Корпоративный ИИ перешёл из стадии обещаний в стадию отчётности, и первая сверка дала неудобный результат: потребление растёт в разы быстрее, чем эффект в экономике. По данным OpenAI, агрегированная выдача токенов корпоративных клиентов ChatGPT Enterprise выросла примерно в семь раз с июня 2025 по март 2026 года. Доля компаний, которые относят хотя бы часть эффекта на EBIT к использованию ИИ, второй год держится на 37%.
Использование выросло в разы — спорить больше не о чем
OpenAI 12 августа 2026 года опубликовала две работы о корпоративном использовании моделей: сводку «Enterprise signals» по своей клиентской базе и воркинг-пейпер «How Organizations Use AI» на данных ChatGPT Enterprise до марта 2026 года. Обе фиксируют один сдвиг — ИИ переходит от подсказок к исполнению задач.
Разрыв между лидерами и остальными растёт. Компании из топ-10% по использованию генерируют 8,3 выходящих токена на активного пользователя против 2,6 в январе, то есть разрыв увеличился более чем втрое за полгода. Агентные токены Codex к июню давали 64% всей корпоративной выдачи, а число активных пользователей Codex с февраля выросло в юридической функции в 108 раз, в продажах и подборе — в 41 раз, в маркетинге — в 26 раз против 5 раз в разработке.
Независимые данные рост подтверждают. По транзакциям Ramp, собранным по 70 тысячам компаний, за ИИ-продукты в августе платили 56% клиентов, а прирост к предыдущему месяцу составил 0,4%. Опрос Бюро переписи США, обновлённый 23 августа, даёт на ту же тему всего 22% компаний.
Экономика не сдвинулась: 37% и 6% второй год подряд
Опрос McKinsey (в поле с 4 мая по 8 июня 2026 года, 1719 респондентов из 97 стран) фиксирует остановку там, где начинается экономика. Тридцать семь процентов респондентов относят хотя бы часть эффекта на EBIT к использованию ИИ — примерно столько же, сколько год назад. Доля «сильных», то есть тех, кто относит на ИИ не менее 5% EBIT и называет эффект значимым, держится на 6%.
Контраст внутри одного опроса резкий: 80% респондентов говорят о росте личной продуктивности, 50% — о лучших решениях. Продуктивность отдельного человека и результат компании в этих данных расходятся.
Сам вендор формулирует то же осторожнее. В воркинг-пейпере OpenAI связь между интенсивностью использования и выручкой на сотрудника не подтверждается:
Revenue per employee has positive but imprecisely estimated associations with some usage margins… revenue per employee is not meaningfully associated with output tokens per employee or messages per active user once other controls are included.
How Organizations Use AI: Evidence from ChatGPT, arXiv, 12 августа 2026
Тот же документ показывает связь в обратную сторону по времени: компании с большей выручкой на сотрудника чаще внедряют ChatGPT Enterprise — плюс 0,4–0,9 процентного пункта к вероятности внедрения на логарифмический пункт выручки. До внедрения выручка предсказывает решение, после внедрения с интенсивностью использования не связана.
Российские цифры: 62,7% эффектов против 12% подтверждённой отдачи
Российская статистика даёт тот же разрыв, только заметнее. По экспресс-информации ИСИЭЗ НИУ ВШЭ на данных Росстата, технологии ИИ используют 5,2% крупных и средних организаций — на 0,4 процентного пункта больше, чем годом ранее. В компаниях с численностью более 500 человек доля достигает 17%, в организациях до 100 человек — 4,3%.
Эффекты, которые называют сами пользователи ИИ, выглядят внушительно: 62,7% говорят о повышении качества и эффективности бизнес-процессов, 51,1% — производственных процессов, 41,4% — о росте доходов, 9,1% — о снижении численности работников. Другое исследование, «Корус Консалтинг» по 80 с лишним компаниям, спрашивает иначе и получает другой ответ: подтвердить реальный бизнес-эффект могут лишь 12% компаний, 44% эффект вообще не измеряют, ещё 25% смотрят отдельные показатели, не связывая их с экономикой бизнеса.
Разница не в том, кто прав, а в определении. Самоотчёт «стало лучше» и связь с экономикой — разные измерения, и путать их дорого: первое годится для презентации, второе для бюджета.
| Источник | Что считали | Цифра | На какой выборке |
|---|---|---|---|
| Ramp, сентябрь 2026 | платят за ИИ-продукты | 56% | транзакции 70 тысяч компаний |
| Бюро переписи США, август 2026 | сообщают об использовании ИИ | 22% | опрос американских компаний |
| ИСИЭЗ НИУ ВШЭ, сентябрь 2026 | используют технологии ИИ | 5,2% | крупные и средние организации РФ |
| «Корус Консалтинг», сентябрь 2026 | подтверждают бизнес-эффект | 12% | 80+ компаний из разных отраслей |
Любую долю внедрения в отчёте стоит приводить вместе с определением и выборкой, иначе сравнение «56% против 5,2%» ничего не значит. Сценарии применения в разных отраслях расходятся ровно так же.
