плановую производительность (graduation rate), конкретный процент ускорения онбординга не раскрыт.
Ограничения
Кейс вендора; рост выручки описан качественно, точный процент не раскрыт; ускорение онбординга подтверждено как факт, но без цифры
+1,7%
+1,7% заказов с доставкой в контрольной группе
Что получили
Авито разработала собственную языковую модель на базе Mistral 7B с image-to-text компонентом (Vision Transformer + GPT-декодер) для автогенерации описаний товаров. В контрольной группе доля заказов с доставкой выросла на 1,7%, а 60% пользователей одобрили качество сгенерированных описаний; собственный русскоязычный токенизатор (увеличение длины токена с 2,15 до 3,35 символа) ускорил работу модели в 1,5 раза.
Ограничения
Источник вторичный (агрегатор кейсов), прямой первоисточник от Avito не найден; эффект специфичен для одной товарной категории
Тексты, реклама, дизайн, контент и его однообразие.
11%
У менее креативных: креативность +10–11%, качество/приятность +22–26%; разнообразие ниже
Что получили
У менее креативных авторов оценки креативности выросли на 10–11%, а качества и удовольствия от чтения — на 22–26%; при этом истории стали больше похожи друг на друга.
Ограничения
Нет единого процента эффекта; сильный риск однообразного бренд-контента.
+57%
У экспертов время реализации +57%; качество сопоставимо с контролем
Что получили
AI улучшал идеи, но опытные дизайнеры на этапе реализации тратили на 57% больше времени и достигали качества не выше контроля.
Ограничения
Нужно разделять ideation и production; AI может создать дополнительную работу на реализации.
-30%
Рутина -30% времени; предложения -40% времени
Что получили
Время на рутинные задачи сократилось на 30%, предложения готовились на 40% быстрее; компания собрала более 50 сценариев.
Ограничения
Самооценка агентства; не раскрыто влияние на качество и результат клиента.
2 дня → 30 минут
2 дня → 30 минут; 1 день → 2 минуты
Что получили
Подготовка исследования, инсайтов и контента сократилась с двух дней до 30 минут; анализ массива данных — с дня до двух минут.
Ограничения
Специализированная платформа и выбранные процессы; качество инсайтов не раскрыто независимо.
50%
30–50% экономии времени; 50 млн иен/год экономии на аутсорсинге
Что получили
Zenken одной из первых в Японии внедрила ChatGPT Enterprise на всю компанию: более 90% сотрудников пользуются продуктом еженедельно. Среднее сокращение времени на задачи знаниевой работы (исследование, саммари, перевод, создание контента) — 30–50%, это даёт 5–15 дополнительных часов на сотрудника в месяц. В маркетинге и продажах AI используется для подготовки предложений, писем клиентам, анализа рынка и конкурентной стратегии. Экономия на аутсорсинге составила 50 млн иен в год по сравнению с предыдущим годом, а общая продуктивность в компании, по словам менеджмента, выросла примерно вдвое.
Ограничения
Самоотчёт компании и поставщика без независимой проверки и контрольной группы; эффект приписан к внедрению в целом, а не изолированно к маркетинговым задачам. Прямая проверка текста страницы не удалась из-за Cloudflare bot-challenge на openai.com (страница не открылась инструментом, домен репутационный)
135 часов сэкономлено за 6 месяцев
Что получили
Маркетинговая команда Promega использует ChatGPT Enterprise для подготовки первых черновиков email-кампаний, создания брифов кампаний из документа с посылом и перевода рекламных текстов под конкретные платные каналы. За первые шесть месяцев использования команда сэкономила 135 часов рабочего времени. По словам маркетинг-стратега компании, теперь письма без использования AI-инструмента практически не пишутся.
Ограничения
Самоотчёт компании без контрольной группы; 135 часов — это агрегированная оценка команды, а не измерение по каждой задаче отдельно. Прямая проверка текста страницы не удалась из-за Cloudflare bot-challenge на openai.com (страница не открылась инструментом, домен репутационный)
−75%
Контент x4, расходы −75%
Что получили
Клиенты Copy.ai, использующие функции на базе Claude (40% контента генерируется с помощью Claude), в среднем увеличили объём публикуемого контента в 4 раза — с одного поста в блоге в месяц до одного поста в день. Расходы на создание контента (авторы, фрилансеры, агентства) сократились в среднем на 75%: компании, тратившие $15 000–20 000 в месяц, теперь тратят менее 20% от этой суммы (по словам CMO Copy.ai Kyle Coleman). Claude используется для генерации лонгридов из транскриптов и тезисов, поддержания единого голоса бренда и фактчекинга.
Ограничения
Данные агрегированы по клиентской базе поставщика, без раскрытия методологии подсчёта и конкретных компаний; риск отбора успешных примеров. Страница подтверждена напрямую фетчем — контент и цифры совпадают
0,58%
Охват и клики ×2,5; CTR 0,58% (вдвое выше плана)
Что получили
Смарт-баннеры на технологии компьютерного зрения точно таргетировались на релевантный по смыслу контент (а не только по ключевым словам), обеспечивая brand safety для аудитории 25–55 лет. Охват целевой аудитории и число кликов оказались в 2,5 раза выше базового сценария, CTR составил 0,58% — вдвое выше ожидаемого уровня, а стоимость клика и стоимость пользователя снизились относительно плана.
Ограничения
Один рекламный кейс без контрольной группы; сравнение идёт с собственными плановыми показателями кампании, а не с альтернативным способом таргетинга. Страница подтверждена напрямую фетчем — детали и цифры совпадают
+20%
+20% лидов, −25% CPL, но конверсия клика ниже (0,85% против 2,51%)
Что получили
Тексты объявлений, сгенерированные AI, принесли на 20% больше лидов при стоимости лида на 25% ниже, чем у контекстолога-человека; CTR AI-объявлений составил 10,01% против 3,74% у человека, а стоимость клика была в 4 раза ниже. При этом конверсия в целевое действие у объявлений человека была выше (2,51% против 0,85% у AI) — то есть AI выигрывал за счёт объёма дешёвого трафика, а не качества каждого клика. Баннеры, созданные с помощью ChatGPT и Midjourney, дали в 3 раза больше лидов, чем стандартные баннеры агентства.
Ограничения
Один кейс одного банка и агентства; смешанный результат по конверсии показывает, что «больше лидов дешевле» не всегда означает «лучше по качеству» — это важно не приукрашивать. Страница подтверждена напрямую фетчем — все цифры совпадают
Продажи ниже
Выше CTR и ниже CPC у нейрообъявлений, но итоговая цена лида и продажи — выше
Что получили
Кампания с нейрообъявлениями показала более высокую кликабельность и более низкую стоимость клика по сравнению со стандартной текстово-графической кампанией. Однако итоговая стоимость лида и продажи в кампании с нейрообъявлениями оказалась выше, чем в классической кампании, которая осталась в рамках установленных KPI — то есть дешёвые клики не всегда конвертировались в продажи так же эффективно.
Ограничения
Один магазин, одна ниша (растения) из трёх кейсов в статье, без раскрытых абсолютных чисел кампании; вывод нельзя переносить на все категории e-commerce. Страница подтверждена напрямую фетчем
+10%
+10% конверсии в среднем; 84% рекламодателей пользуются функцией
Что получили
С момента запуска нового поколения нейротехнологий в августе 2024 года эффективность опции «Оптимизация текста объявления под запрос» выросла в два раза; 84% пользователей Яндекс Директа хотя бы раз воспользовались функцией, а каждое третье объявление в Поиске теперь адаптируется под конкретный запрос с помощью AI. В среднем инструмент увеличивает конверсионность продвижения на 10% за счёт сравнения прогнозируемой эффективности оригинального и адаптированного вариантов текста и показа более результативного, при этом сохраняя коммуникационные стандарты бренда.
Ограничения
Цифры предоставлены самой платформой без независимого аудита; +10% — усреднённая оценка по всей рекламной сети, а не по конкретной отрасли. Страница подтверждена напрямую фетчем — детали совпадают
+57%
+57% новых счетов, CTR ×2, +16% к конверсиям
Что получили
После внедрения генеративного AI Persado для подбора эмоционально эффективных формулировок (тема письма с фреймингом «Excitement») в маркетинговых текстах Ally Financial увеличила число новых открытых счетов на 57%, добилась двукратного роста CTR и в среднем +16% к конверсиям по кампаниям, по сравнению с текстами, написанными людьми-маркетологами по стандартному процессу.
Ограничения
Кейс поставщика технологии без независимой публикации; методология агрегирования результата по всем кампаниям не раскрыта детально. Страница подтверждена напрямую фетчем — цифры совпадают
+45%
Знание бренда +45%, лидерство в категории +16 п.п., охват 25 млн человек
Что получили
Проект «Титаны» с AI-ведущим вошёл в топ-3 ТВ-шоу России в 2024 году с телевизионным охватом 25 млн человек. Знание аудитории о «вселенной» персонализированных AI-ассистентов Т-Банка выросло на 45%, лидерство бренда на рынке AI-решений (top-of-mind) выросло на 16 процентных пунктов, а число пользователей AI-ассистентов банка удвоилось за период кампании.
Ограничения
Единичный имиджевый проект крупного банка с большим медиабюджетом; результат по узнаваемости бренда нельзя напрямую перенести на прямую эффективность продаж или на компании с меньшим бюджетом. Страница подтверждена напрямую фетчем — детали и цифры совпадают
+19%
CTR AI-креативов +19% против экспертов; раскрытие факта AI −31,5% CTR
Что получили
Полностью сгенерированные AI рекламные креативы показали CTR до 19% выше, чем креативы, созданные экспертами-людьми — то есть в задаче «создать с нуля» AI оказался эффективнее человека. При этом креативы, лишь доработанные AI поверх дизайна человека, не показали статистически значимого улучшения по сравнению с оригиналом человека. Отдельно показано: если потребителям явно сообщить, что креатив создан AI, CTR падает на 31,5%.
Ограничения
Существование, авторство и заголовок подтверждены через OpenAlex/Crossref (DOI 10.2139/ssrn.5638311, авторы и аффилиации совпадают: NYU Stern, Emory), но сама страница SSRN защищена от ботов (CAPTCHA/403), поэтому точные цифры (19%, 31,5%) и детали дизайна взяты только из предоставленного описания без независимой сверки полного текста; эффект AI виден в задаче генерации с нуля, но не в доработке — это стоит учитывать при коммуникации с клиентами
+6–9 п.п.
+6–9 п.п. вовлечённости против базовых вариантов
Что получили
Персонализированные видеообъявления, сгенерированные AI под конкретного пользователя, увеличили вовлечённость на 6–9 процентных пунктов по сравнению как с персонализированными изображениями, так и с обычными неперсонализированными видеообъявлениями. Работа впоследствии опубликована как 'Frontiers: Generative AI and Personalized Video Advertisements' в журнале Marketing Science (2025, том 44, вып. 4, с. 733–747).
Ограничения
Существование, авторство, заголовок и факт последующей публикации в Marketing Science подтверждены через OpenAlex/Crossref, но страница SSRN защищена от ботов (403/CAPTCHA) и полный текст журнальной версии за пэйволом, поэтому конкретная цифра 6–9 п.п. взята из предоставленного описания без независимой сверки полного текста и деталей выборки
CTR +25%
Что получили
Инструмент GenAds автоматически генерирует рекламные изображения для мелких и средних продавцов; по данным кейса, объявления с такими AI-баннерами дают в среднем на 25% более высокий CTR, чем обычные баннеры без AI-генерации.
Ограничения
Кейс поставщика-интегратора; в тексте самого кейса подтверждается только показатель CTR +25% — цифры про «90 тыс. сгенерированных креативов» и «+45% показов» в открытом тексте страницы не встречаются и не подтверждены; влияние на итоговые продажи отдельно не раскрыто
64%
64% → 99% публикаций в срок (среднее по 3 событиям); 90+ мин → ~10 мин на еженедельный отчёт
Что получили
Сотрудники Miro использовали Claude Cowork для стратегической работы (сведение контекста из Slack, почты, встреч и досок Miro), автоматической проверки контента инфлюенсеров по бренд-гайдлайнам и еженедельного трекинга проектов. Доля контента инфлюенсеров, выходящего в срок 48 часов, выросла с 64% до 99% (среднее по трём глобальным мероприятиям); время на еженедельный отчёт по проектам (пятничные апдейты) сократилось с 90+ минут до примерно 10 минут; один из сотрудников сообщает, что экономит «несколько часов в день» благодаря автоматизации.
Ограничения
Цифры приведены по отдельным именным примерам сотрудников/ролей, а не по всей компании; размер общей выборки не указан; официальный маркетинговый кейс поставщика (Anthropic), не независимое исследование
Кодирование, ревью, тестирование, инциденты, legacy.
-55%
1 ч 11 мин против 2 ч 41 мин; -55% времени
Что получили
Разработчики с GitHub Copilot завершили задачу на 55% быстрее; доля завершивших была 78% против 70%.
Ограничения
Одна ограниченная задача в новом проекте; не показывает сопровождение зрелого кода.
+26%
Что получили
Разработчики с AI выполнили на 26,08% больше задач, чем сопоставимые участники без доступа к AI. Результат получен в трёх рандомизированных полевых экспериментах в Microsoft, Accenture и компании из Fortune 100; менее опытные разработчики получили больший эффект.
Ограничения
Метрика — завершенные задачи в корпоративных системах; качество и долгосрочная поддержка измерены слабее.
+55% объема кода
Что получили
Объем кода вырос на 55%; около трети кода генерировалось AI. Статистически устойчивый эффект был в основном у младших разработчиков.
Ограничения
Объем кода не равен бизнес-ценности; эффект для старших разработчиков не был устойчивым.
−19%
Что получили
Опытные open-source разработчики выполняли реальные задачи в знакомых проектах на 19% дольше, когда им разрешали AI. Это снимок инструментов февраля–июня 2025 года, а не вывод обо всех нынешних моделях.
Ограничения
Опытные разработчики и хорошо знакомые большие репозитории; не переносится на зеленое поле и новичков.
50%
Краткосрочно вероятность релиза снизилась примерно на 50%; затем эффект исчез
Что получили
В первые два рабочих дня после запрета вероятность релиза у итальянских разработчиков снизилась примерно вдвое, затем эффект исчез по мере адаптации и обхода блокировки.
Ограничения
Запрет вызвал временную адаптацию и обход блокировки; это не прямой эксперимент с лицензиями.
Продуктивность g=0,33
Продуктивность g=0,33; обучение g=0,14, доверительный интервал включает ноль
Что получили
Средний эффект на продуктивность небольшой-положительный (g=0,33), а эффект на обучение статистически незначим (g=0,14).
Ограничения
Исследования сильно различаются по задаче, опыту и инструменту; средний эффект не является прогнозом команды.
Эластичность замещения 0,25
Эластичность замещения 0,25; эффект на код выше, чем на доставку продукта
Что получили
AI увеличивает выпуск кода, но организационные и человеческие узкие места заметно гасят эффект на полный цикл разработки; оцененная замещаемость между AI и человеческим трудом низкая — 0,25.
Ограничения
Наблюдательные данные; число не является процентом ускорения конкретной команды.
-80%
Расследование инцидента до -80%; 1 млн+ строк за 30 дней
Что получили
Новый внутренний инструмент сократил время расследования инцидентов до 80%; за 30 дней было принято более 1 млн строк предложенного AI-кода.
Ограничения
Принятые строки не равны качеству или ценности; 80% относится к отдельному внутреннему инструменту.
100×
10–100×; 2 недели против 4–8 месяцев в одном проекте
Что получили
Компания сообщает об ускорении разработки в 10–100 раз; один проект занял 2 недели вместо первоначальной оценки 4–8 месяцев.
Ограничения
AI-native подрядчик и выбранный проект; верхняя граница не переносится на обычную внутреннюю команду.
67%
1 час → 90 секунд; внедрение 67%
Что получили
Первичная обратная связь по pull request сократилась примерно с часа до 90 секунд; 67% предложений AI внедрялись, 96% комментариев оценивались положительно.
Ограничения
Скорость первого ответа не равна времени до merge; метрики поставщика инструмента.
75%
75% пользователей: 8–10+ часов/неделю
Что получили
75% инженерных пользователей сообщили об экономии 8–10 и более часов в неделю; недельная вовлеченность выросла на 40–50%.
Ограничения
Самоотчет активных пользователей; не средний результат всех сотрудников Block.
95%
Точность root cause 95%; merge-ready >60%
Что получили
Первопричина определялась с точностью 95%; более 60% исправлений были готовы к merge; использование выросло втрое.
Ограничения
Собственная оценка поставщика; выборка и определение готовности к merge раскрыты ограниченно.
+10%
2× скорость; покрытие тестами +10%
Что получили
Скорость выпуска функций и исправлений удвоилась, покрытие тестами выросло на 10%.
Ограничения
Кейс выбранной технологической компании; метод расчета скорости не раскрыт полностью.
-20%
550 000 часов; цикл -20%; churn кода в 3× ниже
Что получили
Клиенты суммарно заявили 550 000 сэкономленных часов; средний цикл разработки сократился на 20%, churn кода был в 3 раза ниже.
