Кажется, бизнесу больше не нужно столько сотрудников, как раньше

Я занимаюсь маркетингом много лет и хорошо помню, сколько людей раньше требовалось даже для довольно обычного запуска проекта.

Маркетолог продумывал кампанию, копирайтер писал тексты, дизайнер собирал креативы, разработчик правил страницу, специалист по рекламе запускал трафик, аналитик разбирался с результатами. Причем каждый мог потратить на свою часть всего несколько часов, но без всей цепочки работа часто просто не двигалась.

За последние годы я заметил, что всё больше таких задач перестаю кому-либо передавать. Сначала изменения происходили постепенно: появились хорошие конструкторы, готовые сервисы, инструменты упрощающие работу. Потом пришел генеративный ИИ, и процесс резко ускорился.

Мне стало интересно, насколько это вообще можно измерить. Я посмотрел исследования OpenAI, MIT, Harvard, BCG, Microsoft, Gartner, Adobe, российскую статистику и данные рекламных платформ. И чем больше изучал тему, тем меньше она казалась мне историей исключительно про нейросети.

По сути меняется сама производительность одного специалиста: не только скорость выполнения привычной работы, но и объем задач, которые он способен довести до результата без привлечения других людей.

В 2026 году OpenAI проанализировала более 800 тысяч рабочих сообщений пользователей ChatGPT и сопоставила выполняемые задачи с профессиями людей. Универсальную работу вроде обычной переписки и суммаризации исследователи исключили, чтобы посмотреть именно на специализированные запросы.

Оказалось, что 43,5% таких запросов относятся к задачам другой профессии. У маркетологов показатель еще выше — 53%. У HR-специалистов — 69%, у дизайнеров — 75%. Причем в небольших компаниях сотрудники чаще используют ИИ для работы за пределами основной специальности.

Для меня здесь важны не сами 53%, а то, что за ними стоит. Раньше профессиональная граница часто одновременно была технической. Если я не умел программировать, любая задача с кодом быстро превращалась в задачу для разработчика. Если не умел работать с базой данных — шел к аналитику.

Сейчас незнакомый инструмент намного реже становится стоп-сигналом. Я могу не знать синтаксис SQL, но понимать, какие данные хочу получить, с помощью ИИ собрать запрос, проверить результат и продолжить работу.

Это не превращает меня в аналитика или разработчика. Глубокая экспертиза никуда не исчезает. Но для большого количества обычных задач она и не требуется.

Причем ChatGPT не начал этот процесс с нуля. Он скорее оказался последним мощным слоем поверх технологий, которые готовили такую модель работы много лет.

SaaS сначала избавил бизнес от необходимости самостоятельно создавать инфраструктуру. Чтобы заниматься email-маркетингом, больше не нужно разрабатывать систему рассылок. CRM не нужно писать с нуля. Сайт можно собрать на конструкторе. No-code затем снизил порог для интеграций и автоматизаций.

Еще часть ручной работы забрали сами платформы. Хороший пример — реклама. Google Smart Bidding устанавливает миллионы индивидуальных ставок каждую секунду, рассчитывая их для конкретных аукционов. Яндекс Директ тоже рекомендует автоматические стратегии именно потому, что алгоритм способен корректировать ставки гораздо чаще человека.

Здесь производительность выросла самым простым способом: часть операций просто перестали делать вручную.

В итоге наложились четыре вещи: SaaS дал инфраструктуру, автоматизация забрала рутину, no-code открыл часть технических инструментов, а генеративный ИИ снизил порог для работы с тем, чего человек раньше делать не умел.

И вот их сочетание действительно сильно изменило возможности одного специалиста.

Есть уже достаточно экспериментов, в которых пытались измерить непосредственный эффект генеративного ИИ.

MIT дал 453 специалистам из маркетинга, HR, аналитики и других профессий типичные рабочие задания, связанные с текстом. Участники с ChatGPT выполняли их в среднем на 40% быстрее, а качество результата по оценке независимых экспертов выросло на 18%.

Harvard, Wharton и BCG провели эксперимент с 758 консультантами BCG. На заданиях внутри возможностей GPT-4 участники с ИИ выполняли на 12,2% больше задач, работали на 25,1% быстрее, а качество результата выросло более чем на 30%.

Цифры хорошие. Но после нескольких лет работы внутри агентства мне кажется, что они описывают только часть эффекта.

Представим простую ситуацию. Мне понадобился небольшой калькулятор на посадочной странице. Я описываю задачу разработчику, отвечаю на вопросы, жду свободного окна, получаю первую версию, проверяю, нахожу ошибку, возвращаю на исправление. Разработчик в сумме мог потратить на код полтора часа, но от идеи до готового результата проходит несколько дней.

Если теперь я собираю тот же калькулятор с ИИ за два часа, сравнивать эти два часа с полутора часами работы разработчика бессмысленно. Экономия возникла не столько внутри программирования, а в процессе коммуникации.

Из процесса исчезла передача задачи другому человеку.

А вместе с ней — ожидание, ТЗ, объяснение контекста, согласование, приемка и очередная итерация после исправлений.

В агентской работе это особенно заметно. Очень много времени съедает не само действие, а движение задачи между людьми. Чем больше специалистов участвует в небольшом процессе, тем дороже становится координация.

Поэтому условные +25% к скорости выполнения одной операции и +25% к скорости всей работы компании — совершенно разные вещи. Если технология одновременно ускоряет исполнение и убирает несколько точек передачи, общий цикл может сократиться гораздо сильнее.

Adobe в Digital Trends 2026 зафиксировал похожий эффект с другой стороны. 76% компаний сообщили, что генеративный ИИ увеличил скорость и объем производства контента, 69% отметили рост производительности сотрудников. Но для меня интереснее другой показатель: 70% организаций увидели рост способности сотрудников вне креативных команд самостоятельно создавать контент.