Где ломается переход от пилота к эксплуатации
«К2 НейроТех» опросила 100 компаний корпоративного сегмента и зафиксировала: до 70% экспериментов с ИИ не доходят до устойчивой промышленной эксплуатации, а 65% респондентов видят разрыв между запросами топ-менеджмента и фактическими возможностями компании. Причина названа прямо — инфраструктура развивается медленнее, чем проекты.
Список того, что обычно не готово к моменту, когда пилот надо выводить в промышленный контур:
- вычислительные ресурсы не масштабируются под нагрузку нескольких команд;
- нет управляемого контура данных, то есть модели нечем корректно отвечать;
- не выстроено сопровождение моделей после запуска: обновление, переиндексация, контроль качества;
- контур безопасности отстаёт — 79% сотрудников уже пользуются публичными ИИ-сервисами, реальный контроль есть у 29% компаний;
- нет метрики: 44% компаний эффект от внедрения не измеряют вовсе.
Сдерживающие факторы в данных ВШЭ совпадают с этим перечнем: высокие затраты отметили 54% организаций, недостаток и низкое качество данных — 34%, потребность в квалифицированных кадрах — 33%, развитие ИКТ-инфраструктуры — 32%. McKinsey добавляет эффект, который уже виден в ИТ-бюджете: 32% компаний отказались от покупки одного или нескольких программных продуктов, потому что их можно собрать внутри агентными инструментами.
Что мерить, чтобы отдача была видна
Сам OpenAI предупреждает, что токены — несовершенная мера ценности: короткий ответ может быть очень полезен, длинный — не значить ничего. Значит, счётчиком в договоре с поставщиком вопрос об отдаче не закрывается, а расходы при этом растут: цена миллиона токенов упала с 1,15 доллара в марте до 0,68 доллара, но расход на сотрудника в топ-1% компаний за август снизился почти на 10% — до 7205 долларов. Меньше всех тратит тот, кто уже научился.
Рабочая рамка проста и не требует отдельной платформы данных. Зафиксируйте базовую линию до запуска и считайте на выходе:
- стоимость одной решённой операции до и после, вместе с повторными попытками и эскалациями;
- доля задач, доведённых до конца без человека, и время проверки там, где человек остаётся;
- время цикла процесса, а не число обработанных документов;
- объём возвратов и исправлений по вине модели;
- полная стоимость сопровождения: обновление модели, переиндексация, поддержка контура.
Первые две метрики обычно и вскрывают разрыв: потребление растёт, а стоимость операции не меняется или растёт вместе с ним. Выбор модели стоит считать вместе с ценой проверки её ответов, а требования к контуру — до подписания договора, а не после первого инцидента.
Итог простой. Рост использования уже не аргумент в пользу бюджета: он есть почти у всех, а эффект на экономику второй год стоит на месте. Разговор с советом директоров выдерживает не число токенов, а стоимость решённой задачи, посчитанная до и после.
Частые вопросы
Почему счёт за ИИ растёт, если цена токена падает?
Платят не за токен, а за число обращений к модели. Цена миллиона токенов снизилась с 1,15 доллара в марте до 0,68 доллара, но агентная задача делает десятки вызовов, а повторные попытки и человеческая проверка в прайс не входят. По данным Ramp, расход на сотрудника в топ-1% компаний за август снизился почти на 10% — до 7205 долларов.
Сколько российских компаний реально используют ИИ?
По экспресс-информации ИСИЭЗ НИУ ВШЭ на данных Росстата — 5,2% крупных и средних организаций: 17% в компаниях с численностью более 500 человек и 4,3% там, где заняты меньше 100 человек. Опрос Бюро переписи США даёт 22%: разница объясняется определением технологий ИИ и выборкой, а не отставанием.
Что считать вместо токенов?
Стоимость одной решённой операции до и после внедрения — вместе с повторными попытками и эскалациями. К ней добавляются доля задач, доведённых до конца без человека, время цикла процесса, объём возвратов и полная стоимость сопровождения модели. Без базовой линии до запуска сравнивать будет не с чем: 44% компаний эффект вообще не измеряют.
Почему пилот не доходит до промышленной эксплуатации?
По исследованию «К2 НейроТех» (100 компаний), до 70% экспериментов не доходят до устойчивой эксплуатации: инфраструктура развивается медленнее проектов, нет управляемого контура данных и сопровождения моделей после запуска, отстаёт контур безопасности.
Источники
- Enterprise signals: What frontier firms are doing differently — OpenAI, 12 августа 2026 г.
- From assistance to execution: How enterprises put AI to work — OpenAI, 12 августа 2026 г.
- How Organizations Use AI: Evidence from ChatGPT — arXiv, 12 августа 2026 г.
- The state of AI in 2026: On the road to ROI — McKinsey & Company, 25 августа 2026 г.
- AI spend per employee slumped at top firms in August — summer doldrums or a warning sign? — TechCrunch, 9 сентября 2026 г.
- Исследование «Корус Консалтинг»: почти 70% компаний не могут оценить эффект от внедрения ИИ — CNews, 2 сентября 2026 г.
- Крупный бизнес наиболее активно внедряет ИИ (экспресс-информация ИСИЭЗ НИУ ВШЭ) — CNews, 24 сентября 2026 г.
- Больше половины топ-менеджеров торопят внедрение ИИ, игнорируя неготовность инфраструктуры — CNews, 27 июля 2026 г.