Ограничения
Агрегированные показатели клиентов поставщика; метод перевода действий в «сэкономленные часы» не независим.
+86%
Доставка +86%; проблемы -60%; внедрение фиксов 70%
Что получили
Доставка кода ускорилась на 86%, число проблем код-ревью снизилось более чем на 60%, 70% предложенных исправлений внедрялись.
Ограничения
Метрики поставщика code review; нет независимого контроля и разбивки по зрелости репозитория.
-78%
2 недели → 30 минут; код -78%…-80%; тесты около 100%
Что получили
Один legacy-рефакторинг сократился с двух недель до 30 минут; размер кода уменьшился на 78–80%, новое приложение получило почти 100% unit-test coverage.
Ограничения
Один особенно удачный рефакторинг; почти полное покрытие не гарантирует отсутствие дефектов.
+30%
500 000+ часов; код +30%; >$50 млн эффекта
Что получили
Компания заявляет более 500 000 сэкономленных часов, в среднем 40 минут на AI-взаимодействие, выпуск кода на 30% быстрее и свыше 50 млн долларов эффекта.
Ограничения
Включает эффекты облака, данных и AI; невозможно приписать все цифры одной модели или подписке.
20 недель → 2 недели
20 недель → 2 недели; 60 000 часов устранено
Что получили
Срок от прототипа до production сократился с 20 до 2 недель; автоматизация устранила 60 000 часов настройки платформы.
Ограничения
Результат платформенной стандартизации, а не личного AI-ассистента.
90%
90% используют AI ежедневно/на работе; связь с throughput — положительная, со стабильностью поставки — отрицательная
Что получили
90% опрошенных используют AI на работе, более 80% считают, что AI повысил их продуктивность. Отчёт впервые фиксирует положительную связь AI с throughput (пропускной способностью) и продуктовой эффективностью, но связь AI со стабильностью поставки ПО (software delivery stability) остаётся отрицательной: без зрелых практик тестирования и версионирования рост объёма изменений от AI ведёт к нестабильности. Около 30% респондентов доверяют AI-коду слабо или не доверяют вовсе.
Ограничения
Самоотчёт респондентов о продуктивности, нет контрольной группы и объективных метрик до/после; эффект сильно зависит от зрелости инженерных процессов конкретной компании — AI не компенсирует слабую платформу и плохие практики.
28%
LiveCodeBench: 28% → 65%; производительность: ×4 (по заявлению вендора)
Что получили
После выхода GigaCode 2.0 компания заявила о четырёхкратном приросте производительности разработчиков (генерация до 40 подсказок в секунду) и росте качества генерируемого кода по бенчмарку LiveCodeBench с 28% до 65%. Инструмент поддерживает 35 языков программирования, им пользуются разработчики, DevOps, аналитики, QA и дата-инженеры.
Ограничения
Цифры объявлены самим разработчиком инструмента (Сбер) без независимой верификации и без описания методологии замера «прироста производительности»; сравнение LiveCodeBench относится к качеству модели, а не напрямую к рабочей продуктивности команд.
48%
Доля принятых автодополнений: 48% → 43% → ~67%
Что получили
Доля принятых пользователями автодополнений (exact match) начиналась на уровне 48%, после подключения новых пользователей временно просела до 43%, а затем выросла примерно до двух третей (около 67%) по мере дообучения модели и роста опыта использования.
Ограничения
Технический пост самой компании-разработчика инструмента без внешней проверки; метрика касается конкретно инструмента автодополнения, а не сквозной продуктивности разработки (сроки, баги, время до релиза).
+25%
Производительность до +25% (160 → 200 story points за квартал)
Что получили
Команда модернизировала более 350 000 строк legacy-кода на Java; приложения, ранее требовавшие 9–12 месяцев на разработку, стали выпускаться примерно за 4 месяца. Производительность одной из команд модернизации выросла «до 25%» (объём story points за квартал вырос со 160 до 200), а число уязвимостей в коде снизилось на 54%.
Ограничения
Кейс опубликован поставщиком инструмента (AWS) на основе данных одной команды одной компании; нет данных о контрольной группе или о том, как эффект масштабируется на всю организацию.
+20%
Производительность инженерной команды +20%
Что получили
После внедрения Amazon Q Developer производительность инженерной команды выросла на 20%, около 40% инженеров стали регулярно использовать инструмент, и порядка 20% нового кода стало создаваться с его помощью — при сохранении 99,99% доступности сервисов. До внедрения разработчики тратили порядка 40% времени на рутинные задачи кодирования, тестирования, документации и релизов.
Ограничения
Кейс поставщика инструмента, самоотчёт компании; нет отдельной привязки роста производительности именно к AI-ассистенту в отрыве от других изменений процессов за тот же период.
+25%
Скорость разработки +25% (новички в репозитории); код-ревью −67% по времени
Что получили
GitHub Copilot дал 25% рост скорости разработки для разработчиков, впервые работающих с конкретным репозиторием/фреймворком, и 10% — для уже знакомых с кодовой базой сотрудников. Одновременно медианное время код-ревью (code review turnaround) сократилось на 67% (с 3 часов до 1 часа, в том числе за счёт кастомной интеграции со Slack), а количество pull request выросло на 70%.
Ограничения
Официальный кейс поставщика (GitHub/Microsoft) на основе внутренних данных клиента без независимой верификации; сокращение времени ревью частично объясняется отдельной Slack-интеграцией, а не только Copilot.
70%
70% классов уязвимостей устраняются автоматически; задача 1,5 дня → 10 минут
Что получили
Более 1 млн ночных симуляций стали автоматически обрабатываться (triaged) агентами Copilot; доля принятия предложений кода в агентных сценариях превысила 50% против ~30% при стандартных инструментах автодополнения; Copilot Autofix автоматически устраняет 70% классов уязвимостей; задача, ранее занимавшая полтора дня, стала выполняться за 10 минут.
Ограничения
Официальный маркетинговый кейс поставщика инструмента, детальная методология измерения времени задач не раскрыта; результаты по отдельным сценариям/проектам, не по всей организации.
95%
РКИ: рост успешных сборок и PR/неделю у группы с Copilot против контрольной; 95% разработчиков довольны
Что получили
В экспериментальной группе выросла доля успешных сборок (builds) и количество pull request на разработчика в неделю по сравнению с контрольной группой. После масштабирования на 12 000 разработчиков 95% сообщили о росте удовольствия от кодирования, 67% используют Copilot ежедневно, показатель успешного использования (success rate) среди пользователей — 96%.
Ограничения
Хотя заявлена методология РКИ, полные данные исследования (величина эффекта, доверительные интервалы, порядок рандомизации) не опубликованы отдельно от маркетингового кейса; итоговые 95%/67%/96% — это уже самоотчёт после полного роллаута, не часть РКИ.
100%
100% pull request получают AI-ревью первым; время до approval — с пиковых 56 часов
Что получили
Adoption Copilot среди инженеров достигла 90%, 100% pull request теперь получают первичное ревью от Copilot Code Review. Время до первого approval по pull request сократилось с пикового значения в 56 часов; задача, ранее занимавшая около часа, теперь выполняется агентом примерно за 10 минут; инструмент, на оценку которого раньше уходило 2 месяца, был реализован за 9 дней.
Ограничения
Официальный кейс поставщика без независимой проверки; не указано, на сколько именно часов/минут снизилось время approval после внедрения (дана только стартовая точка — пик 56 часов).
94%
94% разработчиков отметили рост продуктивности
Что получили
94% разработчиков компании отметили рост личной продуктивности после внедрения GitHub Copilot, 90% сообщили о снижении времени на повторяющиеся задачи, 64% указали, что инструмент освобождает время для более интересной работы. В 2024 году было принято более 2 млн строк кода, сгенерированного с помощью Copilot.
Ограничения
Результаты — это опрос-самоотчёт сотрудников (субъективное ощущение продуктивности), а не объективные метрики сроков или качества; кейс опубликован поставщиком инструмента.
Рост инженерной скорости в 2–5 раз
Что получили
По заявлению Roni Avidov, Senior R&D Team Lead в monday.com, внедрение AI-агента Cursor дало рост инженерной скорости (engineering velocity) в 2–5 раз, лучшую работу с техдолгом, рефакторингом кода и юнит-тестированием; также упоминается возможность прототипировать идеи за часы вместо недель.
Ограничения
Это маркетинговая цитата представителя клиента без опубликованной методологии измерения «скорости»; диапазон 2–5x очень широкий и, вероятно, относится к отдельным задачам, а не ко всей организации. Проверено прямым открытием страницы — текст и цифры подтверждены.
Триаж инцидентов, аудит уязвимостей, устранение нарушений.
+34,53%
Точность +34,53%; время -29,79%
Что получили
Точность выросла на 34,53%, а время выполнения сократилось на 29,79%; в открытых заданиях найдено на 146,07% больше фактов.
Ограничения
Задания в контролируемой среде и продукт конкретного поставщика.
-30,13%
Среднее время разрешения -30,13%
Что получили
Использование Security Copilot было связано со снижением среднего времени разрешения инцидента на 30,13%.
Ограничения
Наблюдательный дизайн: более мотивированные команды могли чаще пользоваться инструментом.
+20%
Feature velocity +20%…+30%; онбординг — месяцы → недели
Что получили
Скорость выпуска функций выросла на 20–30%; онбординг новых инженеров сократился с месяцев до недель.
Ограничения
Самоотчет крупной технологической компании; невозможно отделить влияние AI от изменения процесса.
До месяца → 1 день по security-багу
До месяца → 1 день по security-багу; 122 PR в 43 проектах
Что получили
Один инженер создал 122 pull request в 43 проектах за несколько недель; устранение некоторых security-багов сократилось с месяца до одного дня.
Ограничения
Особенно успешный сотрудник и выбранные уязвимости; число PR не говорит о качестве.
-60%
Ручной триаж >-60%; время -97%
Что получили
Ручной триаж снизился более чем на 60%, время триажа — на 97%, до менее одной минуты.
Ограничения
AI встроен в специализированную платформу безопасности; качество рекомендаций оценено поставщиком.
1 день
1 неизвестная уязвимость найдена и исправлена до релиза, за 1 день; 150 CPU-часов фаззинга её не нашли
Что получили
В начале октября 2024 года агент Big Sleep обнаружил эксплуатируемую уязвимость типа stack buffer underflow в функции seriesBestIndex SQLite ещё до того, как она попала в официальный релиз — то есть ни один пользователь не пострадал. Уязвимость передали разработчикам, и её исправили в тот же день. Классический фаззинг (AFL, 150 CPU-часов) эту уязвимость не находил — авторы отмечают, что coverage-guided фаззинг плохо подходит для текстовых форматов вроде SQL. Google называет это первым публично задокументированным случаем, когда AI-агент самостоятельно нашёл ранее неизвестную эксплуатируемую уязвимость памяти в широко используемом реальном ПО.
Ограничения
Единичный случай (N=1), не статистика по множеству уязвимостей; фаззинг и классические инструменты по-прежнему нужны как основа — AI дополняет, а не заменяет их
72 патча безопасности за 6 месяцев
Что получили
За первые 6 месяцев работы CodeMender самостоятельно создал и передал разработчикам 72 патча безопасности для опенсорсных проектов, включая крупные кодовые базы (до 4,5 млн строк). Каждый патч проходит автоматическую валидацию — статический и динамический анализ, фаззинг, SMT-решатели, дифференциальное тестирование, — прежде чем попасть на ревью человеку. Отдельно приведён пример: CodeMender применил bounds-safety аннотации к libwebp, которые предотвратили бы CVE-2023-4863 (уязвимость, использованную в zero-click атаках на iOS).
Ограничения
Самоотчёт разработчика системы без независимого аудита; все патчи пока проходят ревью человеком, компания сама называет это «ранними результатами»
90 → 28 минут
28 минут против 90 минут вручную (в 3 раза быстрее)
Что получили
Медианное время от обнаружения уязвимости до автоматического устранения через pull request с Copilot Autofix составило 28 минут против 90 минут при ручном исправлении — втрое быстрее. По типам уязвимостей разница ещё больше: межсайтовый скриптинг (XSS) — 22 минуты против ~3 часов вручную (в 7 раз быстрее), SQL-инъекции — 18 минут против 3 часов 42 минут (в 12 раз быстрее). Клиент Otto (GmbH & Co KG) отметил, что Autofix берёт на себя рутинные security-задачи, помогая держать код безопасным.
Ограничения
Данные периода публичной беты, число компаний и репозиториев не раскрыто; нет контрольной группы, возможна предвзятость выборки ранних пользователей; цифры по покрытию типов алертов (>90%) и по доле принятых фиксов, а также кейс клиента Optum (60%/25%) в первоисточнике на момент проверки не подтвердились — исключены из результата
−68,44%
−68,44% вероятность повторного открытия инцидента; −18,38% время классификации DLP-алерта
Что получили
Внедрение Security Copilot ассоциировано со статистически значимым улучшением по всем четырём измеренным метрикам: число алертов на инцидент снизилось на 22,88%, вероятность повторного открытия инцидента — на 68,44%, время классификации DLP-алерта — на 18,38%, время разрешения конфликта политики устройства — на 54,34%. Авторы прямо отмечают, что из-за необнаруживаемых конфаундеров это устойчивая ассоциация, а не строго доказанная причинная связь, и что их оценки (18–68%) согласуются с диапазоном 18–30%, полученным в независимых лабораторных и полевых исследованиях GenAI-продуктивности.
Ограничения
Обсервационные данные без рандомизации; авторы сами признают, что причинность не доказана — возможен отбор более зрелых команд среди «принявших» AI; до моделирования из выборки удалено ~12% данных как аномалии
8,75 часа → 25 минут (анализ алерта сюрвейланса)
Что получили
Время, которое дата-сайентисты тратили на подготовку данных, сократилось на 80% — с нескольких часов до примерно 15 минут на датасет. Общее время анализа сократилось с 8,75 часа до 25 минут. Время на подготовку новых видов анализа сократилось примерно на 90% (до ~10 минут) благодаря автоматической агрегации и суммаризации новостей AI. Время разрешения алертов сократилось с 11 до 9 минут.
Ограничения
Кейс поставщика услуг без независимой проверки, название банка не раскрыто, нет данных о точности/ложных срабатываниях новой системы
67%
67% времени аналитиков высвобождено; расследования в 44 раза быстрее
Что получили
Внедрение Claude (Claude Agent SDK, модели Haiku/Sonnet/Opus) освободило 67% времени аналитиков SOC, ускорило расследования в 44 раза по сравнению с legacy SIEM и снизило затраты на 82% по сравнению со стоимостью приёма телеметрии в старые системы (у одного банка из топ-4 приём дополнительной телеметрии в legacy SIEM обошёлся бы в $6 млн). Время триажа у одной компании из Fortune 500 сократилось с 25 минут до менее 3 минут. Сканирование более 1 млрд записей CloudTrail в 17 регионах AWS теперь занимает 41 секунду вместо 30 минут вручную.
Ограничения
Самоотчёт поставщика и клиента, конкретные банки анонимизированы, нет независимой верификации цифр
70%
~70% сокращение времени первичного анализа инцидента
Что получили
С внедрением Charlotte AI Detection Triage время первичного анализа security-события сократилось примерно на 70%. По словам руководителя кибербезопасности UEM Daниэля Милнера Ресела (Daniel Milner Resel), «механический анализ теперь завершён ещё до того, как команда успевает начать работу» — AI-агент выполняет первичную сортировку и контекстный анализ ещё до подключения аналитика.
Ограничения
Самоотчёт клиента в блоге вендора, нет данных о точности/ложных срабатываниях агента в этом конкретном внедрении
<1 минуты на анализ сайта
<1 минуты на анализ сайта; цель — 200 000+ ресурсов в квартал
Что получили
Сбербанк разработал систему из четырёх специализированных AI-агентов, которые независимо анализируют четыре среза данных подозрительного сайта — текст, код, инфраструктуру и скриншот. Собранные артефакты образуют доказательную базу, на основе которой «агент-прокурор» и «агент-адвокат» ведут условный спор, а «агент-судья» выносит финальное решение по цепочке улик, а не по одной метке классификатора. Время анализа одного сайта агентами-специалистами — менее минуты; целевой показатель — свыше 200 тысяч анализируемых ресурсов в квартал. На момент объявления (август 2026) система проходит финальное обучение и работает как высокоскоростной ассистент, приоритизирующий угрозы и готовящий отчёт, который подтверждает специалист-человек; полностью автономная блокировка планируется после завершения обучения.
Ограничения
На момент публикации система ещё не в полностью автономном режиме (финальное обучение); итоговые показатели результативности (снижение числа успешных фишинговых атак, точность) не опубликованы — приведены целевые, а не фактически достигнутые цифры
99,70%
99,70% точность обнаружения фишинга (на базе GPT-4)
Что получили
Система ChatSpamDetector, использующая GPT-4 через специальный prompt-конвейер, достигла точности обнаружения фишинговых писем 99,70% — превзойдя протестированные альтернативные LLM и классические baseline-подходы. Помимо классификации система выдаёт объяснение (reasoning), почему письмо признано фишинговым, что упрощает работу аналитика или конечного пользователя с результатом.
