Новости ИИ для бизнеса и автоматизации c Komanda.ai

Доступ к ИИ — не внедрение: что новое исследование ChatGPT Enterprise говорит бизнесу

Новое исследование ChatGPT Enterprise показывает, что корпоративный ИИ используется в разных функциях — от маркетинга и финансов до инженерии, — но глубина применения заметно различается. Для бизнеса это означает: не путать доступ к модели с внедрением. Лицензии и сообщения измеряют охват и активность, а решение о масштабировании нужно принимать по метрикам процесса: времени цикла, качеству, ошибкам, стоимости операции и доле ручной доработки. Работа основана на данных OpenAI, охватывает только ChatGPT Enterprise и не доказывает ROI.
Новое исследование How Organizations Use AI: Evidence from ChatGPT, опубликованное 12 августа на arXiv, изучает использование ChatGPT Enterprise в компаниях. Авторы объединили обезличенную телеметрию корпоративных аккаунтов, должности сотрудников, классификацию задач и данные публичных компаний США. Главный практический вывод не в том, что ИИ «уже повышает прибыль»: работа этого не измеряет. Она показывает более приземлённую вещь — одинаковый доступ к модели не даёт одинакового внедрения. Реальная ценность возникает там, где компания выбирает сценарий, меняет привычный ход работы и проверяет результат.

Главный тезис: доступ, использование и эффект — три разные метрики

В дискуссии о корпоративном ИИ часто смешивают три вопроса: купила ли компания доступ к инструменту, пользуются ли им сотрудники и изменился ли бизнес-результат. Авторы исследования разделяют эти уровни. Они наблюдали работу именно централизованно управляемых платных пространств ChatGPT Enterprise, а не личных аккаунтов, API, внутренних приложений или продукты других поставщиков.

Это важное различие для бизнеса. Выданные места, число активных пользователей и объём сообщений могут быть полезными индикаторами освоения инструмента, но сами по себе не доказывают экономический эффект. В исследовании прямо сказано, что оно не измеряет производительность, качество конечных документов, выручку или изменение организационных процедур. Поэтому превращать его показатели в обещание ROI было бы неверно.

Что именно исследовали

Рабочая версия статьи доступна на arXiv. Её подготовили сотрудники OpenAI вместе с исследователями Columbia Business School и Wharton School; документ помечен как working paper, то есть результаты ещё могут меняться и не прошли рецензирование в журнале. В документе также указано, что два университетских автора участвовали как оплачиваемые подрядчики OpenAI. Это не отменяет ценности первичных данных, но означает, что работу нельзя выдавать за независимую репликацию.

Для анализа ролей и задач использована выборка из 1 764 организаций и 17 446 551 сообщения. Подвыборка, в которой сообщения классифицировались по задачам, включает 973 организации и 8 696 657 сообщений. Данные о поведении сотрудников обезличены: авторы указывают, что никто из исследователей не читал индивидуальные сообщения вручную. Наблюдения заканчиваются мартом 2026 года, хотя сама статья опубликована в августе.

Часть анализа сравнивает публичные американские компании, которые были сопоставлены с корпоративными аккаунтами продукта, с другими публичными компаниями. Это не портрет малого и среднего бизнеса России и не сравнительный тест всех ИИ-платформ. Такой масштаб и такие ограничения нужно держать вместе.

Что подтверждают данные

  1. Использование растёт не только за счёт новых клиентов

С июня 2025-го по март 2026 года суммарный объём выходных токенов в изучаемой панели вырос примерно в семь раз. В когорте организаций, подключивших ChatGPT Enterprise не позднее июня 2025 года, показатель за тот же период вырос примерно в четыре раза. Это означает, что рост связан не только с притоком новых организаций: существующие клиенты тоже стали пользоваться инструментом интенсивнее.

Но это не доказательство причинного эффекта для бизнеса. Токены — техническая метрика активности, а не сэкономленные часы, качество решения или прибыль. Для управленческой отчётности её стоит дополнять показателями процесса: временем цикла, долей задач без доработки, уровнем ошибок, скоростью ответа клиенту или стоимостью операции.