То есть быстрее работает не только существующий исполнитель. В части процессов его участие вообще перестает быть обязательным.

И это уже влияет не просто на личную производительность человека, а на устройство команды.

На этом месте легко сделать слишком большой вывод: если ИИ способен писать код, рисовать, анализировать данные и работать с текстом, значит узкие специалисты скоро станут не нужны.

Исследования этого не подтверждают.

В эксперименте BCG была отдельная задача, находившаяся за пределами возможностей GPT-4. На ней участники с ИИ на 19 процентных пунктов реже получали правильный ответ, чем люди без него. Авторы назвали это jagged technological frontier — неровной границей возможностей технологии. На одной задаче модель дает огромный прирост, а на соседней может так же уверенно увести человека в неправильную сторону.

Еще нагляднее эксперимент METR с опытными open-source-разработчиками. Они решали реальные задачи в проектах, с которыми были знакомы в среднем около пяти лет. До начала эксперимента разработчики ожидали, что ИИ ускорит их примерно на 24%. Фактически с ИИ они работали на 19% медленнее. При этом после эксперимента сами участники всё еще считали, что технология помогла им работать быстрее.

METR позднее отдельно оговорилась, что новые модели 2026 года, вероятно, дают лучший результат, но надежно измерить размер нового эффекта пока не удалось.

Для меня отсюда следует важное разделение.

Есть работа, где нужна настоящая глубина: сложная разработка, сильная айдентика, серьезная статистика, архитектура данных, большие рекламные системы. Здесь профессиональная экспертиза остается главным ограничением, а ИИ скорее усиливает специалиста, чем заменяет его.

Но бизнес состоит далеко не только из таких задач.

Огромный пласт ежедневной работы выглядит намного прозаичнее: собрать первую версию, адаптировать существующее, проверить гипотезу, обработать данные, подготовить прототип, внести небольшое изменение, быстро посмотреть результат.

Раньше даже такие задачи распределялись между разными специалистами просто потому, что входной порог в инструменты был высоким.

Именно этот слой сейчас дешевеет быстрее всего.

Для меня это один из главных выводов исследования. Топовый дизайнер не стал менее ценным из-за генератора изображений. Хороший разработчик не стал ненужным из-за AI-кодинга. Сильный аналитик по-прежнему будет разбираться в данных лучше маркетолога.

Но далеко не каждой задаче нужен топовый дизайнер, сильный разработчик или отдельный аналитик.

И если простую работу человек может закрыть самостоятельно, специалист подключается позже — там, где действительно появляются сложность, ответственность или требования к качеству.

Поэтому ИИ не столько уничтожает экспертизу, сколько поднимает порог, после которого эта экспертиза становится необходимой.

Здесь я вижу еще одно важное изменение.

Когда производство становится дешевле, главным ограничением становится не способность что-то сделать, а способность понять, что именно нужно сделать.

Создать десять вариантов рекламного текста теперь легко. Сложнее выбрать гипотезу, которую вообще стоит проверять. Получить анализ таблицы можно за минуту. Сложнее заметить, что вывод неверный. Написать небольшой код стало доступнее. Но кто-то всё равно должен определить его логику и проверить, действительно ли он решает нужную задачу.

Раньше часть профессиональной ценности находилась просто во владении инструментом. Умеешь работать в Photoshop — можешь сделать изображение. Знаешь SQL — можешь достать данные. Умеешь программировать — можешь автоматизировать процесс.

ИИ постепенно отделяет владение инструментом от возможности получить результат.

Поэтому наверх выходят другие навыки: поставить задачу, понять бизнес-контекст, выбрать подходящий способ решения, проверить результат и вовремя увидеть момент, когда собственных знаний уже недостаточно.

Именно здесь, мне кажется, проходит реальная граница между сильным специалистом с ИИ и человеком, который просто научился хорошо пользоваться нейросетью.

Первый расширяет уже существующую компетенцию. Второй получает возможность значительно быстрее производить результаты, качество которых сам не всегда способен оценить.

Чем мощнее становятся модели, тем важнее становится эта разница.

Gartner в 2026 году опросил более 400 руководителей маркетинга. По их оценке, сейчас ИИ автоматизирует около 16% маркетинговой работы, а к 2028 году они ожидают уже 36%.

Но даже этот показатель отражает только прямую автоматизацию. Он не учитывает работу, которую по-прежнему делает человек, просто теперь для нее требуется меньше участия коллег и подрядчиков.

И вот здесь последствия могут оказаться намного интереснее самого процента автоматизации.

Раньше расширение возможностей компании почти автоматически означало расширение команды. Хотим делать новый тип работы — нанимаем человека с новой компетенцией. Людей становится больше — растут затраты на управление, синхронизацию и процессы.

Теперь часть роста можно получить иначе: увеличивая возможности уже существующих специалистов.

Особенно заметно это должно быть в небольших компаниях, где люди и так постоянно выходят за формальные рамки своих должностей. Это совпадает и с данными OpenAI: в небольших организациях сотрудники чаще используют ИИ для задач за пределами основной профессии.

Поэтому я не думаю, что один маркетолог в 2026 году действительно способен заменить полноценную команду. Заголовок скорее показывает масштаб произошедшего сдвига.

Еще несколько лет назад возможности специалиста во многом ограничивались тем, что он умеет делать собственными руками и сколько других людей компания может поставить рядом с ним.

Первое ограничение сейчас быстро ослабевает.

И, возможно, главный результат всей нынешней технологической волны будет не в том, что компании начнут массово заменять сотрудников ИИ. А в том, что для того же объема возможностей им понадобится меньше людей, чем раньше.