Ограничения
Показатель получен на конкретном тестовом датасете фишинговых писем, который может не отражать распределение реальной почты в конкретной организации; не оценена устойчивость к письмам, специально сгенерированным другими LLM для обхода детектора
36%
36% — AI топ-приоритет бюджета кибербезопасности (выше облака, сети, защиты данных)
Что получили
Инвестиции в искусственный интеллект стали главным приоритетом бюджета на кибербезопасность на ближайшие 12 месяцев (36% респондентов назвали AI приоритетом №1) — опередив облачную безопасность (34%), сетевую безопасность (28%) и защиту данных (26%). При этом только 6% организаций считают себя «очень способными» противостоять кибератакам по всем измеренным направлениям, а главными барьерами внедрения AI для киберзащиты за последние 12 месяцев названы нехватка знаний о применении AI (50%) и нехватка нужных навыков (41%) — то есть спрос на AI в кибербезопасности растёт быстрее, чем компетенции для его использования.
Ограничения
Опрос отражает намерения и восприятие руководителей, а не измеренный эффект от уже внедрённого AI; данные — самоотчёт респондентов
Данные, дата-сайенс, качественные исследования, поиск.
+49, +20 и +18 баллов по трем шкалам
+49, +20 и +18 баллов по трем шкалам; перенос навыка — отсутствует
Что получили
По трем задачам участники набрали на 49, 20 и 18 баллов больше по шкалам исследования, но после отключения AI технические знания не сохранялись.
Ограничения
AI повышает результат без гарантии обучения; высок риск скрытой зависимости и непроверенной ошибки.
47%
Что получили
На простых заданиях точность AI-поиска была немного выше обычного. Когда модель ошибалась на сложной задаче, точность пользователей падала до 47% против 93% с обычным поиском.
Ограничения
Если ответ модели неверен, удобный интерфейс усиливает переоценку; нужны ссылки и проверка.
-80%
Время -80%; точность цитирования 89–98%
Что получили
Время подготовки отчета сократилось на 80%; точность цитирования оценивалась в 89–98% против 60–70% у альтернативных подходов.
Ограничения
Специализированный продукт и собственная оценка качества; нужен аудит выборки цитат.
-65%
Месяцы → часы; интеграция -65%; онбординг -50%
Что получили
Получение пригодных инсайтов сократилось с месяцев до часов, интеграция данных — до 65%, сложность онбординга — на 50%.
Ограничения
Комбинация AI, идентификации и облачной архитектуры; цифры нельзя отнести к одной лицензии Gemini.
21%
21% → 95%+ точность ответов; ~95% аналитических запросов закрывается без дата-аналитика
Что получили
Anthropic построила систему, где Claude обрабатывает основную массу внутренних бизнес-аналитических запросов сотрудников напрямую, без участия дата-аналитиков. Подтверждено дословной цитатой со страницы: без skills-процедур точность ответов на реальных вопросах бизнеса не превышала 21% на внутренних оценках; после инвестиций в качество данных, семантический слой и документацию точность стабильно превысила 95%, а 95% аналитических бизнес-запросов теперь автоматизировано через Claude.
Ограничения
Это внутренний кейс самого разработчика Claude на собственной, специально выстроенной инфраструктуре данных; без сопоставимых вложений в данные и регламенты (семантический слой, документация, ревью) результат не воспроизводится — сама компания подчёркивает, что без этой работы точность была 21%.
Анализ, занимавший дни/недели → минуты
Что получили
NielsenIQ встроила в свою платформу аналитики NIQ Discover генеративный AI-инструмент Ask Arthur, который, по подтверждённой на странице формулировке, «сокращает аналитические процессы, ранее занимавшие дни или недели, до минут», выявляя ключевые драйверы изменений показателей и формируя готовые к действию выводы прямо внутри рабочего процесса аналитика.
Ограничения
Это заявление самого поставщика о бета-версии функции без независимой проверки, контрольной группы и точных цифр по времени или точности конкретных задач.
100%
Генерация SQL — в 10 раз быстрее; внедрение в продакшен — 3 дня; 100% успешных отчётов (по заявлению компании)
Что получили
Premier внедрила Databricks AI/BI Genie в свою аналитическую платформу INsights, чтобы сотрудники и клиенты-больницы могли получать данные без написания SQL-кода. Подтверждено на странице: генерация SQL-запросов происходит в 10 раз быстрее, чем вручную, а внедрение решения в продакшен заняло всего 3 дня при заявленной 100% успешности генерации точных отчётов.
Ограничения
Кейс от самого поставщика платформы (Databricks); заявление о 100% успешности — оценка компании без независимого аудита. Изначально в кандидате упоминались сокращение анализа потока пациентов до 3 часов и масштабирование на 20 000 пользователей — на странице источника этих цифр нет, поэтому они исключены как неподтверждённые.
≈1250 часов экономии в месяц
≈1250 часов экономии в месяц; ответ — менее 1 минуты вместо ручного поиска по источникам
Что получили
После внедрения чат-бота на Snowflake Cortex AI, который агрегирует неструктурированные данные (Slack-треды, документацию, материалы Snyk Learn) через Cortex Search, компания оценивает экономию примерно в 1250 часов рабочего времени в месяц; ответы на вопросы (около 2500 в месяц) стали приходить менее чем за минуту, по словам представителя компании — «with the Cortex Agents, we can return answers in less than a minute».
Ограничения
Оценка часов экономии сделана самой компанией без независимого аудита; кейс написан поставщиком технологии (Snowflake); охват шире, чем только клиентская обратная связь — включает также внутренние вопросы поддержки, продаж и разработки.
1,5%
5 млрд ₽ эффекта за год (~1,5% EBITDA); 11 демосессий, 5000+ сотрудников, 1300+ протестировали
Что получили
X5 Group внедрила AI-помощника Jay Copilot, чтобы сотрудники могли получать данные из корпоративных баз простым вопросом на естественном языке вместо составления SQL-запроса. Подтверждено на странице: 11 демообучений охватили более 5000 сотрудников, свыше 1300 человек протестировали приложения Jay в реальных сценариях; совокупный эффект от применения AI-технологий (включая этот инструмент аналитики) составил 5 млрд рублей за 2023 год, что оценивается примерно в 1,5% EBITDA компании.
Ограничения
Сумма эффекта — это совокупная оценка компании по всем направлениям применения AI, а не изолированный эффект именно от инструмента аналитики на естественном языке; независимая верификация цифры отсутствует.
ML-эксперименты — в 10 раз быстрее
Что получили
Инженеры NVIDIA стали использовать Codex как основной инструмент не только для написания кода, но и для автоматизации исследовательского цикла — от формулировки гипотезы до запуска эксперимента и анализа результатов. По оценке сотрудников, эксперименты по машинному обучению стали проводиться в 10 раз быстрее, а перевод кода с Python на Rust — в 20 раз эффективнее.
Ограничения
Прямая проверка текста страницы не удалась — openai.com блокирует автоматический доступ (Cloudflare bot-защита, подтверждено при прямой попытке открытия). Домен репутационный, поэтому кандидат оставлен на уровне не выше grade B. Оценки даны отдельными инженерами компании-партнёра OpenAI в качественных цитатах, без контролируемого сравнения «до/после» и точного определения единицы измерения «скорости экспериментов».
Анализ отзывов: 1 месяц → 1 минута
Анализ отзывов: 1 месяц → 1 минута; данные обрабатываются в 100 раз больше
Что получили
Mattel построила на BigQuery, Vertex AI и мультимодальных моделях Gemini систему классификации отзывов и обращений покупателей, заменившую ручной подсчёт тональности в таблицах. Когда в праздничный сезон покупатели стали массово жаловаться на неисправность лифта в наборе Barbie Dreamhouse, команда за счёт новой системы быстро выявила и каталогизировала жалобы и внедрила исправления в течение нескольких дней. По оценке компании (цитата директора по аналитике качества продукции), анализ, который раньше занимал месяц, теперь занимает около минуты («from months to minutes»), объём обрабатываемых данных вырос в 100 раз, а экономия от отказа от внешней разработки оценивается примерно в 1 млн долларов.
Ограничения
Кейс от поставщика облачной платформы (Google Cloud); оценка экономии в $1 млн — внутренняя оценка компании без независимого аудита.
Бизнес-анализ, продуктовые решения, консалтинг.
−19%
Что получили
На подходящих задачах консультанты работали на 25,1% быстрее и выполнили на 12,2% больше заданий. На задаче за пределами возможностей модели вероятность правильного ответа оказалась на 19% ниже.
Ограничения
Нужно заранее понимать, какие задачи AI способен решать; уверенный ответ может быть неверным.
2 человека
Что получили
В полевом эксперименте Procter & Gamble участники решали реальные задачи разработки продукта. Сотрудники с AI показали результат на уровне команд без AI и создавали более сбалансированные технические и коммерческие решения.
Ограничения
Краткосрочная продуктовая задача; не означает, что AI заменяет команду в реализации и эксплуатации.
-50%
Ревью -50%; тестирование до +85%; разработка +40%
Что получили
Ревью документов ускорилось на 50%, продуктивность тестирования выросла до 85%, разработки — на 40%.
Ограничения
Разные метрики относятся к разным процессам; методика и контрольная группа раскрыты ограниченно.
5 минут
Прототип нового продукта — 5 минут вместо «невозможно сделать одному»
Что получили
Figma встроила модели Claude в функцию Figma Make, чтобы дизайнеры, продакт-менеджеры и разработчики могли превращать наброски и текстовые описания в рабочие интерактивные прототипы без написания кода. Продакт-менеджер Holly Li собрала рабочий сценарий нового продукта за пять минут — то, что раньше было, по её словам, «буквально невозможно» сделать в одиночку без поддержки дизайна и разработки; другой пользователь за выходные собрал функциональный прототип стартапа и с его помощью впечатлил инвестора.
Ограничения
Самоотчёт поставщика без контрольной группы и универсальной метрики; результат зависит от сложности прототипа и качества исходного макета, приведённые примеры единичны
65%
65% сотрудников — ежедневное использование AI
Что получили
Canva развернула Claude for Work по всей компании (5000 сотрудников) как часть экспериментальной мультивендорной AI-экосистемы. 65% сотрудников ежедневно используют AI-инструменты для продуктивности, а спрос на доступ к Claude был настолько высок, что сотрудники «буквально выпрашивали аккаунты». Инструмент используется для прототипирования дизайна и итерации шаблонов (пользовательское тестирование), генерации и оптимизации кода, продуктового прототипирования и визуализации идей, а также копирайтинга с сохранением голоса бренда.
Ограничения
Самоотчёт поставщика; высокий процент ежедневного использования — показатель вовлечённости, а не прямого прироста выручки или скорости выпуска продукта
инсайты — в 10 раз быстрее
Разработка AI-функций: годы → недели; инсайты — в 10 раз быстрее
Что получили
Asana внедрила Claude в Work Graph, чтобы дать клиентам умные workflow, автоматизацию планирования и чат для инсайтов. По словам Asana, разработка функций, которая «раньше потребовала бы годы инженерных усилий», теперь занимает недели, а инсайты для принятия решений формируются в 10 раз быстрее. Клиент — глобальная медиа- и развлекательная компания — улучшила эскалацию вопросов к руководству и передачу задач между командами; компания, специализирующаяся на наружной рекламе, автоматизировала триаж и маршрутизацию креативных запросов.
Ограничения
Самоотчёт поставщика; оценки «10x» и «годы→недели» качественные, без независимой проверки методологии подсчёта
89%
89% adoption; 800+ AI-агентов; 10x рост использования год к году
Что получили
В марте 2023 года Zapier запустила стратегическую инициативу «Code Red» — общекорпоративный хакатон на 360 сотрудников, на время которого приостановили обычную работу ради поиска применений AI; инициатива дала 150 идей и более 60 реализованных решений. В результате систематического внедрения Claude Enterprise доля сотрудников, ежедневно использующих AI, выросла до 89% — максимум за историю компании; внутри компании развёрнуто более 800 AI-агентов (больше, чем сотрудников), использование приложений на базе Anthropic выросло в 10 раз год к году.
Ограничения
Самоотчёт поставщика; высокий adoption rate измеряет вовлечённость в использование инструмента, а не прямой финансовый или продуктовый эффект
−75%
Время на исследования: −75%+; рост бизнеса 2x год к году
Что получили
Компания перешла на «Google Workspace first» подход и внедрила NotebookLM (на базе Gemini) для ускорения исследовательской работы: по словам компании, «углублённый конкурентный анализ, который раньше требовал недель работы и сотен документов, теперь делается в разы быстрее». Время на исследования сократилось более чем на 75%, при этом компания выросла в 2 раза год к году без пропорционального роста штата; отдельно автоматизировано выставление счетов через Gemini в Google Sheets и App Script.
Ограничения
Маленькая консалтинговая фирма, самоотчёт поставщика без независимой проверки; эффект складывается из нескольких инструментов (Workspace + Gemini + NotebookLM), а не только генеративного AI
−90%
Подготовка отчёта по review: 4–5 часов → менее 30 минут (−90%)
Что получили
Docusign перешла с Office365 на Google Workspace с Gemini и провела масштабное корпоративное обучение по ответственному использованию AI. NotebookLM сократил подготовку к performance review с 4–5 часов до менее 30 минут на человека (сокращение около 90%), по словам старшего менеджера по инженерии; в целом сотрудники экономят 1–4 часа в неделю, 80% сообщили о положительном влиянии Gemini на повседневную работу, а 67% зафиксировали экономию 1–4 часов в неделю.
Ограничения
Самоотчёт по внутреннему опросу сотрудников; часть эффекта — от миграции всей коллаборационной инфраструктуры, а не только от генеративного AI; измеренная задача (performance review) ближе к HR, чем к продукту или стратегии
Юридический анализ, договоры, разметка документов.
−32%
Что получили
В рандомизированном эксперименте GPT-4 сократил время выполнения юридических заданий на 12–32%. Прирост качества был небольшим и непоследовательным, поэтому результат юриста остаётся обязательным.
Ограничения
Студенты, а не практикующие юристы; результат зависит от задания.
+50%
+50%…+130% в пяти задачах; NDA — без эффекта
Что получили
В пяти из шести задач производительность выросла на 50–130%; в задаче по NDA значимого эффекта не было.
Ограничения
Учебная выборка и специально настроенные инструменты; эффект не универсален даже внутри права.
−30%
Что получили
AI сократил время узкой задачи разметки примерно на 30% без статистически значимой потери качества. Этот результат нельзя переносить на юридическое заключение целиком.
Ограничения
Узкая задача разметки; не переносится на юридическое заключение целиком.
1,7×
1,7× эффективность; 25 минут экономии на час
Что получили
Пользователи оценили эффективность в 1,7 раза выше и экономию в 25 минут на час работы; 92,5% сообщили об экономии времени.
Ограничения
Самоотчет активных пользователей коммерческого продукта; нет контрольной группы.
+113%
Недели → дни; adoption +113%; качество теста +15%
Что получили
Срок внедрения функции сократился с недель до нескольких дней; внутреннее использование AI-инструментов разработчиками выросло на 113%, а модель была на 15% лучше альтернатив в тесте Terraform.
Ограничения
Внутренний benchmark поставщика; adoption не равен бизнес-эффекту.
