AI-переход — первичные основания

Первичная проверка поддерживает необходимость изучать конкретные задачи, организационные изменения и последствия для людей. Она не доказывает спрос на нашу методику, её превосходство или готовность компаний платить. Ниже — ограниченная подборка, проверенная 17 сентября 2026 года, а не систематический обзор всех исследований и рынка.

Эффект зависит от работы и условий

Исследование Brynjolfsson, Li и Raymond «Generative AI at Work» изучает внедрение помощника у сотрудников поддержки. Оно полезно как пример оценки результата на уровне выполняемой работы и различий между группами сотрудников. Нельзя превращать эффект конкретного помощника в прогноз для любой компании или полного перехода к AI-native. Карточка NBER была найдена, но прямое открытие вернуло 403; полная повторная проверка статьи не выполнена, поэтому количественный эффект в наш бизнес-кейс не переносится. Карточка NBER.

Контрпример — эксперимент METR с опытными разработчиками в первой половине 2025 года: доступ к тогдашним инструментам увеличил время выполнения задач в изученных условиях. Это исторический результат, а не характеристика всех современных инструментов. Исследование METR 2025.

В обновлении от 24 февраля 2026 года METR объясняет, почему новые данные дают ненадёжную оценку текущего ускорения: участники и задачи отбираются иначе, часть разработчиков не хочет работать без ИИ, а параллельная работа затрудняет учёт времени. Авторы допускают больший эффект, но подчёркивают слабость оценки его величины. Обновление дизайна исследования.

Вывод для проекта — интерпретация автора: измерять завершённую работу и её качество; фиксировать состав задач, опыт участников и версии инструментов. Измерение «до/после» без этих условий может отражать смену задач. Самоощущение ускорения полезно как обратная связь, но не заменяет данные.

Организационные вложения входят в переход

Работа Brynjolfsson, Rock и Syverson о J-кривой производительности рассматривает дополняющие технологию инвестиции в процессы, продукты, бизнес-модели и человеческий капитал. Её предмет — также особенности измерения нематериальных вложений; она не обещает, что любой убыточный AI-пилот позднее окупится. Здесь использована аннотация карточки исследования, а не полный повторный анализ модели. NBER: The Productivity J-Curve.

Вывод для проекта — интерпретация автора: учитывать переходные затраты и приобретённые способности, но не оправдывать любой отрицательный результат «периодом освоения». До проверки нужны предел ресурсов, наблюдаемые промежуточные результаты и критерии остановки.

Воздействие на задачи не равно потере работы

ILO Working Paper 140 от 20 мая 2025 года оценивает потенциальную подверженность профессий генеративному ИИ на основе задач. В аннотации говорится, что изменение состава работы вероятнее полной замены во многих профессиях, поскольку сохраняются задачи с участием человека. Индекс не измеряет фактические сокращения в наших компаниях и не доказывает положительного эффекта перехода. Изучены описание метода и аннотация на странице публикации. ILO: Refined Global Index.

Вывод для проекта — интерпретация автора: единицей анализа должна быть работа и распределение задач. Следует наблюдать изменение нагрузки, навыков, оплаты и роли человека; нельзя заранее приравнивать автоматизированную задачу к исчезнувшей должности или сохранённому рабочему месту.

Управление рисками охватывает жизненный цикл

NIST AI RMF Playbook — добровольный набор предлагаемых действий по четырём функциям: Govern, Map, Measure, Manage. Он предлагает организационную рамку управления рисками на протяжении работы с ИИ. Это полезная внешняя опора для ролей, контекста, измерений и ответных действий, но не доказательство эффективности нашего метода и не обязательное правовое требование. Изучено описание Playbook. NIST AI RMF Playbook.

Вывод для проекта — интерпретация автора: сопоставить паспорт цифровой роли с ответственностью, контекстом, измерением и действиями при отклонениях. Соответствие нескольким пунктам не называть сертификацией NIST.

Что эти источники меняют в видении

Они обосновывают дизайн проверки, а не готовую оценку рынка. В видении поэтому сохранены самостоятельность команды, наблюдение полного процесса, учёт последствий и возможность отказаться от автоматизации. Внешняя проверка не даёт оснований обещать процент экономии, неизбежный переход всех компаний или установленный общественный эффект.

Пробелы

Не выполнены систематический обзор AI-native моделей компаний, сравнение консультантов и платформ, проверка российских условий, анализ новых исследований 2026 года в полном объёме, проверка актуального GateForge и оценка доступного рынка. Нет первичных данных новой группы. Следующий маршрут — программа исследований.