2. ИИ используют не только технические команды

Через шесть месяцев после подключения в средней организации из выборки на инженеров и технических специалистов приходилось около 11% еженедельных активных пользователей, на руководителей и партнёров — около 9%, на финансы и бухгалтерию — около 5%, на маркетинг и коммуникации — около 5%, на продажи и работу с клиентами — около 4%.

Эти доли нельзя читать как уровень проникновения по профессиям: у авторов нет полного числа работников в каждой роли, а сведения о должностях заполнены не для всех. Корректнее выводить из них другое: корпоративный ИИ не остаётся исключительно инструментом разработчиков. Он появляется в нескольких функциях одновременно — значит, правила работы, обучение и контроль качества нельзя оставлять задачей одной ИТ-команды.

3. Интенсивность использования не совпадает со статусом сотрудника

Среди активных пользователей аналитики, а также сотрудники маркетинга и коммуникаций отправляют больше сообщений в неделю, чем средний активный пользователь в своей компании. Сотрудники начальных уровней и стажёры отправляют примерно на восемь–девять сообщений в неделю больше среднего активного пользователя той же организации; руководители и топ-менеджеры — меньше.

Это не оценка ценности работы отдельных групп. Она показывает, что политика внедрения «дать всем один и тот же инструмент» может скрыть разные потребности. Молодым специалистам могут быть полезны проверяемые шаблоны, библиотека примеров и понятный маршрут эскалации. Руководителям — краткие, проверяемые сводки с указанием источников и ограничений. Метрика «активный пользователь» не заменяет понимание сценария.

4. Наиболее распространённые задачи — не один процесс, а длинный список

Больше половины активных пользователей в выборке хотя бы раз в неделю применяли ИИ для документации или технического письма; почти половина — для технической цифровой работы. Распространены также подготовка сообщений, исследования, планирование, анализ данных, юридические и финансовые задачи. При этом по объёму сообщений преобладают документация, техническая работа и создание сообщений.

Авторы фиксируют и различия между функциями: технические роли чаще используют продукт для цифровых задач и отладки; финансы — для финансово-налоговых; продажи, аккаунтинг, маркетинг и коммуникации — для задач продаж и маркетинга. Для бизнеса это аргумент не строить единый «универсальный» кейс. Общая модель может быть одна, но критерии качества, данные и уровень допустимой автономности для каждого процесса должны отличаться.

Сравнение: охват против глубины против результата

Слой
Что измерять
Что не следует из метрики
Охват
доля сотрудников с доступом, доля прошедших обучение
что они реально используют инструмент и получают пользу
Глубина
повторяемость сценария, доля задач в нужной функции, время в инструменте
что результат точнее, быстрее или дешевле
Эффект
время цикла, качество, ошибки, конверсия, стоимость операции — до и после
что эффект вызван только ИИ без контроля других факторов
Именно третий слой должен быть решающим для масштабирования. Если пилот ускорил подготовку коммерческого предложения, но выросло число ошибок или ручной проверки, команда ещё не получила готовую автоматизацию — она нашла гипотезу, которую нужно доработать.

Что это меняет в запуске ИИ-процессов

Исследование не даёт универсальной инструкции, но из его результатов следует практичный порядок действий.

1. Начните с одного повторяемого процесса. Не с цели «внедрить ИИ отделу», а с конкретной работы: первичная классификация входящих обращений, черновик ответа клиенту, сводка по встрече или поиск расхождений в документе.
2. Зафиксируйте исходную точку. До пилота измерьте время, стоимость, ошибки и долю ручной доработки. Без этого рост активности нельзя отличить от реальной пользы.
3. Назначьте владельца процесса. ИТ обеспечивает доступ, безопасность и интеграции; бизнес-владелец задаёт критерии готового результата и решает, что можно автоматизировать, а что требует человека.
4. Разделите правила по риску. Для черновика внутреннего письма и для юридического заключения не подходят одинаковые требования. Опишите допустимые источники данных, обязательную проверку, запретные действия и порядок эскалации.
5. Тестируйте на реальных задачах. Соберите контрольный набор типовых кейсов, сравните результат с исходным процессом и проверяйте не только скорость, но и качество. При изменении модели или промпта набор нужно прогонять снова.
6. Масштабируйте подтверждённый сценарий, а не популярный чат. Высокая активность может быть полезным сигналом интереса, но решение о тиражировании принимают по заранее выбранной бизнес-метрике.