-33%
17-33% ответов содержат галлюцинации
Что получили
Несмотря на маркетинговые заявления поставщиков об отсутствии галлюцинаций, все три инструмента галлюцинировали в диапазоне 17–33% ответов. Специализированные инструменты ошибались реже, чем «голый» GPT-4 без юридической настройки, но заявления о «безопасности от галлюцинаций» оказались завышены
Ограничения
Тестировались специализированные RAG-платформы для юридического поиска (не универсальные ассистенты вроде ChatGPT/Claude для общих задач); результат не переносится на предмет корректности AI при других юридических задачах (черновики, суммаризация); точная разбивка галлюцинаций по каждому из трёх инструментов не подтверждена при прямой проверке страницы (страница даёт только общий диапазон)
400%
ROI 400%, +25% ёмкости по делам без роста штата, окупаемость <6 месяцев
Что получили
Юридические фирмы получили ROI 400% за 3 года при окупаемости менее 6 месяцев (NPV 18,3 млн долл.). Совокупная приведённая выгода составила 22,8 млн долл. против 4,6 млн долл. затрат, из которых около 89% — рост выручки за счёт увеличения ёмкости по делам на 25% без роста штата, около 7,5% — рост продуктивности (33% сокращение времени на research, document review и drafting в базовых процессах), около 3,5% — снижение затрат на найм пяти дополнительных сотрудников поддержки в год
Ограничения
Заказное исследование поставщика (Thomson Reuters), композитная модель усредняет реальных клиентов, а не сырые данные; цифры не гарантированы для фирм другого профиля
до 32,5 рабочих дней в год экономии на человека
Что получили
Почти половина респондентов сообщили, что экономят от 1 до 5 часов в неделю благодаря генеративному AI. При экономии 5 часов в неделю накопленная годовая экономия составляет около 260 часов на человека — то есть 32,5 полных рабочих дня в год на человека; в масштабе крупной юрфирмы это может давать почти 200 000 часов экономии в год
Ограничения
Самоотчёт участников без независимой верификации фактического времени; фокус на e-discovery, не на всей юридической практике
-30%
-30% времени на проверку договора, до 7 часов экономии на одном договоре
Что получили
Сотрудники в среднем экономят 2-3 часа в неделю на рутинных задачах вроде суммаризации, анализа и перевода. Время проверки договора сократилось примерно на 30%, а юристы экономят до 7 часов в среднем на одной проверке договора
Ограничения
Самоотчёт поставщика и клиента без независимой проверки; результат зависит от масштаба фирмы и объёма стандартизации договоров
6-8 часов экономии юридического времени в день
Что получили
Партнёр фирмы сообщил, что экономит 6-8 часов рабочего времени юриста ежедневно благодаря CoCounsel и Westlaw Precision. Построение комплексной хронологии дела по загруженным материалам заняло около 10 минут вместо часов ручной работы
Ограничения
Одна фирма, самоотчёт без контрольной группы; цифры — оценка партнёра, а не измеренные тайм-трекингом данные
звонки на линию помощи ×2 без роста штата
Что получили
Организация вдвое увеличила число обработанных срочных звонков на горячую линию (почти 27 000 звонков в год против ранее около 16 000 пропущенных), время обработки срочного звонка сократилось с 30 до 15 минут, число взятых в работу дел выросло на 20%, скорость ответа оппонирующей стороне выросла на 90% — при том же составе команды
Ограничения
Некоммерческий сектор с иной экономикой труда, чем коммерческие юрфирмы; самоотчёт поставщика без независимой проверки
число петиций на юриста в год: 3 → 10
Что получили
Число поданных петиций на одного юриста выросло более чем втрое — с 3 до 10 в год, число рассматриваемых заявок на приём дела в месяц удвоилось. Базовое исследование по делу стало занимать 1 неделю вместо 2 месяцев (быстрее на 88%), написание петиции сократилось с 12 до 6 месяцев, а заявки на гранты стали готовиться примерно за 6% от прежнего времени
Ограничения
Очень маленькая организация с уникальной специализацией; самоотчёт поставщика, цифры не проверены независимо
-60%
-60% времени на проверку договора
Что получили
Юридическая команда сократила время, затрачиваемое на проверку договоров, на 60% благодаря системе автоматической разметки рисков, AI-чат-боту для быстрых юридических вопросов (Legal Helpdesk) и AI-поиску по базе документов. Среднее время ответа юридической службы поддержки на запросы сократилось до менее часа, а извлечение данных из документов, ранее занимавшее часы, стало занимать минуты — при этом свыше 90% работы осталась внутри команды
Ограничения
Название компании-заказчика не раскрыто в открытом доступе; кейс представлен через отраслевую ассоциацию и поставщика, без внешней верификации цифр
4 часа/неделя экономии на юриста
Что получили
Vodafone провела пилот Microsoft 365 Copilot среди 300 сотрудников юридического отдела, комплаенса и техотдела аудита. Юристы отметили, что Copilot помогает быстрее проверять и анализировать контракты; в среднем сотрудники юридического департамента стали экономить около 4 часов в неделю на человека. По итогам пилота компания объявила о планах расширить доступ к Copilot до 68 000 сотрудников по всему миру.
Ограничения
Самоотчёт по итогам раннего добровольного пилота, нет контрольной группы и независимой проверки; эффект при полном раскатывании на 68 000 сотрудников не подтверждён отдельно — на момент публикации это ещё план, а не свершившийся факт
Резюме, интервью, скрининг, наставничество и обучение.
+8%
Что получили
В полевом эксперименте AI-помощник улучшал текст резюме и увеличил вероятность найма на 8% без снижения удовлетворённости работодателя. Инструмент помогал соискателю, а не принимал решение за HR.
Ограничения
Инструмент помогал соискателю, а не HR-команде; эффект относится к качеству текста и матчингу.
+4 освоивших тему на 100 учеников
+4 освоивших тему на 100 учеников; у слабых наставников +9 на 100
Что получили
На каждые 100 учеников тему осваивали на 4 человека больше; у слабее оцененных наставников — на 9 человек больше.
Ограничения
Образование, а не корпоративный тренинг; эффект зависит от встроенной педагогической методики.
-60%
Около 1 месяца в год; стоимость документов -60%
Что получили
HR-команды оценили экономию примерно в один рабочий месяц в год; стоимость обработки документов снизилась на 60%, юридические проверки сократились с дней до минут.
Ограничения
Самооценка клиентов и выбранные сценарии; базовый объем работы не раскрыт полностью.
+25%
Кандидаты +25%; экономия >$150 тыс.
Что получили
AI-вакансии привлекали на 25% больше кандидатов; автоматический скрининг дал более 150 тыс. долларов экономии и результаты за минуты вместо недель.
Ограничения
Больше кандидатов не равно лучшему найму; риск смещения автоматической оценки не проверен независимо.
-85%
Стоимость -85%; pass rate 10% → 50%; трудозатраты -64%
Что получили
Стоимость рекрутмента снизилась на 85%; у Deel проход в человеческое интервью вырос с 10% до 50%; Legal Soft сократила трудозатраты персонала на 64% при 10 000 интервью в месяц.
Ограничения
Рекламный кейс продукта, который сам продает AI-интервью; возможен сильный отбор клиентов.
75%
+17.5–20 п.п. к проходу в финал; но 75% не завершают AI-интервью
Что получили
Кандидаты, отобранные с учётом данных AI-интервью, проходили в финальный раунд на 17.5–20 процентных пунктов чаще, чем при отборе только по резюме. Эффект был сильнее для младших кандидатов (прирост точности прогноза AUC +0.18 против +0.08 у опытных) — там, где резюме менее информативно. Но около 75% приглашённых кандидатов не прошли AI-интервью до конца, то есть инструмент повышает точность отбора, но создаёт новый барьер для части соискателей.
Ограничения
Результат специфичен для junior-позиций и одной платформы; выгода почти не распространяется на опытных кандидатов, а высокий отсев с AI-интервью может отсекать мотивированных, но занятых кандидатов
-50%
-50% продолжения подачи заявки; AI точнее людей предсказывает будущий успех на работе
Что получили
Асинхронные AI-интервью снизили продолжение подачи заявки более чем на 50%, сильнее всего — среди женщин. При этом AI-инструмент оценивал женщин и представителей меньшинств выше, чем люди-рекрутеры (у людей — обратная картина), и AI-оценка точнее предсказывала последующий успех на работе, чем оценка рекрутеров, которая страдала от когнитивных искажений.
Ограничения
Снижение числа заявок — это издержка для работодателя (потеря сильных кандидатов), а не только выгода; результат зависит от восприятия справедливости процесса, которое можно улучшить коммуникацией
+12%
+12% к получению оффера, без потери производительности нанятых
Что получили
Кандидаты, которых интервьюировал голосовой AI-агент, получали офферы на 12% чаще, чем те, кого интервьюировал человек. Прирост в офферах транслировался в больше фактических выходов на работу и удержание, при этом производительность нанятых работников не снизилась — эффект объясняется тем, что AI даёт более структурированные и последовательные, но при этом отзывчивые интервью.
Ограничения
Нет данных о типах должностей и отраслях; неясно, переносится ли эффект на сложные экспертные роли, где стандартизация интервью менее уместна
Все модели
Смещение обнаружено во всех протестированных моделях
Что получили
Все протестированные модели показали то или иное смещение по расе и полу при оценке идентичных по содержанию резюме; направление и величина смещения различались от модели к модели, то есть единого «безопасного по умолчанию» AI-скринера не существует.
Ограничения
Абстракт не содержит точных числовых значений смещения по моделям — только качественный вывод; тест не показывает, как смещение проявляется в реальном проценте отказов
-81%
-81% просмотренных профилей; Expedia: -30 дней к найму
Что получили
Рекрутеры, использующие Hiring Assistant, просматривают на 81% меньше профилей, чтобы найти подходящего кандидата, получают на 66% более высокий процент принятия InMail-сообщений и экономят в среднем 1.5 часа на роль. Expedia Group сократила время найма на 30 дней. У NES Fircroft кандидаты, найденные через Hiring Assistant, принимали InMail в 65% случаев против 39% при ручном поиске.
Ограничения
Самоотчёт вендора без независимой проверки и контрольной группы; цифры на сайте менялись между анонсами, что говорит о маркетинговой избирательности метрик
Время найма 10 дней → 3 дня
Время найма 10 дней → 3 дня; 2 млн+ часов экономии в год
Что получили
AI-агент Rita стала обрабатывать 95% процесса найма: 85% заявителей получают время собеседования в течение часа, время найма сократилось с 10 до 3 дней, компания экономит более 2 млн часов работы рекрутеров и HR ежегодно (40 000 часов в неделю), Rita отвечает более чем на 1.5 млн вопросов кандидатов в год.
Ограничения
Самоотчёт вендора и клиента без независимой проверки; результат специфичен для очень высокообъёмного массового найма линейного персонала, для редких вакансий с индивидуальным подбором неприменим напрямую
-80%
-80% времени до оффера; 8000 часов и $400 тыс. экономии
Что получили
Банк сэкономил 8000 часов работы рекрутеров и 400 000 долларов менее чем за год, сократил время до оффера на 80%, NPS процесса найма вырос более чем на 100 пунктов, а качество и результативность нанятых сотрудников выросли более чем на 20%.
Ограничения
Самоотчёт вендора и клиента, год публикации не указан явно в материале; специфично для высокообъёмного банковского найма на Ближнем Востоке
Время закрытия вакансии: 48 → 30 дней
Что получили
Время закрытия вакансии сократилось с 48 до 30 дней, срок от заявки до оффера составил всего 3.5 дня, срок от заявки до выхода на работу — 15 дней; при этом 77% кандидатов проходят виртуальное тестовое задание (Virtual Job Tryout) и 79% — интервью до конца.
Ограничения
Самоотчёт вендора и клиента; специфично для массового найма линейного персонала в производстве/логистике
30%
Доля разнообразных найм: 30% → 44%; время закрытия вакансии -35%
Что получили
За первый год доля новых сотрудников, отвечающих критериям разнообразия, выросла с 30% до 44% (+47% год к году), доля высококвалифицированных соискателей (оценка 3 балла из 5 и выше) выросла с 49% до 63% от всех заявок, а среднее время закрытия вакансии сократилось на 35%.
Ограничения
Компания в кейсе не названа, самоотчёт вендора; результат за 2018–2021 годы получен на классическом ML-скоринге, а не на генеративном AI в современном понимании
Время производства тренинга: 5 месяцев → 5 минут
Что получили
Создание 30-минутной тренинговой симуляции с виртуальными экспертами и ролевыми персонажами сократилось с 5 месяцев до 5 минут, а стоимость производства одной симуляции снизилась на величину до 200 000 долларов.
Ограничения
Самоотчёт вендоров (Meta и Cornerstone), нет данных о влиянии на реальную эффективность обучения сотрудников, только на скорость и стоимость производства контента
16%
Доля организаций с AI в найме: 16% (2022) → 31% (2024)
Что получили
Доля организаций, использующих AI/ML в подборе персонала, выросла до 31% (с 16% в 2022 году); среди использующих AI 66% отметили рост эффективности найма, а 62% — рост доступности полезной информации для планирования ресурсов; 78% организаций за год увеличили использование технологий в найме и онбординге в целом.
Ограничения
Опрос охватывает AI/ML в целом, а не только генеративный AI; оценки эффекта (66%, 62%) — субъективные самооценки респондентов, а не измеренные метрики. Проверено содержимым страницы напрямую — цифры совпадают дословно.
+95%
+95% к скорости поиска HR-информации; +30% к соответствию навыков задачам
Что получили
AI-копайлоты для HR-запросов ускоряют поиск информации сотрудниками на 95%, карьерные AI-ассистенты повышают удовлетворённость карьерными возможностями на 25%, AI-подбор проектов и ролей повышает соответствие навыков задачам на 30% и снижает предвзятость при отборе кандидатов на 25%, а AI-определение навыков сотрудников связано с ростом общей производительности на 25%.
Ограничения
Исследование заказано и профинансировано вендором (SAP), методология и размер выборки не раскрыты в пресс-релизе — цифры стоит воспринимать как маркетинговый, а не независимый результат. Проверено содержимым пресс-релиза напрямую — цифры совпадают дословно.
300+ часов времени преподавателей сэкономлено
300+ часов времени преподавателей сэкономлено; проверка дешевле в 500 раз
Что получили
VK Education внедрила чат-бота на платформе VK CXhub, который автоматически оценивал домашние задания по заданным критериям и эталонным решениям. Бот проверил 1141 работу от 620 студентов, только 4% (41 случай) потребовали ручной перепроверки, что высвободило более 300 часов времени преподавателей. Стоимость проверки одного задания снизилась примерно в 500 раз, а обратную связь студенты стали получать менее чем за минуту вместо ожидания до 72 часов.
Ограничения
Один курс с ограниченной выборкой (620 студентов), задания стандартизированы под чёткие критерии — для творческих/неструктурированных работ эффект может быть ниже
Сверка, закрытие месяца, аудит, банковские продукты.
70×
30 минут → 90 секунд; 70× выпуск в одном кейсе
Что получили
Проверка одного кейса сократилась с 30 минут до 90 секунд; у одного клиента выпуск вырос в 70 раз.
Ограничения
Кейс поставщика и один особенно успешный клиент; качество и цена ошибок раскрыты ограниченно.
−90%
Что получили
Поставщик бухгалтерской системы сообщает: у клиентов банковская сверка сократилась на 90%, закрытие месяца — на три дня, подготовка отчётности — на 50%. Это кейс поставщика без контрольной группы, а не средний эффект AI.
Ограничения
Метрики поставщика специализированной системы, а не общего чата; точность и исключения не раскрыты.
2×
До 2× продуктивности; 70 часов/неделю; окупаемость <3 месяцев
Что получили
В отдельных процессах продуктивность удвоилась; один аналитический сценарий экономил около 70 часов в неделю, окупаемость была менее трех месяцев.
Ограничения
Выбранные процессы и внутренний расчет окупаемости; не средний эффект всей компании.
-65%
Время -65%; уточнения -60%
Что получили
Время написания аудиторских материалов сократилось на 65%, число последующих уточнений — на 60%; 90% пользователей выразили уверенность в инструменте.
Ограничения
Внутренний кейс фирмы и выбранный процесс; уверенность пользователей не является проверкой правильности.
+80%
Около 3 часов/неделю; до +80% в отдельных процессах
Что получили
Средняя самооценка экономии — около 3 часов в неделю; в выбранных процессах эффективность выросла до 80%, недельная активность превысила 70%.
Ограничения
Самоотчет и выбранные workflow-тесты; не средний причинный эффект для банка.
3–6 месяцев → 2 недели
3–6 месяцев → 2 недели; клиентская доставка около 4 недель
Что получили
Цикл релиза сократился с 3–6 месяцев до 2 недель; доставка клиентского решения — примерно до 4 недель.
Ограничения
Результат выбранных процессов трансформации; другие организационные изменения не отделены.
60–90 минут/день
60–90 минут/день; подготовка <1 минуты
Что получили
Банкиры экономят 60–90 минут в день; подготовка к клиентской встрече занимает менее минуты.
Ограничения
Самоотчет одной небольшой организации; качество советов и комплаенс контролируются внутренне.
40%
40% ежедневных пользователей; около 2 часов/неделю
Что получили
40% участников использовали Gemini ежедневно и оценили экономию примерно в 2 часа в неделю.
Ограничения
Самоотчет пилотной группы; не средний результат всех 5 000 сотрудников.
34,1%
Галлюцинации 34,1% → 3,9%; месяцы → недели/часы
Что получили
Доля галлюцинаций снизилась с 34,1% до 3,9% по сравнению с прежними моделями; циклы моделирования сократились с месяцев до недель или часов.
Ограничения
Внутренний benchmark и специализированный продукт; оставшиеся 3,9% ошибок критичны в финансах.
-20%
+10-20% продуктивности разработчиков
Что получили
LLM Suite развернули на 200 000+ сотрудников за 8 месяцев. Технологические команды получили рост продуктивности в написании и конвертации кода на 10-20%. Число активных пилотов AI выросло до 450 с планом выйти на 1000 к следующему году.
Ограничения
Цифры — публичные заявления банка без независимого аудита; агрегированный процент продуктивности не разбит по типам задач и не учитывает контроль качества. Утверждение об автоматизации 40% исследовательских задач инвестбанкирами в проверенном тексте статьи отсутствует — исключено из описания.
>1 млрд SGD
Экономический эффект от AI: >1 млрд SGD (прогноз на 2025 год, после удвоения за предыдущие годы)
Что получили
Банк развернул более 800 AI-моделей в 350+ кейсах. Экономический эффект от их использования должен превысить 1 млрд SGD (~740 млн $) в 2025 году после последовательного удвоения в предыдущие годы. Банк получил награду Celent Global Model Bank Award за индустриализацию AI (2024).
Ограничения
Совокупный эффект включает классический ML, а не только генеративный AI; точная цифра за 2024 год в источнике не раскрыта (только формулировка «последовательное удвоение в последние годы»), методика расчёта «экономического эффекта» не детализирована. Ранее заявленные цифры «750 млн SGD за 2024» и «1500+ моделей, 370 кейсов» в проверенном тексте не найдены и скорректированы.
