Дайте одного и того же ИИ-ассистента вашему сильнейшему и вашему слабейшему сотруднику — и вы не получите две уменьшенные версии одного выигрыша. Вы получите противоположные знаки. В пятимесячном рандомизированном полевом эксперименте с 640 владельцами малого бизнеса те, кто уже работал хорошо и получил бизнес-консультанта на базе GPT-4, увеличили выручку и прибыль примерно на 15%, тогда как уже испытывавшие трудности владельцы оказались почти на 10% хуже контрольной группы (MIT Sloan Management Review, 2026). Тот же инструмент. То же окно доступа. Тот же объём советов. Разрыв в эффективности ИИ не сузился — он расширился, и часть этого расширения была прямым ущербом.
Этот результат должен изменить решение о последовательности, которое почти каждый руководитель операций принимает прямо сейчас: кто получает копилот первым.
Почему разрыв в эффективности ИИ расширился вместо того, чтобы закрыться
Николас Отис, Роуэн Кларк, Солен Делекур, Дэвид Хольц и Рембранд Конинг рандомизировали доступ к ассистенту на GPT-4, настроенному действовать как бизнес-консультант, среди 640 кенийских предпринимателей, управлявших закусочными, птицефермами, интернет-кафе и подобными малыми предприятиями. Доставка была намеренно бесшовной: контакт в WhatsApp, на платформе, которой уже пользуются около 90% кенийцев, с наблюдением в течение пяти месяцев (Berkeley Haas, 2026). Исследование опубликовано под названием The Uneven Impact of Generative Artificial Intelligence on Entrepreneurial Performance (Management Science, 2026).
Дизайн важнее контекста. Доступ был рандомизирован, поэтому расхождение — не история о том, кто вызвался сам. Инструмент был идентичен в обеих группах. Объём использования расхождения не объясняет. Группы разделило то, что они приносили ассистенту и что делали с полученным ответом.
Читайте это как операционное условие, а не как курьёз про Найроби. Проверявшаяся переменная — помогает ли универсальный консультативный ИИ тому, чьё суждение уже шатко, — ровно та переменная, что работает, когда вы выдаёте копилот нижнему квартилю операционного подразделения на 200 человек и называете это развитием компетенций.
Свидетельства, что «ИИ закрывает разрыв в навыках», реальны — и уже, чем кажется
История про уравнивание — не миф. Это вывод об определённом классе работы.
Бриньолфссон, Ли и Реймонд изучили 5 179 сотрудников клиентской поддержки при поэтапном внедрении генеративного ИИ-ассистента. Производительность выросла в среднем на 14%, с улучшением на 34% у новичков и наименее квалифицированных и минимальным эффектом у самых опытных (Quarterly Journal of Economics, 2025). Механизм: модель распространяла практики лучших сотрудников и быстрее спускала новичков по кривой опыта.
Посмотрите, что это за задача. Ограниченный объём. Правильный ответ, уже существующий где-то внутри компании. Немедленная обратная связь от клиента. Проверка качества руководителями в течение часов. В таких условиях ИИ, кодирующий неявные лучшие практики, сжимает распределение: слабейшие выигрывают больше всех, потому что дистанция между их поведением и закодированным стандартом наибольшая.
Теперь измените одну переменную: уберите известный правильный ответ. Задайте модели открытый вопрос о ценообразовании, найме или о том, куда потратить следующую тысячу. Нет проверенной цели, к которой можно сойтись, нет руководителя, замыкающего цикл, нет немедленного сигнала, что совет был ошибочным. Сжатие перестаёт быть поведением по умолчанию. Включается усиление.
Эффект уравнивания — свойство проверяемых задач, а не технологии.
Модератор — суждение, а не доступ и не навык промптинга
Авторы кенийского исследования прямо говорят о механизме: знак эффекта определяло то, «обладал ли предприниматель суждением, чтобы отличить хороший совет ИИ от плохого». Более слабые следовали общим или вводящим в заблуждение советам, потому что у них не было фильтра, чтобы их отвергнуть (MIT Sloan Management Review, 2026).
Поведенческая деталь под этим ещё резче. Сильные приносили ассистенту решаемые задачи — структурированные вопросы, где вывод модели можно было сверить с тем, что они уже знали. Испытывавшие трудности приносили самые сложные и неоднозначные проблемы: конкурент демпингует, засуха, нет оборотного капитала. На такие вопросы ни ИИ, ни консультант не могут хорошо ответить извне бизнеса (Berkeley Haas, 2026). Модель отвечала всё равно. Она отвечает всегда. Общий совет — снизьте цены, тратьте больше на рекламу — гладок, правдоподобен и разрушает маржу, если применён без учёта ситуации.
Причинная цепочка такова: более слабое суждение → более сложные и расплывчатые вопросы → более общие ответы → более высокая доля внедрения плохих советов → измеримый ущерб.
Заметьте, чего в этой цепочке нет. Ни доступа. Ни объёма использования. Ни навыка промпт-инжиниринга. Вмешательство, которое покупает большинство программ развития компетенций — больше лицензий, больше обучения промптам, — не действует ни на один шаг, породивший убыток.