Почему это важно

Для руководителя полезность свежей работы в том, что она возвращает разговор из плоскости «какую модель купить» к устройству работы. В выборке ИИ проникает в разные роли и задачи, однако структура использования неоднородна. Значит, конкурентное преимущество не возникает автоматически из общего доступа к модели: оно зависит от качества данных, правил, роли человека в проверке и способности команды встроить инструмент в процесс.

Для российского бизнеса вывод применим как управленческий принцип, но не как готовый рыночный бенчмарк. Исследование не оценивает российские компании, локальную доступность ChatGPT Enterprise, порядок оплаты, размещение данных или требования российского регулирования. Перед запуском нужно отдельно проверить договорные условия, информационную безопасность, режим персональных и коммерческих данных, а также допустимые поставщики.

Контраргумент: не вся работа требует отдельного ИИ-процесса

Не стоит превращать каждый запрос в долгий проект по интеграции. Для нерегулярных, низкорисковых и творческих задач общего назначения достаточно безопасного корпоративного чата, библиотеки промптов и выборочной проверки. Специализированный процесс оправдан там, где задача повторяется, цена ошибки понятна, есть ответственный за результат и можно измерить базовую линию.

Есть и более важная оговорка: авторы анализируют только ChatGPT Enterprise. Нельзя по этой статье заключать, что один поставщик эффективнее других или что такой же профиль использования будет у API, локальных моделей, агентных систем и личных аккаунтов. Работа описывает фактическое использование в конкретном продукте, а не рейтинг моделей и не доказательство финансовой отдачи.
«Исследование показывает: доступ к ИИ сам по себе не превращается в эффект для бизнеса. Руководителю стоит измерять не число активных пользователей, а время цикла, качество и долю задач, встроенных в процесс; затем масштабировать только подтверждённые сценарии».
— Денис Баталин, Амбассадор Команды, Komanda.ai

Что дальше

Следующий разумный шаг для компании — провести короткий пилот по одному процессу в одной функции, заранее согласовав метрику и требования к проверке. Через две–четыре недели стоит сравнить результат с исходной точкой: не только спросить сотрудников о пользе, но и посмотреть на скорость, ошибки, доработку и влияние на клиентский или финансовый показатель. Если эффект подтверждён, сценарий можно переносить в соседние команды; если нет — менять данные, правила или саму гипотезу, а не просто увеличивать число лицензий.
Источники:
1. Chatterji et al., *How Organizations Use AI: Evidence from ChatGPT*, arXiv v1, 12 августа 2026 — первичный источник, методология и результаты.
2. Программа NBER Summer Institute 2026 — внешний источник, подтверждающий представление работы в академической программе; не подтверждает результаты независимо.

Вопросы и ответы

Доказывает ли исследование, что ChatGPT Enterprise повышает прибыль?

Нет. Авторы измеряют использование продукта, а не выручку, прибыль, качество конечной работы или производительность. В статье прямо указано, что такие эффекты не анализировались.

Какую метрику выбрать для пилота ИИ?

Выберите одну метрику, связанную с конкретным процессом: время обработки заявки, долю ответов без доработки, число ошибок, стоимость операции или конверсию. Зафиксируйте исходное значение до запуска.

Можно ли перенести результаты на российский малый бизнес?

Только как управленческий ориентир, а не как статистический бенчмарк. Выборка относится к ChatGPT Enterprise и частично к публичным компаниям США; локальную доступность, безопасность и правовые требования нужно проверять отдельно.

Почему высокая активность сотрудников не равна эффекту?

Сообщения и время в инструменте показывают интерес или интенсивность использования. Они не отвечают на вопрос, стала ли задача быстрее, точнее или дешевле и не выросла ли цена проверки результата.
2026-08-17 11:26 ИИ для бизнеса Искусственный интеллект для бизнеса Автоматизация бизнес-процессов GPT для компаний