245,4 млн
245,4 млн обращений за 2024 год без привлечения оператора
Что получили
В 2024 году Fargo обработал 245,4 млн обращений клиентов без передачи чувствительных данных в языковую модель и без участия человека в этих диалогах — более чем вдвое превысив первоначальные прогнозы. С момента запуска накоплено более 336 млн обращений; испаноязычная версия составляет более 80% использования с момента её запуска в сентябре 2023 года.
Ограничения
Нет данных об удовлетворённости или доле успешно решённых (а не просто обработанных) запросов — это объём взаимодействий, а не качество исхода. Заявления о «более 1 млрд транзакций за 3 года» и «3 млн испаноязычных клиентов, 160 млн обращений» в проверенном тексте не подтвердились и исключены из описания.
98%
98% клиентов находят нужную информацию; ~58 млн обращений в месяц в 2025 году
Что получили
В 2025 году Erica обрабатывает в среднем свыше 58 млн обращений в месяц (около 700 млн за год), а всего с момента запуска в 2018 году накоплено более 3 млрд обращений. 98% пользователей находят через Erica нужную информацию. Клиенты получили более 1,7 млрд проактивных персонализированных подсказок.
Ограничения
«98% находят информацию» — собственная метрика банка без внешней методологии; не показано влияние на решение реальных финансовых задач или на отток клиентов. Заявления о «20,6 млн пользователей в 2025 году» и «среднем обращении 48 секунд» в проверенном тексте не найдены и исключены из описания.
-15%
-15% времени написания кода у 20 000+ разработчиков
Что получили
Более 600 кейсов применения AI в группе (мошенничество, кибербезопасность, мониторинг транзакций, обслуживание клиентов, риск-оценка). У 20 000+ разработчиков AI-ассистенты для кода дали экономию 15% времени написания кода. AI-ассистент в блоке корпоративного и институционального банкинга обслуживает более 3 млн клиентских обращений в год, 88% клиентов оценивают взаимодействие как простое.
Ограничения
Совокупные показатели по 600+ кейсам не разделены по типам AI (классический ML vs генеративный) — сложно вычленить эффект именно генеративного AI. Заявления о «85% сотрудников с доступом к генеративному AI» и «100+ из них — генеративный AI» в проверенном тексте страницы не найдены и исключены из описания.
15 → 50 млрд ₽
15 млрд ₽ экономии сейчас → до 50 млрд ₽ через два года (прогноз)
Что получили
По словам президента банка Андрея Костина, текущий эффект от инвестиций в AI составляет 15 млрд рублей экономии в год, а в течение двух лет эта сумма может вырасти до 50 млрд рублей за счёт проектов в кредитном скоринге, анализе диалогов колл-центра, персонализации предложений и оптимизации сети отделений и банкоматов.
Ограничения
Цифра — публичное заявление топ-менеджера без детализации методики расчёта и без разделения эффекта классического ML и генеративного AI.
×5
Скорость поиска инсайтов ×5, ресурсы на анализ ÷4
Что получили
После внедрения тематических моделей на базе BERT и AI-помощника для суммаризации коммуникаций скорость поиска инсайтов в отзывах выросла в 5 раз, количество требуемых ресурсов сократилось в 4 раза, точность моделей классификации превысила 90%, вырос охват анализируемых данных и доверие к результатам.
Ограничения
Кейс описан со слов банка без независимой проверки; неясно, как измерялась «точность >90%» и на какой выборке. Упомянутый в исходном черновике отдельный пилот по генерации аналитических гипотез (ускорение в 2-3 раза, рост полноты гипотез на 35-40%) в проверенном тексте статьи не найден и исключён из описания.
+21%
+21% оплачиваемых часов; закрытие месяца быстрее на 7,5 дня
Что получили
Бухгалтеры, использующие генеративный AI, перераспределили около 8,5% времени с рутинного ввода данных на задачи с высокой добавленной стоимостью (~3,5 часа в 40-часовую неделю), на 55% чаще оказывали дополнительную поддержку клиентам, показали на 21% больше оплачиваемых часов и закрывали месяц на 7,5 дня быстрее пользователей без AI; также выросла детализация плана счетов (+12%).
Ограничения
Наблюдательное сравнение пользователей и непользователей AI, а не рандомизированный эксперимент — часть эффекта может объясняться отбором более технологичных фирм в группу пользователей AI; в исходной карточке ошибочно упоминался отчёт CPA.com — реальный первоисточник это препринт на SSRN, а не отчёт CPA.com.
+5%
+5% точности, −50% задержки ответа на части бухгалтерских задач
Что получили
По собственным данным компании, специализированные финансовые LLM Intuit в составе GenOS показали на 5% более высокую точность и на 50% меньшую задержку ответа для некоторых бухгалтерских рабочих процессов по сравнению с определёнными универсальными LLM общего назначения; эти модели уже работают в QuickBooks Online и Intuit Enterprise Suite при обслуживании ~100 млн пользователей.
Ограничения
Метрики точности/задержки не раскрывают конкретный бенчмарк и сравниваемую модель; формулировки «некоторые процессы» и «определённые LLM» указывают на выборочность; нет данных о влиянии на реальных пользователей (время подготовки отчётности, число ошибок).
96%
Оценка кредитного дела: 3–5 дней → менее 1 часа (сокращение ≈96%)
Что получили
Kuwait Finance House разработала собственный AI-движок RiskGPT, работающий поверх бизнес-правил банка и подключённый к генеративным Copilot-инструментам Microsoft, что позволило риск-менеджерам получать ответы и сложные риск-модели на естественном языке вместо ручной работы в таблицах. Подтверждено на странице: оценка кредитного дела, ранее занимавшая 3–5 дней, теперь укладывается в менее чем 1 час; сверка данных для отчётности сократилась с 2 недель до мгновенного результата после загрузки данных в Power BI.
Ограничения
RiskGPT — это собственный AI-движок банка, куда встроены генеративные Copilot-инструменты Microsoft как один из компонентов; из кейса нельзя выделить, какая доля ускорения обеспечена именно генеративным AI, а не автоматизацией данных в целом.
50%
Сборка тирщита: ~60 мин → ~5 мин; при этом лишь 50% финмоделей полностью корректны
Что получили
Model ML встроила модель GPT-5.6 Sol в свою платформу AI-агентов, автоматизирующую полный цикл финансового анализа — от брифа до готовой презентации и Excel-модели со ссылками на источники. По данным компании, сборка типового тирщита по компании сократилась примерно с 60 минут до 5 минут; при этом лишь 50% сгенерированных финансовых моделей полностью корректны без правок, а профессионально готовых к использованию презентаций — 43,3% (против 26,7% на предыдущей модели).
Ограничения
Прямая проверка текста страницы не удалась — openai.com блокирует автоматический доступ (Cloudflare bot-защита, подтверждено при прямой попытке открытия). Домен репутационный (официальные customer stories OpenAI), поэтому кандидат оставлен, но не выше grade B из-за невозможности сверить точные цифры с первоисточником напрямую. Показатели точности (50% полностью корректных моделей, 43% «профессионально готовых» презентаций) в любом случае говорят о том, что результат требует проверки человеком.
Цикл выручки: 40 дней → 7 дней
Цикл выручки: 40 дней → 7 дней; +$250 000 выручки
Что получили
Срок цикла оборота выручки (revenue cycle) сократился с 40 до 7 дней за счёт более быстрого закрытия карт и снижения бэклога документации, что принесло центру дополнительно 250 000 долларов выручки.
Ограничения
Один небольшой медцентр с особой структурой финансирования (FQHC); финансовый эффект зависит от исходно медленных бэк-офис процессов, которые не универсальны для всех клиник.
40%
До 40% времени на подготовку кредитных меморандумов → цель сократить минимум на 30%
Что получили
Агентный AI выполняет более 70 разных задач и готовит черновик кредитного меморандума из структурированных и неструктурированных данных. Подготовка таких меморандумов ранее отнимала до 40% рабочего времени релейшнз-менеджеров; заявленная цель внедрения — сократить это время как минимум на 30%.
Ограничения
30% — заявленная цель на момент анонса, а не измеренный фактический результат; независимой проверки нет
Почта, встречи, документы, поиск по базе знаний.
−40%
Что получили
Участники с ChatGPT выполняли письма, пресс-релизы и короткие отчёты примерно на 40% быстрее, а независимая оценка качества была на 18% выше. Исследование не измеряет продажи или долгосрочный результат компании.
Ограничения
Короткие, четко поставленные письменные задания; не измеряет итог бизнеса или долгосрочное качество.
84%
84% положительных изменений; доверие — без изменения
Что получили
84% дневниковых записей описывали положительные изменения работы, но доверие к AI статистически не изменилось.
Ограничения
Короткий период и самоотчеты; не измеряет финансовый эффект.
+3,3%
+3,3%…+69% в зависимости от задачи
Что получили
Рост производительности зависел от задачи и составил от 3,3% до 69%; сильнее всего AI помогал с суммаризацией и инструкциями.
Ограничения
Небольшая выборка; широкий диапазон не является средним эффектом для офиса.
-25%
Почта -25% времени; встречи — без изменения
Что получили
Фактические пользователи тратили на почту примерно на 3 часа в неделю меньше; документы завершались умеренно быстрее, время встреч не изменилось.
Ограничения
Доступ к инструменту не равен использованию; эффект заметен на части рабочих активностей.
Качество ↑, мотивация ↓
Результат выше; внутренняя мотивация ниже после AI-сотрудничества
Что получили
Совместная работа повышала результат задания, но переход обратно к самостоятельной работе снижал внутреннюю мотивацию и повышал скуку.
Ограничения
Лабораторные задания; мотивационный эффект не равен текучести или снижению результата в компании.
-35%
Время поиска -35%; другой клиент — 10 минут на запрос
Что получили
Osaka Gas сообщила о сокращении времени поиска информации на 35%; Remote оценил экономию в 10 минут на поиск при около 300 запросах в день.
Ограничения
Несколько выбранных клиентов поставщика, без контрольной группы и общей методики.
20%
Доступ к нужному документу: 20% → 80%; follow-up клиентам: дни → часы
Что получили
Morgan Stanley развернула для консультантов внутреннего ассистента на базе GPT-4, который ищет ответы по базе знаний компании, и инструмент Debrief, который на основе записи созвона готовит заметки для CRM и черновики писем клиентам. По заявлению компании, доля запросов, где консультант получал доступ к нужному документу, выросла с 20% до 80%; подготовка follow-up писем клиентам сократилась с дней до часов; 98% команд консультантов в wealth management активно пользуются ассистентом.
Ограничения
Прямая проверка текста страницы не удалась — openai.com блокирует автоматический доступ (Cloudflare bot-защита, подтверждено при прямой попытке открытия). Домен репутационный (официальные customer stories OpenAI), кейс широко известен и совпадает с публично цитируемыми цифрами, но верификация содержимого не выполнена напрямую, поэтому оценка ограничена grade B. Кейс от поставщика модели (OpenAI); представлены метрики охвата и скорости внутренних процессов, но не показано влияние на итоговые бизнес-результаты.
30 минут → пара минут (согласование закупки ПО)
Что получили
Авито построила платформу корпоративных AI-агентов «Виталик» на базе RAG и MCP, которая закрывает процессные и операционные вопросы сотрудников, а также маршрутизацию согласований. В опубликованном примере агент для закупки ПО сократил время решения типовой задачи согласования с 30 минут до пары минут.
Ограничения
Цифры приведены только для одного пилотного сценария (закупка ПО); нет данных о числе сотрудников/агентов и об эффекте по компании в целом
2000+ часов в месяц сэкономлено
Что получили
Grasshopper Bank развернула Google Workspace с Gemini для 155 сотрудников в Северной и Южной Америке. По данным компании, банк экономит более 2000 часов работы в месяц благодаря Gemini, а ИТ-отдел всего из 3 человек поддерживает всю цифровую инфраструктуру благодаря автоматизации и встроенным средствам безопасности (Google Vault, DLP).
Ограничения
Самоотчёт клиента без описания методологии расчёта часов; небольшая компания (155 человек) — эффект в компаниях с другой структурой процессов может отличаться
87%
87% пользователей отмечают рост продуктивности; 3–4 часа/неделя экономии
Что получили
Globe Telecom внедрила Google Workspace с Gemini по всей организации через подход из трёх опор (совместимость технологий, интеграция процессов, обучение сотрудников), начав со структурированной программы для ранних последователей. В результате доля сотрудников, использующих Gemini, достигла 80%, 87% из них сообщили о росте продуктивности, а среднее время экономии на сотрудника составило 3–4 часа в неделю.
Ограничения
Самоотчёт клиента; доля 87% измерена среди уже практикующих Gemini-пользователей, а не по всей компании
Профессиональный и машинный перевод с редактурой.
-12,3%
Время -12,3%; качество +0,18 SD; заработок/мин +16,1%
Что получили
При десятикратном росте вычислительной мощности модели перевод выполнялся на 12,3% быстрее, качество росло на 0,18 стандартного отклонения, заработок в минуту — на 16,1%.
Ограничения
Эффект сильнее у менее квалифицированных переводчиков; нужна редактура терминологии и фактов.
82,6%
Принятие 82,6%; без правок >80%; стоимость -80%
Что получили
82,6% предложений принимались; более 80% переводов не требовали правок, стоимость снизилась на 80%.
Ограничения
Результат специализированной платформы; сильно зависит от языковой пары и терминологии.
-44%
115,68 → 64,33 минуты (-44%), COMET 0,83 vs 0,85, креативность 26,5% vs 25,5%
Что получили
Согласно Table 1 и Table 4 статьи: суммарное время редактирования вывода GPT-4 составило 64,33 минуты против 115,68 минуты на перевод того же материала с нуля (HT) — то есть примерно на 44% быстрее (у GPT-3.5 время редактирования оказалось даже выше человеческого — 119,74 минуты, у Mistral — 87,12). При этом оценка креативности перевода на основе GPT-4 составила 26,5% против 25,5% у человеческого перевода, а COMET — 0,83 против 0,85 у человеческого
Ограничения
Очень маленькая выборка (4 переводчика, один текст, одна языковая пара), художественный перевод — результат не переносится напрямую на техническую/юридическую локализацию, где важна терминологическая точность; постредактирование GPT-3.5, в отличие от GPT-4, оказалось даже медленнее перевода с нуля
345%
ROI 345% за 3 года, экономия эффективности ~2,8 млн евро за 3 года
Что получили
По данным исследования Forrester, композитная организация, использующая DeepL Translator, добилась 345% ROI за три года, сокращения времени внутреннего перевода документов на 90%, снижения объёма переводческой нагрузки на 50%, экономии на процессах в размере 227 430 евро за три года и экономии на эффективности в размере 2,8 млн евро за три года
Ограничения
Исследование заказано и оплачено самим вендором (DeepL), композитная организация построена по интервью только с 4 клиентами и не является отдельной реальной компанией — цифры стоит воспринимать как верхнюю оценку потенциала, а не гарантированный результат; страница блога DeepL не открылась напрямую при проверке (503), но содержание подтверждено независимым пресс-релизом Businesswire с теми же цифрами
10+ часов → менее 2 часов на том
10+ часов → менее 2 часов на том; 5 → 50 книг в месяц
Что получили
После внедрения Claude как переводческого агента (в связке с технологией инпейнтинга для текста на изображениях) время подготовки одного тома манги сократилось с более чем 10 часов до менее 2 часов, издательская мощность выросла в 10 раз — с 5 до 50 книг в месяц (в 5–7 раз выросла общая эффективность процесса), а доля переводов Claude, принятых без правок редактора, составила 50–75%
Ограничения
Самоотчёт клиента без независимой проверки методологии измерений; специфика доменного (стилизованного, визуального) перевода манги не переносится на юридический или медицинский перевод
в 2 раза быстрее, в 3 раза дешевле
Что получили
После внедрения машинного перевода DeepL с постредактированием человеком в связке с Translation Memory и глоссарием внутри Crowdin локализация стала выполняться в 2 раза быстрее и в 3 раза дешевле по сравнению с прежним процессом при сохранении стандартов качества, охват расширился до 11 языков (включая маркетинговые материалы, техдокументацию и обучающий контент Ajax Academy)
Ограничения
Самоотчёт клиента вендора (Crowdin/DeepL), нет данных о независимой оценке качества перевода после ускорения
-95%
месяцы → недели/дни (-95% времени)
Что получили
После перехода на связку AI-перевода и машинного перевода в Smartling время запуска локализованного веб-контента сократилось примерно на 95% — процесс, занимавший месяцы, стал занимать недели или даже дни, а ежедневные обновления сайта теперь публикуются на нескольких языках за минуты; экономия на переводе составила сотни тысяч долларов в год
Ограничения
Самоотчёт клиента вендора, точная база сравнения (что именно считалось «до») не детализирована
-60%
-60% расходов на перевод
Что получили
После перехода на платформу Smartling с AI-переводом компания сократила расходы на перевод на 60% при сохранении показателя своевременной доставки переводов на уровне 99,7% и единого тона коммуникации в 5 бизнес-подразделениях
Ограничения
Самоотчёт клиента вендора, нет данных о независимой проверке качества перевода после снижения затрат
-25%
-25% времени перевода
Что получили
После внедрения AI-перевода в Smartling среднее время перевода нового отельного предложения на все языки сократилось на 25% (для топ-языков — итальянского и нидерландского — экономия времени достигла дополнительных 15%), при этом число поддерживаемых маркетинговых кампаний выросло на 20%, а расходы на привлечение фрилансеров не увеличились
Ограничения
Самоотчёт клиента вендора; эффект специфичен для формата коротких коммерческих описаний, может не переноситься на длинные юридические тексты
-80%
-80% расходов на перевод видео
Что получили
После перехода на AI-локализацию видео через HeyGen 65-минутная презентация гендиректора была переведена на 8 языков за 4 рабочих дня вместо 8+ дней традиционным способом, расходы на перевод видео снизились на 80% (за счёт замены студийной озвучки стоимостью 800–1200 евро), время производства видео сократилось на 50%, а на обучение сотрудников работе с инструментом уходит около 45 минут
Ограничения
Самоотчёт клиента вендора; AI-дубляж/аватары могут не подходить для внешней коммуникации с высокими требованиями к аутентичности голоса и лица
100 → 148 курсов
100 курсов за 12 лет → 148 курсов менее чем за 1 год
Что получили
Используя генеративный AI и внутренний подход 'shared content' (создание высококачественного базового курса с быстрой адаптацией под разные языки), Duolingo выпустила 148 новых языковых курсов менее чем за год — тогда как первые 100 курсов компания создавала около 12 лет; по словам CEO Луиса фон Ана, это стало возможным благодаря инвестициям в AI и автоматизацию
Ограничения
Официальный пресс-релиз самой компании без независимой проверки; в самом релизе фигурирует общая формулировка «генеративный AI», а не конкретно «GPT-4»; сравнение периодов не полностью «при прочих равных» — за 12 лет менялась не только технология, но и штат, процессы и приоритеты компании; решение также сопровождалось спорным сокращением контрактных методистов
Клинические подсказки, администрирование, документация.