Та же форма — в результате Дель'Аква с коллегами на 758 консультантах BCG: на 18 задачах внутри границы возможностей ИИ консультанты с ИИ выполнили на 12,2% больше задач, на 25,1% быстрее и заметно качественнее; на одной сложной управленческой задаче, намеренно вынесенной за эту границу, вероятность прийти к верному решению у консультантов с ИИ была на 19% ниже, чем у работавших вовсе без ИИ (Harvard Business School, 2023). Два исследования, разные популяции, одна структура: ущерб возникает, когда уверенный вывод встречает пользователя, не способного его оценить.
Почему инстинкт «подтянуть отстающих» вывернут наизнанку
Вот решение, которое это переформулирует.
Интуитивный ход — тот, что фигурирует в большинстве планов внедрения, — дать ИИ-инструменты сначала тем, кто испытывает трудности. Это выглядит справедливо, выглядит эффективно и заимствует доверие у результата колл-центров. Поднять дно, закрыть разрыв, забрать среднее.
В открытой консультативной работе эта последовательность перевёрнута. Вы вручаете нефильтрованный генератор советов ровно той группе, которая хуже всех оснащена их фильтровать, а полевые данные говорят, что ожидаемая величина отрицательна, а не просто мала.
Цена платится дважды. Сначала прямым ущербом: решения хуже, чем были бы без помощи. Затем в атрибуции. Когда пилот показывает нулевой или отрицательный агрегат, вывод обычно такой: «инструмент у нас не работает», и программа умирает. Инструмент отлично сработал для когорты, способной им пользоваться. Провалился дизайн внедрения, и никто не измерял на том уровне, который бы это показал.
Средние скрывают смену знака. Если ваш пилот отчитывается одним смешанным числом, он не может сказать, помогли ли вы хоть кому-то.
Что изменить во внедрении в этом квартале
Открытое консультативное использование — только при доказанном отраслевом суждении
Открытое консультативное использование — вопросы стратегии, ценовые решения, приоритизация, всё, где ответ модели нельзя сверить с известной целью, — следует ограничить теми, у кого уже есть отраслевое суждение, чтобы отвергнуть плохой ответ. Это ворота компетенции, а не стажа: сотрудник с десятью годами, никогда не отвечавший за P&L, не проходит их автоматически, а аналитик с двумя годами, чьи прогнозы сбываются, проходит.
Отстающему квартилю — узкие проверяемые задачи за воротами ревью
Те же люди, которым вредит открытое консультативное использование, больше всех выигрывают от ограниченных задач с проверяемым результатом — условий, давших +34% новичкам в исследовании поддержки. Текст по шаблону, резюме известного документа, первичная классификация, структурированное извлечение данных. Добавьте человеческие ворота ревью с правом отклонить, а не только завизировать. Именно в этой конфигурации ИИ действительно уравнивает.
Измеряйте эффект по квартилям эффективности, а не в агрегате
Настройте пилот так, чтобы метрика результата разбивалась по квартилю прежней эффективности ещё до старта внедрения. Если смотреть только на смешанное среднее, +15% в верхнем квартиле и −10% в нижнем взаимно погасятся до числа, достаточно близкого к нулю, чтобы вы заключили: ничего не произошло. И вы оплатите ущерб, не увидев его.
Измените предмет обучения
Обучение промптам учит получать более гладкий вывод. Оно не учит отвергать гладкий, но неверный вывод. Данные требуют обучения оценке: как выглядит хороший ответ в этой области, каковы известные режимы отказа модели и — самое полезное и реже всего преподаваемое — какие вопросы нести модели, а какие человеку.
Возражение, которое стоит принять всерьёз
Честное возражение: кенийские микропредприниматели — не операционный персонал средней компании, а бот-советчик в WhatsApp — не корпоративное внедрение с поиском по вашим документам, заданными процессами и аудиторским следом. И то и другое верно. Величина эффекта не переносится.
Но механизм не связан с контекстом. Он связан с сочетанием открытых вопросов, уверенного вывода и оценщика, не способного проверить. Любое корпоративное внедрение, ставящее универсального ассистента перед сотрудником и приглашающее спрашивать что угодно, воспроизводит эти три условия. Заземление модели на ваших данных сужает поверхность ошибки; оно её не закрывает и делает неверные ответы институционально ещё более авторитетными, когда те приходят.
Защитимая позиция — не «у нас это произойдёт в том же масштабе», а «мы не измеряли, происходит ли это у нас вообще». Для большинства пилотов средних компаний, отчитывающихся единственным смешанным числом производительности, это просто точное описание.
Решение на вашем столе
Разрыв в эффективности ИИ — не вопрос справедливости, который решается потом. Это проектный параметр, который вы задаёте прямо сейчас, по умолчанию, каждый раз решая, кто получит доступ следующим.
Прежде чем уйдёт следующая партия лицензий, разделите внедрение: открытое консультативное использование — тем, чьему суждению вы и без инструмента доверяли бы в переговорной; узкие проверяемые задачи за воротами ревью — всем остальным. И одна метрика, разбитая по квартилям эффективности, чтобы выяснить, насчёт какой половины вы были правы.