Статистически значимого преимущества не найдено
Что получили
Предоставление GPT-4 врачам не дало статистически значимого улучшения диагностического рассуждения по сравнению с обычными ресурсами.
Ограничения
Высокорисковая экспертная задача; результат не переносится на административную работу в медицине.
-80%
Административное время -80%
Что получили
В отдельных административных процессах время сократилось на 80%, высвобождая часы для работы с пациентами.
Ограничения
Не относится к диагностике; выбранные процессы и самоотчет системы здравоохранения.
-32%
История -32%; диагностика -16%; лечение -13%
Что получили
Ошибки сбора истории снизились на 32%, обследований — на 10%, диагностики — на 16%, лечения — на 13%.
Ограничения
OpenAI финансировала исследование; нерандомизированное сравнение может сохранять смешение.
7 часов на сотрудника в неделю
Что получили
Средняя заявленная экономия составила 7 часов на сотрудника в неделю за счет заметок, писем, документов и суммаризации отраслевой информации.
Ограничения
Самоотчет пользователей и набор разных задач; не клинический результат.
78,6%
78,6% ответов AI предпочтено экспертами
Что получили
Оценщики предпочли ответы чат-бота в 78,6% (95% ДИ 75,0–81,8%) из 585 оценок. Качество ответов AI оценили в среднем 4,13 из 5 против 3,26 у врачей (доля «хорошо» и выше: 78,5% против 22,1%, т.е. в 3,6 раза чаще). Эмпатичность ответов AI — 3,65 из 5 против 2,15 у врачей (доля «эмпатично» и выше: 45,1% против 4,6%, в 9,8 раза чаще). Ответы AI были заметно длиннее (211 слов против 52), что могло повлиять на восприятие эмпатии.
Ограничения
Сравнение на неформальном форуме, а не в реальной клинической практике; врачи отвечали бесплатно и могли не показывать обычный уровень качества; нельзя переносить на реальные консультации без контроля безопасности.
−14 пунктов
Нагрузка врача −14 пунктов индекса task load, время ответа не изменилось
Что получили
Черновики использовались в среднем в 20% ответов (до 29% у медсестёр гастроэнтерологии). Статистически значимого сокращения времени на чтение, написание или общее время ответа не произошло. При этом значимо снизилась субъективная рабочая нагрузка (task load score: 61,31 → 47,26, p<.001) и эмоциональное истощение (1,95 → 1,62, p<.001).
Ограничения
Один академический центр, нет контрольной группы (одногрупповой дизайн), эффект на реальное время не подтверждён — выигрыш скорее психологический, чем в часах.
+21,8%
+21,8% времени на чтение сообщения
Что получили
Время на прочтение сообщения с черновиком AI выросло примерно на 21,8% (значимо), время на составление ответа не изменилось значимо (−5,9%, не значимо), а длина ответа выросла примерно на 17,9% — то есть врачи тратили больше времени на проверку и редактирование, а не меньше. Часть врачей отмечала «излишне вежливый, формальный» тон черновиков и подвергала их значительному редактированию.
Ограничения
Один академический центр, только 4 типа сообщений (рецепты, результаты, документы, общие вопросы); результат может не переноситься на более зрелые модели/интерфейсы 2026 года.
−9,5%
Nabla: −9,5% времени на заметки; DAX: без значимого эффекта
Что получили
Согласно метаданным издателя (Crossref: заголовок «Ambient AI Scribes in Clinical Practice: A Randomized Trial», авторы Lukac, Turner, Vangala и др., NEJM AI, ноябрь 2025 — совпадает с описанием кандидата), у пользователей Nabla время работы с заметками сократилось на 9,5% относительно контроля, у DAX Copilot значимого изменения не было (−1,7%). Оба инструмента улучшили показатели выгорания.
Ограничения
Прямую страницу открыть не удалось (403, платный доступ) — заголовок, авторы, журнал и дата подтверждены только через метаданные Crossref, конкретные числовые результаты из абстракта независимо не проверены; один медцентр.
−3,19 мин/день
Разница между продуктами: −3,19 мин/день заметок в пользу лучшего
Что получили
Продукт B дал более сильный рост удовлетворённости рабочим процессом (+2,51 балла из 7 против +1,91 у продукта A) и снизил время написания заметок на 3,19 минуты в день больше, чем продукт A. Оба инструмента значимо снизили показатели выгорания без значимой разницы между собой. Значимых различий во внерабочем времени за компьютером не выявлено.
Ограничения
Один медцентр; конкретные названия продуктов A и B в открытых источниках не всегда раскрываются; результат зависит от качества интеграции с конкретной ЭМК.
89%
Выгорание: 89% → 56% провайдеров
Что получили
Оценка опыта работы с ЭМК (KLAS Net EHR Experience) в группе AI выросла с 52,6 (70-й перцентиль) до 75,2 (99-й перцентиль), в контроле — снизилась с 37,3 до 30. Доля врачей с признаками выгорания упала с 89% (8 из 9) до 56% (5 из 9) в группе AI, в контроле осталась на уровне 38%. При этом значимых изменений во времени документации («пижамное время»), времени в заметках на приём и wRVU не было.
Ограничения
Очень маленькая выборка (23 человека, из них 9+8 завершили обе анкеты) — статистическая мощность низкая, эффект на реальные часы работы не подтверждён.
4 недели
Депрессия и тревога снизились значимо (p<.001 от исходного уровня к неделе 4) за 4 недели
Что получили
У группы, пользовавшейся Wysa, депрессия значимо снижалась к неделе 2 (p=.04) и продолжала снижаться к неделе 4 (p=.001; от исходного уровня p<.001); в контроле изменений не было (p=.73). Тревога значимо снижалась к неделе 2 (p=.050) и к неделе 4 (p=.02; от исходного уровня p<.001); в контроле без изменений (p=.67). Уровень стресса значимо не менялся ни в одной из групп.
Ограничения
Очень маленькая выборка (68 человек), самоотчётные шкалы, короткий срок наблюдения (4 недели) — долгосрочный эффект неизвестен; изменение стресса не подтвердилось.
−40%
−40% времени документации на приём
Что получили
8-недельный пилот на 6000+ визитах показал сокращение времени документации на 40% на приём и устойчивое снижение показателя выгорания на 30% (по Stanford Professional Fulfillment Index, замер на 30 и 90 день). После пилота 400 врачей внедрили инструмент за неделю, охвачено более 300 000 визитов, поддержка 35+ языков.
Ограничения
Публикация поставщика технологии, без независимой контрольной группы; метрики самоотчётные со стороны клиники-партнёра.
55%
55% врачей сэкономили ≥1 часа в день
Что получили
55% клиницистов сэкономили не менее 1 часа времени на документацию, 89% сказали, что порекомендуют Nabla коллегам, 78% готовы полностью заменить прежний способ ведения записей на AI-скрайб.
Ограничения
Самоотчётный опрос без внешней проверки, нет данных о размере выборки опрошенных и методологии подсчёта времени; страница подтверждена прямым чтением содержимого.
+8,15%
+8,15% wRVU год к году; NPS 87 → 94
Что получили
Средний рост Work RVU (условных единиц трудозатрат) на 8,15% год к году по всем 23 специальностям (в направлении по диабету +30%, кардиологии +23%, психиатрии +18%). Индекс удовлетворённости пациентов (NPS) вырос с 87 до 94 пунктов; специальности с двузначным ростом продуктивности показали и двузначный рост удовлетворённости пациентов (в кейсе также указано: +2,4% удовлетворённости на каждый +1% продуктивности).
Ограничения
Наблюдательное сравнение «до/после» без рандомизации — рост продуктивности может быть частично связан с другими изменениями в клинике за год, а не только с AI; страница подтверждена прямым чтением содержимого.
−50%
Документация −50%, выгорание −47%
Что получили
Время документации сократилось на 50%, показатель выгорания снизился на 47%, доля карт, закрытых в день визита, выросла с 82% до 89%; 60% врачей отметили, что стали чувствовать более тесную связь с пациентами и семьями.
Ограничения
Кейс поставщика без раскрытой методологии измерения и размера выборки врачей; педиатрический контекст может не переноситься на взрослую медицину; страница подтверждена прямым чтением содержимого.
Онбординг: 30–60 мин → 10 мин
Что получили
Онбординг участников сократился с 30–60 минут ручной работы коуча до 10-минутного разговора с AI-агентом; живые коучи освобождены от рутинных административных вопросов для более глубокой клинической работы. Отдельно упомянуто внешнее исследование, по которому похожий эмпатичный AI-онбординг даёт на 13,6 п.п. более высокое завершение онбординга и примерно 2-кратное удержание участников — сам Wondr Health эти показатели пока не измерил, это цель второй фазы бета-тестирования.
Ограничения
Кейс вендора на раннем этапе внедрения, ссылка на «до 2х удержания» — это внешнее исследование про онбординг вообще, а не измеренный результат самого Wondr Health (в самом кейсе явно указано, что это цель, которую ещё предстоит проверить во второй фазе).
безопасность вендоров: недели → 15 минут
Цикл разработки сокращён вдвое; безопасность вендоров: недели → 15 минут
Что получили
Доля сотрудников, использующих Claude, выросла с ~80% до 98% (с марта 2026), доля кода, написанного с помощью AI, выросла с ~70% до 98%; цикл разработки продукта от идеи до pull request сократился вдвое, инженеры стали закрывать в 2–3 раза больше pull request в неделю. Оценка риска вендоров по безопасности сократилась с нескольких недель до 15 минут, время реагирования службы безопасности — с 3+ недель до нескольких часов. Автоматизировано более 60 финансовых процессов закрытия периода.
Ограничения
Результат относится к внутренним ИТ/безопасность/финансы процессам health-tech компании, а не к клиническому уходу за пациентами; в сильно регулируемой отрасли, но не про непосредственную медицинскую практику.
+16%
+16% направлений за 6 месяцев; ЛГБТК+ обращения +75%
Что получили
Число направлений за полгода выросло с ~6900 до более 8000 (примерно +16%); обращения от ЛГБТК+ пациентов выросли с 400 до 700 (+75%), обращения BAME (этнические меньшинства) выросли с 2000 до 2200. Точность автоматического определения тяжести зависимости (ADSM) составила 93%. Также отмечено сокращение времени двухнедельного ожидания оценки (без точного процента) и экономия времени клинициста за счёт готовой документации перед приёмом.
Ограничения
Кейс поставщика без контрольной группы; рост направлений мог быть частично связан с общим ростом спроса на услуги психологической помощи, а не только с AI-триажем; рост обращений BAME скромнее (+10%), чем рост ЛГБТК+ обращений.
≈1,5 часа/день
≈1,5 часа сэкономленного времени в день (по словам врача)
Что получили
Врач-семейный терапевт и консультант по лактации сообщила, что стала экономить около полутора часов в день — в основном за счёт часовых сессий по лактации, заметки по которым раньше дописывались после конца рабочего дня. Инструмент корректно распознавал речь с сильным акцентом и на нескольких языках (упомянуты французский и китайский), работал на телефоне там, где неудобно использовать ноутбук (например, в смотровой без ноутбука на сменах в неотложке).
Ограничения
Очень маленький кейс (трое врачей, нет агрегированных цифр по клинике), самоотчёт специалистов, нет данных о выборке или контроле.
Госуправление, документы и анализ данных в госорганах.
−34%
Что получили
В британском госсекторе качество документов выросло на 17%, а время сократилось на 34%. На задаче анализа данных качество снизилось на 12%, ускорения не было.
Ограничения
Один государственный контекст, но хорошо показывает различие по типу задачи.
95 минут/день экономии (≈8 часов/неделю)
Что получили
Штат Пенсильвания первым в США официально протестировал ChatGPT Enterprise для госслужащих. По итогам года сотрудники сообщили, что экономят в среднем 95 минут в день (около 8 часов в неделю, 30 часов в месяц) на составлении писем, резюмировании документов и работе с бюрократическими процессами. 85% из 175 участников оценили опыт положительно, при этом 48% никогда раньше не пользовались ChatGPT. По итогам пилота губернатор объявил о расширении программы до 3000+ госслужащих.
Ограничения
Самоотчёт участников без независимого замера производительности и без контрольной группы; эффект может отражать эффект новизны/обучения за год пилота, не факт, что сохранится при масштабировании на всех госслужащих. Проверено прямым чтением статьи — цифры и факты подтвердились.
3%
≈60 минут/неделю экономии (2–3% рабочего времени)
Что получили
Сотрудники HMRC самостоятельно оценили экономию времени в 2–3% рабочей недели (около 60 минут в неделю), в основном на черновиках в Word и совместной работе в Teams. При экстраполяции на 50 000 лицензий по всему ведомству эффект оценили в ~£50 млн чистой выгоды в год. Но 46% тех, кто не пользовался инструментом, назвали причиной опасения по безопасности и работе с чувствительными данными, а сам отчёт называет свою методологию «намеренно осторожной» и подчёркивает, что цифры — это грубая базовая оценка, а не точный замер.
Ограничения
Результат самоотчётный, ограничен работой только с несекретными материалами (ниже Official Sensitive), выборка смещена в сторону активных пользователей — эффект скромнее, чем у вендорских кейсов, честно показывает границы применимости в регулируемом госведомстве. Проверено прямым чтением отчёта — подтверждено, включая явную формулировку авторов о «намеренно осторожной» методологии.
25+ минут/день
25+ минут/день экономии (до 35 минут у проектных менеджеров)
Что получили
В среднем участники экономили более 25 минут в день (почти две рабочие недели в год), сотрудники по управлению проектами — более 35 минут в день, у налоговых специалистов эффект был минимальным (11 минут в день). Свыше 70% сообщили, что стали меньше тратить времени на рутину и больше — на содержательную работу. Более 80% не хотели бы отказываться от Copilot. 9 из 12 ведомств продлили лицензии после эксперимента, а правительство расширило закупку до 31 000 лицензий.
Ограничения
Данные самоотчётные (не независимо измеренная производительность), эффект сильно варьируется между функциями — от 11 до 35+ минут в день, поэтому одно усреднённое число нельзя переносить на любую госфункцию. Проверено прямым чтением статьи — все цифры подтвердились.
-50%
-50% времени на протоколы совещаний
Что получили
Государственный AI-ассистент Pair, работающий на защищённой правительственной инфраструктуре с поддержкой данных уровня «Sensitive», за два месяца охватил более 11 000 пользователей в 100+ ведомствах, из них свыше 4500 — еженедельно активные. Отдельная функция Noms (автоматическое протоколирование встреч) в пилоте показала экономию около 50% времени, которое сотрудники тратили на написание протоколов совещаний.
Ограничения
Самоотчёт вендора-разработчика (само государственное IT-агентство), нет независимой проверки; экономия 50% относится к узкой функции протоколирования встреч, а не ко всей работе госслужащего. Заявленная в исходном кандидате цифра «~80% из 150 000 госслужащих пробовали чат» на самой странице не подтвердилась и была убрана из карточки как непроверенная.
-66%
-66% затрат на службу поддержки, +1300 часов персонала в год
Что получили
AI-агент Ral-E на платформе ServiceNow снизил затраты на службу ИТ-поддержки города на 66% и вернул сотрудникам более 1300 часов рабочего времени в год, автономно решая почти половину обращений в ИТ-поддержку с целью довести долю автономных решений до 85%. Город намерен распространить сервис на всех 500 000 жителей.
Ограничения
Самоотчёт вендора и клиента без независимого аудита; расширение на 500 000 жителей и рост автономного решения до 85% заявлены как план, а не завершённый факт. Проверено прямым чтением пресс-релиза — цифры подтвердились.
+60%
+60% обращений обрабатывает AI, -35% операционных затрат
Что получили
По данным отчёта правительства Дубая, AI-чат-боты и виртуальные ассистенты в госорганах эмирата обрабатывают свыше 60% типовых обращений граждан, что дало снижение операционных затрат на 35% и ускорение предоставления услуг до 25%. Отдельно в сфере торговли и логистики (Dubai Customs) внедрение AI снизило издержки до 15%.
Ограничения
Прямым чтением подтверждена только структура программы (33 ведомства, 183 предложенных кейса, 75 пилотов) — сама страница-лендинг отчёта; детальные проценты (60%/35%/25%/15%) находятся в PDF-версии отчёта, которая не открылась инструментом (сайт вернул ошибку), поэтому эти конкретные цифры не удалось подтвердить напрямую, хотя источник репутационный и официальный. Агрегированные цифры по 15 успешным кейсам из 183 предложений — типичная селекция удачных примеров, а не средний эффект по всем госуслугам.
70%
-50–70% времени на протоколы и черновики документов
Что получили
По собственной оценке участников пилота, Copilot воспринимался как сокращающий время на протоколирование встреч и составление первых черновиков документов на 50–70%. При этом отчёт правительства фиксирует, что выигрыш сильно зависит от типа задачи и ведомства, а не является универсальным.
Ограничения
Оценка на основе субъективного восприятия участников (не хронометраж), диапазон 50–70% очень широкий и может отражать разные задачи и ведомства. ВАЖНО: инструмент проверки не смог открыть страницу напрямую (сайт digital.gov.au многократно не отвечал / обрывал соединение при попытках автоматического доступа) — содержание не подтверждено построчным чтением, оставлено на основании репутационности официального государственного домена Австралии.
Научные исследования, контроль качества, производство.
+15%
+15%…+40% фундаментальных исследований
Что получили
Публикации по белкам без ранее известной структуры выросли на 15–40%; ранних доказательств роста прикладных лекарственных результатов не найдено.
Ограничения
Эффект на фундаментальные исследования, а не на выпуск лекарства или выручку.
-90%
HR-время -90%; 1–2 часа → 20 секунд
Что получили
В HR агрегирование и анализ данных сократились примерно на 90%; задачи на 1–2 часа стали занимать около 20 секунд, технические исследования — минуты вместо месяцев.
Ограничения
Самоотчет выбранных процессов; «месяцы в минуты» относится к поиску, а не к завершенному R&D.
-35%
Обучение -35%; compute -25%
Что получили
Время обучения моделей сократилось примерно на 35%, вычислительные расходы — на 25%.
Ограничения
Эффект облачной инфраструктуры для ML, а не генеративного помощника сотрудника.
−80%
Черновик CSR: ~3 недели → 3–4 дня (−80%); ошибок на 50% меньше; экономия ~100 часов труда на отчёт
Что получили
Merck совместно с QuantumBlack (McKinsey) разработала генеративную AI-платформу, которая автоматизирует предобработку таблиц, извлечение данных, форматирование и генерацию текста для клинических отчётов об исследованиях (CSR), при этом финальный текст проверяет медицинский писатель. Время подготовки черновика CSR сократилось примерно на 80% — с почти 3 недель до 3–4 дней (сокращение трудозатрат порядка 100 часов на отчёт), а количество ошибок в данных, формулировках и цитатах снизилось примерно вдвое (на 50%).
Ограничения
Изначальная ссылка на пресс-релиз Merck оказалась битой (404, опечатка в URL); прямой доступ к странице McKinsey не удалось получить инструментом (таймаут/блокировка бота), факты и цифры подтверждены через вторичный источник (отраслевое издание genaigazette.com), явно ссылающийся на mckinsey.com как первоисточник с теми же цифрами. Это оценка самой компании и партнёра-разработчика; финальный документ по-прежнему проходит обязательную проверку человеком.
18 месяцев
18 месяцев от мишени до кандидата (typical timeline в отрасли — годы)
Что получили
Согласно аннотации статьи (подтверждено через метаданные и абстракт Crossref, полный текст на nature.com закрыт логин-стеной): путь от открытия мишени TNIK генеративным AI до номинации доклинического кандидата занял около 18 месяцев. Соединение подавляло фиброзные процессы в органах in vivo; безопасность и фармакокинетика подтверждены в рандомизированном двойном слепом плацебо-контролируемом исследовании Фазы I на 78 здоровых добровольцах (NCT05154240), а также в отдельном исследовании Фазы I в Китае (CTR20221542).
Ограничения
Прямую страницу открыть не удалось (редирект на логин nature.com) — содержание подтверждено через официальный абстракт в метаданных Crossref, а не прочтением полного текста; это R&D фармкомпании с открытым интересом в успехе технологии; ускорение относится к ранней стадии открытия мишени/молекулы, а не ко всему циклу разработки лекарства до регистрации.
0%
0% → 61–84% успешных решений (pass@5) на автоматически проверяемых задачах генерации EDA-скриптов; на сложных задачах — экспертная оценка 0–10, а не проценты
Что получили
На автоматически проверяемых (pass@5) задачах генерации EDA-скриптов точность выросла с 0% у GPT-4 и LLaMA2-70B-Chat до 61–77% у ChipNeMo-70B для Python-инструмента и с 20% (GPT-4) до 84% для Tcl-инструмента. На сложных реальных задачах (по 25 на каждый инструмент), которые эксперты оценивали по шкале 0–10 (а не в процентах), доменная модель также значительно обошла GPT-4 (например, для Python: около 3.6 балла против 0.0 у GPT-4). В чат-помощнике для инженеров (с RAG) доменная модель обошла GPT-4 по экспертным оценкам качества ответов на 7-балльной шкале.
Ограничения
Прирост получен только после дорогого дообучения модели на закрытых внутренних данных компании (специализированный R&D-проект с командой из десятков инженеров NVIDIA), а не из коробки готовой подпиской на ChatGPT/Claude; неприменимо напрямую к малым и средним компаниям без своих данных и ресурсов на дообучение. Исходные проценты по 'сложным' задачам в первоначальной формулировке кандидата не соответствовали таблице статьи (там эти задачи оценены людьми по шкале 0–10, а не в процентах) — метрика скорректирована по факту проверки полного текста.
8 недель → 8 часов
8 недель → 8 часов на разработку концепции нового продукта
Что получили
Время создания концепции нового продукта и сопутствующего контента сократилось с 8 недель до 8 часов; скорость получения ценности от AI-поддерживаемых процессов выросла на 75%; тысячи часов сэкономлены в командах R&D, инноваций и маркетинга; платформу используют 70% сотрудников продуктовой разработки и маркетинга.
Ограничения
Метрика касается скорости создания концепций и контента, а не самого пищевого R&D (рецептур и технологии производства); результат — самоотчёт вендора и клиента без независимой проверки.
18 месяцев → дни
18 месяцев → несколько дней на цикл разработки вкуса продукта
Что получили
Цикл от брифа до формулы нового продукта сократился с 18 месяцев до нескольких дней; платформа управляет более 70 ТБ молекулярных и потребительских данных в BigQuery, автоматически анализирует вкусовой профиль 100 продуктов в день через Cloud Run, а предсказания совпадают с реальными дегустационными панелями более чем на 75%.
Ограничения
Показатель точности (75% корреляции с реальными панелями) относится к узкоспециализированной научной платформе, а не к общей AI-подписке; воспроизводимость результата в других категориях продуктов независимо не подтверждена; результат — самоотчёт вендора и клиента.
10+ недель → 10 минут
10+ недель → 10 минут на подготовку клинической документации
Что получили
Время на подготовку документации по клиническому исследованию сократилось с 10+ недель до 10 минут; количество ресурсов, необходимых для создания протоколов верификации устройств, снизилось на 95%; ранее один штатный автор готовил вручную в среднем лишь 2,3 отчёта в год.
Ограничения
Самоотчёт вендора и клиента; в высокорегулируемой фармацевтической отрасли итоговые документы всё равно проходят экспертную проверку человеком, что ограничивает перенос результата на менее регулируемые индустрии.
3–6 месяцев → дни
3–6 месяцев → несколько дней на верификацию углеродных кредитов
Что получили
Время верификации углеродных кредитов сократилось с 3–6 месяцев до нескольких дней; ускорены геологические исследования площадок и процессы получения разрешений; автоматизированы маркетинговые операции через AI-агентов.
Ограничения
Самоотчёт вендора и клиента без точных данных об объёме обработки; узкая ниша (промышленное удаление углерода) ограничивает прямой перенос вывода на массовое производство.
38%
38% реактивных ремонтов → на 25% быстрее устранение неисправностей; 8,4 млн £/год экономии на одном заводе
Что получили
До внедрения доля реактивных (незапланированных) ремонтов на заводе составляла 38%. После внедрения предиктивного обслуживания на основе Claude неисправности устраняются на 25% быстрее, избыточные запасы снижены на 20%; компания оценивает будущую экономию в 8,4 млн фунтов в год на одной производственной площадке после выхода на полный рабочий режим.
Ограничения
Оценка экономии (8,4 млн £) — прогнозная, «после выхода на бизнес-режим», а не подтверждённый факт за полный отчётный год; результат специфичен для тяжёлого промышленного оборудования и требует интеграции с датчиками, а не просто доступа к чат-подписке.
96%
96% быстрее подготовка аудитов, −99% затрат на аудит
Что получили
Аудиты безопасности, ранее занимавшие около двух недель, теперь готовятся примерно за час (на 96% быстрее); точность аудитов выросла на 10–20%; затраты на проведение аудитов снижены на 99%.
Ограничения
Кейс о безопасности и аудитах активов, а не о самом производстве энергии; точная база сравнения (прежний объём и стоимость аудитов) не детализирована в открытом источнике; самоотчёт вендора и клиента.
15 часов → 3,6 секунды
15 часов → 3,6 секунды на симуляцию контроля качества
Что получили
Время на симуляционные исследования контроля качества сократилось с 15 часов до 3,6 секунды (примерно в 15 000 раз); энергопотребление снижено на 10% за счёт симуляции процессов в реальном времени; точность обнаружения дефектов выросла на 5–20% благодаря синтетическим обучающим данным.
Ограничения
Результат требует развёртывания специализированной инфраструктуры цифровых двойников (Omniverse, DGX), а не просто подписки на AI-чат; неприменимо к компаниям без собственных производственных линий и капитальных вложений в симуляцию; самоотчёт вендора.
Сотни часов → полдня
Сотни часов → полдня на разработку задачи для робота
Что получили
Время разработки новой роботизированной задачи сократилось с сотен часов до примерно половины рабочего дня; точность позиционирования робота при сборке достигла 5–6 см благодаря обучению с подкреплением на цифровом двойнике; компания планирует внедрить цифровые двойники более чем на половине своих заводов к 2030 году.
Ограничения
Проект пока на стадии пилотов и долгосрочных планов (до 2030 года), а не полностью развёрнут по всей компании; требует значительных инвестиций в робототехнику и симуляцию, а не только подписку на AI-чат; самоотчёт вендора.
Советы, автоматизация и рост для небольших компаний.
0%
Средний эффект 0%; нижняя группа около -10%; верхняя более +15%
Что получили
В среднем выручка и прибыль не изменились. У слабых предпринимателей результат ухудшился примерно на 10%, у сильных мог вырасти более чем на 15%.
Ограничения
Советы без интеграции в процесс могут усиливать исходную способность пользователя, а не выравнивать ее.
91%
91% отмечают рост выручки от AI
Что получили
91% МСБ, использующих AI, говорят, что технология увеличивает выручку; 87% отмечают, что AI помогает масштабировать операции, 86% — что улучшает маржу; 78% называют AI «меняющим правила игры» для их компании. Растущие компании внедряют AI активнее (83%), чем стагнирующие или падающие; 78% растущих МСБ планируют увеличить инвестиции в AI против 55% у падающих
Ограничения
Самоотчёт владельцев бизнеса без контрольной группы и независимой проверки причинности; исследование заказано и опубликовано вендором AI-решений
1,7%
доля платящих за AI малых бизнесов выросла с 1,7% до 17,7% за 6 лет
Что получили
Доля предприятий, платящих за AI-сервисы, выросла примерно с 1,7% (январь 2019) до 17,7% (конец 2025); новые пользователи 2025 года достигают отметки в 10% принятия за ~6 месяцев против 77 месяцев у первой когорты 2019 года (~13-кратное ускорение); средний входной чек упал на 60% (с ~$50 до ~$20 в месяц), при этом медианные траты по рынку в целом выросли до ~$80 к 2022 году и снизились до ~$30 к 2025; сектор информационных услуг лидирует по внедрению (39,3%), строительство отстаёт (8,9%)
Ограничения
Измеряет только оплату сервисов через транзакции банка Chase, а не измеренный эффект на выручку или прибыль бизнеса
91%
91% считают, что AI сделал бизнес успешнее
Что получили
91% использующих AI говорят, что технология сделала их бизнес успешнее; 60% отметили экономию времени и рост эффективности; 33% сэкономили от 40+ минут в неделю на маркетинге благодаря AI; 28% ожидают экономии от $5000 за 12 месяцев благодаря AI и автоматизации
Ограничения
Небольшая выборка (486 респондентов), опрос среди клиентов вендора маркетинговой платформы, самоотчёт, нет контрольной группы
44%
44% считают, что генеративный AI выравнивает шансы против крупного бизнеса
Что получили
50% владельцев пробовали генеративный AI за последние месяцы; 44% считают, что генеративный AI помогает конкурировать с крупным бизнесом; молодые и чернокожие предприниматели в 1,5 раза чаще используют AI, чем белые владельцы (примерно треть чернокожих и латиноамериканских микробизнесов против четверти белых и азиатских); пользователи AI заметно более оптимистичны в отношении своего бизнеса (81%) и экономики (40%), чем те, кто не использует AI (72% и 36% соответственно)
Ограничения
Опрос про восприятие и намерения, а не про измеренный финансовый результат; выборка ограничена микробизнесом с собственным сайтом
93%
93% пользователей AI отмечают позитивный эффект на бизнес, но лишь 14% внедрили его полностью
Что получили
76% сейчас используют AI; 93% из них отмечают позитивный эффект на бизнес; 84% называют главным плюсом рост эффективности и производительности; 67% ожидают роста выручки от AI, 87% считают, что AI дополняет, а не заменяет сотрудников; при этом лишь 14% полностью встроили AI в основные бизнес-процессы, а 73% говорят, что им нужно больше обучения и поддержки для эффективного внедрения
Ограничения
Выборка — участники образовательной программы Goldman Sachs, не полностью репрезентативна для всего малого бизнеса; самоотчёт о влиянии на бизнес; страница отдавала 403 при первом заходе, содержимое подтверждено при повторном запросе с браузерным user-agent
74%
74% видят положительный ROI от инвестиций в AI
Что получили
66% малого бизнеса используют AI (+10 п.п. с мая 2025); 74% пользователей отмечают положительный ROI от инвестиций в AI; главные зоны отдачи — рост продуктивности сотрудников (51%) и снижение количества ошибок (48%); 64% используют AI-чат-ботов для поддержки клиентов, из них 32% отмечают рост удовлетворённости клиентов; 88% признают, что ещё учатся эффективно использовать AI
Ограничения
Самоотчёт о ROI без независимого финансового аудита; вендор-спонсируемое исследование финансовой компании
×2 чаще
ежедневные пользователи AI в 2 раза чаще показывают рост выручки
Что получили
Владельцы, ежедневно использующие AI, в 2 раза чаще отмечали рост выручки, чем те, кто никогда его не использовал; при этом 53% сказали, что их бизнес не пострадал бы, исчезни AI-инструменты завтра — «разрыв готовности» связан с опасениями по безопасности данных (36%) и недоверием к точности AI (29%)
Ограничения
Корреляция, а не доказанная причинность — более успешные компании могут просто чаще пробовать новые инструменты
24%
24% малых работодателей США используют AI
Что получили
Только 24% малых работодателей используют AI (76% — нет); использование растёт с размером компании — 21% у фирм менее 10 сотрудников против 48% у фирм от 50 сотрудников; 98% говорят, что AI не повлиял на численность их штата; главные планируемые сценарии применения — переписка и документы (29%) и маркетинг и реклама (27%)
Ограничения
Отражает текущий уровень принятия, а не измеренный эффект от использования; выборка чуть более 500 респондентов
38%
38% малого и среднего бизнеса США сейчас используют AI
Что получили
38% бизнеса сейчас используют AI — уровень остался таким же, как в предыдущей волне (плато после скачка в 2024 году); 67% согласны, что AI помогает экономить время на конкретных задачах, позволяя сосредоточиться на основном бизнесе; главные барьеры для не-пользователей связаны с недостатком знакомства с технологией и опасениями по безопасности
Ограничения
Небольшая выборка (600 респондентов); измеряет восприятие и намерения, а не задокументированный финансовый эффект
3%
рост выручки в среднем на 3% у малого бизнеса, внедрившего AI
Что получили
Доля малого бизнеса, использующего AI, выросла почти втрое за два года — с 20% (2023) до 55% (2025); среди пользователей 59% отметили рост продуктивности, 24% — рост выручки, 22% — рост бизнеса в целом; в среднем внедрившие AI компании показали рост выручки на 3%; по оценке FSB, более широкое внедрение может добавить экономике Великобритании £42 млрд в год; при этом обеспокоенность рисками AI выросла с 73% до 92% владельцев
Ограничения
Самоотчёт владельцев о росте выручки без контроля прочих факторов; выборка — члены отраслевой ассоциации, а не случайная выборка всего рынка; проверено — цифры статьи точно совпали с первоисточником
35%
до 30–35% потенциальный рост рентабельности МСП от внедрения AI
Что получили
66% МСП отметили расширение доступа к рынку, 58% — рост привлечения клиентов; почти 60% показали двузначный рост выручки; 78% отметили заметное снижение стоимости привлечения клиента; по оценке отчёта, стратегическое внедрение AI может дать в среднем 30–35% роста рентабельности бизнеса, ранние пилоты AI показывают потенциал снижения операционных издержек на 20–30%; полное освоение AI и цифровых инструментов МСП может дать экономике более $490 млрд
Ограничения
Отчёт заказан и профинансирован Google; часть цифр — проекции потенциала, а не измеренный по всей выборке факт; методология макрорасчёта раскрыта не полностью; проверено — цифры статьи совпали с первоисточником
15%
только 15% малых бразильских компаний регулярно используют генеративный AI, несмотря на 96% осведомлённости
Что получили
96% малых компаний (MPE) и 87% микропредпринимателей (MEI) знакомы с генеративным AI вроде ChatGPT или Gemini (у средних/крупных — 99%), но регулярно используют такие инструменты лишь 15% MPE и 18% MEI против 35% среди средних и крупных компаний; главное применение у малого бизнеса — маркетинг и продвижение (59% MPE, 74% MEI), у крупного — анализ данных (67%); главный барьер у микробизнеса (23%) — незнание, как применить AI в своём деле, тогда как у крупного бизнеса на первом месте опасения по безопасности (35%)
Ограничения
Точный размер и методология выборки раскрыты частично (около 5000 компаний, сентябрь 2025); данные по Бразилии не переносимы напрямую на другие рынки; проверено — цифры статьи совпали с первоисточником
20%
рост продуктивности МСП на 15–20% в пилотных внедрениях AI
Что получили
Пилотные внедрения AI в индийских МСП показали рост продуктивности на 15–20% и снижение издержек на 20–30% как прямой эффект внедрения; по оценке отчёта, полное освоение AI индийскими МСП может дать экономике $490–685 млрд; AI-скоринг кредитов способен сократить срок обработки заявки МСП с недель до нескольких часов
Ограничения
PDF технически не удалось извлечь для прямой проверки текста (инструмент вернул нечитаемые бинарные данные); домен официальный (reports.weforum.org), отчёт известен и цитируется другими источниками, но прямая проверка формулировок не удалась; значительная часть цифр — экстраполяция данных крупных предприятий и отдельных пилотов
1,08 часа/день
1,08 часа в день экономии времени благодаря генеративному AI
Что получили
Канадские МСП, использующие генеративный AI, в среднем экономят 1,08 часа в день — эффективно «удваивают» время на использованные задачи; каждый вложенный в цифровые инструменты $1 приносит в среднем $1,60 отдачи, а у «цифровых лидеров», полностью внедривших технологии, — $2,40; 23% МСП уже инвестировали в генеративный AI за последние 3 года, ещё 25% планируют это сделать; более половины бизнесов увидели отдачу от техноинвестиций в первые два года, со средним ростом продуктивности на 29% в первый год
Ограничения
Исследование спонсировано поставщиками цифровых и платёжных решений; методика расчёта «часов экономии» не раскрыта полностью в открытых материалах; проверено — цифры пресс-релиза совпали с первоисточником
17%
доля МСП с AI выросла с 17% до 53% за год
Что получили
Доля МСП, использующих AI, выросла с 17% до 53% за год; чаще всего нейросети применяют в маркетинге, аналитике и работе с клиентами; спрос на специалистов, умеющих работать с нейросетями, в российской рознице вырос на 120% за год; при этом эксперты не прогнозируют массовых сокращений персонала — AI заменяет отдельные операции, а не целые профессии
Ограничения
При проверке первоисточника цифра «сокращение операторов на 70–90%» в статье НЕ обнаружена и исключена из результата как недостоверная; остальные цифры (17%→53%, +120% спрос на специалистов) подтверждены дословно; полная методология опроса RSBI не приведена в источнике
×2,8
AI-пользователи среди МСП растут в 2,8 раза быстрее
Что получили
МСП, использующие продукты и функции с AI (около 40% всех МСП на платформе), растут в 2,8 раза быстрее тех, кто их не использует; 54% пользователей отметили экономию времени, 34% — рост продуктивности; при этом 46% МСП не используют AI и не планируют делать это в ближайший год, что указывает на растущий разрыв между лидерами и отстающими
Ограничения
Корреляция роста и использования AI не доказывает причинность — успешные компании могут просто быстрее внедрять новые инструменты; данные собраны и опубликованы самим вендором ПО; проверено — цифры пресс-релиза совпали с первоисточником
Кто и как часто использует AI, кто платит, где ограничения.
0%
Заработок и часы: эффект около 0%; верхняя граница около 2%
Что получили
Через два года не найдено изменений заработка или отработанных часов; исследование исключает средний эффект больше 2%.
Ограничения
Макроэффект может появиться позже; нулевой результат не отрицает локальную экономию времени.
+16,7%
+16,7% на уровне отдельных задач; медиана оценок +14,7%
Что получили
Предпочтительная средняя оценка — рост продуктивности задачи на 16,7%; 31 исследование положительное, 12 смешанных, 2 нулевых.
Ограничения
Высокая неоднородность и риск публикационного смещения; это не рост выручки, прибыли или общей производительности компании.
20%
Что получили
Среди крупных и средних организаций, уже использующих AI, 57% отметили рост качества и эффективности бизнес-процессов, 46% — производства и только 20% — производительности труда. Это самооценка пользователей AI, а не причинный эффект.
Ограничения
Знаменатель — организации, уже использующие AI, а не все компании; преимущественно крупные и средние.
55%
Что получили
В Евросоюзе AI использовали 17% малых, 30,4% средних и 55% крупных компаний. Это доля компаний с хотя бы одной AI-технологией, а не доля сотрудников и не оценка российского рынка.
Ограничения
Не Россия; показатель компании, использующей хотя бы одну AI-технологию, а не регулярность использования сотрудниками.
20,2%
Все 20,2%; крупные 52%; малые 17,4%
Что получили
AI использовали 20,2% компаний: 52% крупных и 17,4% малых; в ICT — 57,3%, в профессиональных и научных услугах — 36,8%.
Ограничения
Определения и охват по странам различаются; не измеряет эффект от внедрения.
20%
Все около 17–20%; 100–249 сотрудников 32%; 250+ сотрудников 37%
Что получили
В 2026 году AI использовали около 17–20% компаний; среди компаний с 250+ сотрудниками — 37%, с 100–249 — 32%, у микробизнеса — менее 20%.
Ограничения
В ноябре 2025 формулировка вопроса расширилась, поэтому старые и новые ряды напрямую не сопоставимы.
35%
Компании 35%; ежедневное использование большинством сотрудников 15%
Что получили
35% компаний использовали хотя бы одну AI-технологию, но только 15% сообщили, что более половины сотрудников используют AI ежедневно; у большинства численность не изменилась.
Ограничения
Показывает разницу между наличием AI и глубоким использованием; не является российским ориентиром.
23%
На работе за неделю 23%; ежедневно 9%
Что получили
К концу 2024 года почти 40% взрослых использовали генеративный AI; 23% занятых использовали его на работе за последнюю неделю и 9% — ежедневно.
Ограничения
Опрос людей, а не компаний; самооценка экономии времени около 1,4% всех рабочих часов.
52%
Иногда 52%; часто 30%; ежедневно 15%; интеграция 47%
Что получили
Во втором квартале 2026 года 52% использовали AI хотя бы иногда, 30% — часто, 15% — ежедневно; 47% сказали, что организация интегрировала AI.
Ограничения
Самоотчет работников США; частота использования не равна бизнес-результату.
65%
Положительный эффект 65%; очень сильный 17%
Что получили
65% работников в организациях, интегрирующих AI, сообщили о положительном влиянии на продуктивность; 17% — об очень сильном положительном влиянии.
Ограничения
Восприятие, а не замер производительности; сильный риск позитивного отбора пользователей.
23%
Часто 23%; ежедневно 10%; отрасли 33–76%
Что получили
45% когда-либо использовали AI на работе, 23% — часто, 10% — ежедневно. Доля использования: технологии 76%, финансы 58%, профессиональные услуги 57%, розница 33%, медицина 37%, производство 38%.
Ограничения
Отраслевые различия велики; общий процент нельзя применять к конкретной функции внутри компании.
67%
Что получили
Культура, поддержка руководителя и практики работы с талантами объясняют вдвое больше самооценённого эффекта AI, чем личные установки и поведение — 67% против 32%. Одной покупки подписок недостаточно.
Ограничения
Корреляции, а не причинные эффекты; высокий уровень использования не доказывает пользу.
12,2%
Используют 12,2%; планируют 14,5%
Что получили
В 2025 году 12,2% компаний использовали AI при производстве товаров или услуг; 14,5% планировали использовать его в следующие 12 месяцев.
Ограничения
Более узкое определение использования, чем в некоторых международных опросах.
75%
75% скорость/качество; 40–60 минут в день
Что получили
75% сообщили об улучшении скорости или качества; типичная самооценка экономии — 40–60 минут в день. В IT 87% сообщили об ускорении решения проблем.
Ограничения
Исследование поставщика и самоотчеты клиентов; не использовать как независимый средний эффект.
52%
Дополнение 52%; автоматизация 45%; концентрация API top-10 — 32%
Что получили
В ноябре 2025 года 52% диалогов Claude.ai дополняли работу человека, 45% автоматизировали ее; в API 10 крупнейших задач давали 32% использования.
Ограничения
Только пользователи Claude; классификация описывает способ взаимодействия, не качество или ROI.
69%
Регулярное использование: лидеры 69%, сотрудники 45%; ≥1 часа/день: 29% и 20%
Что получили
69% лидеров и 45% сотрудников использовали AI регулярно; 29% лидеров и 20% сотрудников сообщили об экономии не менее часа в день.
Ограничения
Опрос поставщика и самооценка; лидеры и сотрудники отвечали о личном использовании, а не о доле компании.
78%
AI хотя бы в одной функции 78%; genAI 71%
Что получили
78% сообщили об использовании AI хотя бы в одной функции, 71% — о регулярном использовании генеративного AI; большинство компаний все еще не переработали процессы глубоко.
Ограничения
Выборка руководителей и широкое определение «использует»; не сопоставлять с официальной статистикой малых компаний.
28%
Что получили
28% сотрудников используют AI в работе несколько раз в неделю или чаще, ещё 13% — ежедневно, 50% — хотя бы несколько раз в год.
Ограничения
Самоотчёт о частоте использования, не измеряет эффект на результат.
46%
Что получили
О рабочем использовании генеративного AI сообщили 23,6% компаний с одним сотрудником, 35,8% с 2–9, 41,5% с 10–49 и 45,8% с 50–249 сотрудниками.
Ограничения
Доля компаний, а не доля людей внутри них.
88%
Что получили
Среди сотрудников с доступом к AI регулярно им пользуются 88% тех, кто считает интеграцию в рабочие системы хорошей, против 55% остальных.
Ограничения
Корреляция, не причинный эффект.
41%
Что получили
41% платят за рабочие AI-подписки из своего кармана, 37% — подписку оплачивает работодатель.
Ограничения
Опрос читателей нашего канала, не срез всего рынка.
76%
Что получили
76% сотрудников используют AI для работы не меньше, чем для личных дел, когда подписку оплачивает работодатель; при собственной оплате — 58%, на бесплатном тарифе — 38%.
Ограничения
Самоотчёт; не измеряет качество или результат работы.
64,5%
Что получили
64,5% активности в личных и бесплатных AI-аккаунтах сотрудников — это рабочие задачи: письма, разбор встреч, отладка кода. Работодатель не видит эту работу.
Ограничения
Данные одного поставщика мониторинга, не репрезентативная выборка рынка.
n=2534, 32 сценария использования
n=2534, 32 сценария использования; анализ данных и текст — воспринимаются позитивно, дизайн эксперимента и рецензирование — наиболее спорны
Что получили
Опрос показал, что отношение исследователей к генеративному AI сильно зависит от этапа работы: использование AI для анализа данных и языковой редактуры текста оценивается в целом позитивно, тогда как применение AI на этапах дизайна эксперимента и рецензирования вызывает заметно больше скепсиса и опасений за научную добросовестность. Авторы выделили три кластера восприятия AI: как «рабочей лошадки», как «только языкового помощника» и как «ускорителя исследований», и рекомендуют разрабатывать дисциплинарно-специфичные гайдлайны по использованию AI.
Ограничения
Полный текст статьи за платным доступом (Elsevier/ScienceDirect); содержание подтверждено через аннотацию/резюме статьи и записи в репозиториях (RePEc, ResearchGate), напрямую открыть журнальную страницу не удалось. Это опрос восприятия и самоотчётов об использовании, а не измеренный прирост продуктивности; выборка ограничена университетами одной страны (Дания) и не включает бизнес-аналитиков.
70%
до 70% рутинных операций автоматизировано (заявление вендора)
Что получили
По заявлению Сбера, платформа «ГигаЧат Бизнес» с RAG и мультиагентными сценариями способна брать на себя до 70% рутинных операций сотрудников, высвобождая их для более сложных задач. Также приводятся данные о том, что 97% крупных российских компаний уже внедрили или планируют внедрить AI.
Ограничения
Маркетинговый материал вендора о собственном продукте без независимого измерения; формулировка «до 70%» дана без методологии расчёта
66%
66% — рост продуктивности, но лишь 20% — рост выручки (против 74% ожидавших)
Что получили
66% организаций отметили рост продуктивности и эффективности от генеративного AI, 53% — улучшение аналитики и решений, 40% — снижение издержек, но только 20% зафиксировали рост выручки против 74%, которые на это надеются в будущем. Доступ сотрудников к AI вырос на 50% за 2025 год, но лишь 42% руководителей считают стратегию компании по-настоящему готовой к AI.
Ограничения
Самооценка руководителей, не независимый аудит эффекта; отраслевые различия не детализированы в открытом отчёте
51%
51% компаний с AI показали рост выручки на 10%+
Что получили
51% компаний, внедривших генеративный AI, зафиксировали рост выручки на 10% и более. Ожидается, что к 2030 году около 70% навыков, нужных для типичной работы, изменятся под влиянием технологий, AI — один из главных драйверов. Скорость освоения новых навыков сотрудниками (добавление новых навыков в профиль) выросла на 140% с 2022 года.
Ограничения
Корреляционные данные по профилям LinkedIn, не контролируемый эксперимент; смещение в сторону белых воротничков, активных на платформе
16%
16% работников используют AI на работе; из них 40% — быстрее, но лишь 29% — качественнее
Что получили
Только 16% работников сейчас используют AI в работе, 63% говорят, что почти не используют AI в работе или не используют вовсе. Среди тех, кто пользуется чат-ботами, 40% отмечают, что это заметно ускоряет работу, но лишь 29% видят рост качества результата (55% пользователей чат-ботов используют их редко или никогда). При этом 52% всех опрошенных работников тревожатся о будущем влиянии AI на их работу, и только 6% ждут роста числа возможностей.
Ограничения
Только США; данные о восприятии и самоотчёте, а не измеренная объективная производительность
30%
30% МСП используют AI; больше половины пользователей экономят 3–10 часов в неделю
Что получили
30% предприятий МСП уже используют AI в работе. 70% пользователей оценивают опыт положительно. Более половины представителей МСП, согласных с тем, что AI экономит время, отмечают экономию от 3 до 10 часов в неделю; 63% называют экономию времени главной ценностью.
Ограничения
Выборка около 500 респондентов, эффект оценён самими пользователями, без отраслевой детализации
80%
80% работников США — минимум 10% задач потенциально затронуто AI
Что получили
Около 80% работников США могут увидеть влияние LLM как минимум на 10% своих рабочих задач, а около 19% — как минимум на 50% задач. Порядка 15% задач могут выполняться значительно быстрее напрямую с помощью LLM при том же уровне качества, а с учётом надстроенного вокруг LLM ПО — до 47–56% задач.
Ограничения
Это оценка потенциальной экспозиции задач к AI, а не измеренный факт роста производительности или занятости на практике
Оплачиваем зарубежные сервисы для ваших сотрудников: курс ЦБ, договор подписывается онлайн, отчёт агента и УПД через ЭДО каждый месяц. Комиссия видна до оплаты.