ИИ для бизнеса в 2026 году:исследования и реальные результаты

В августе вышел The state of AI in 2026: On the road to ROI. McKinsey опросила 1719 человек из 97 стран; ответы собирали с 4 мая по 8 июня 2026 года.

80% респондентов сообщили о повышении личной производительности благодаря ИИ. Положительный вклад в EBIT компании — прибыль до процентов и налогов — отметили 37%. Последняя доля практически не изменилась по сравнению с предыдущим годом.

Исследование показывает и разницу в масштабе внедрения. О масштабировании ИИ-агентов сообщили 40% участников из компаний с выручкой более миллиарда долларов и 22% из меньших организаций. Первая доля выросла с 27%, вторая осталась прежней.

Это самооценки участников, а не аудит финансовой отчётности. Для среднего бизнеса полезно разделять личное ускорение сотрудников и результат подразделения: уменьшилась ли стоимость операции, вырос ли объём выполненной работы, сократилось ли время обслуживания.

КОРУС: у большинства участников эффект пока не связан с экономикой

Исследование «КОРУС Консалтинг», опубликованное 2 сентября 2026 года, охватило более 80 российских компаний из промышленности, торговли, финансов, логистики, ИТ и других отраслей. У 74% выручка составляла от миллиарда рублей. Период сбора ответов в публикации не указан.

44% участников не измеряют эффект внедрения ИИ. Ещё 25% отслеживают показатели, но не связывают их с экономикой бизнеса. По формулировке авторов, подтвердить бизнес-эффект могут 12% компаний выборки.

В исследовании видна и организационная сторона: у 48% внедрение держится на отдельных специалистах, специализированные команды есть у 19%. Авторы описывают рынок, на котором интерес к технологии опережает выстроенные способы её применения и оценки.

Для российской компании сопоставимого масштаба это ориентир при подготовке проекта: вместе с выбором задачи назначить ответственного и определить, какой показатель бизнеса должен измениться. Проценты исследования относятся к его участникам, а не ко всем предприятиям страны.

X5: около 5 млрд рублей дополнительной операционной прибыли

В отличие от опроса, сообщение X5 от 1 июня 2026 года описывает результат одной компании. По её оценке, ИИ-решения принесли около 5 млрд рублей дополнительной операционной прибыли за 2025 год.

Среди основных направлений — прогнозирование спроса, управление запасами, ценообразование, ассортимент и персональные рекомендации. Компания указывает, что оценивает эффект с помощью финансовых моделей, A/B-тестирования и совместной проверки с бизнес-командами.

Речь идёт о разных видах ИИ, включая машинное обучение, и о внедрении в повседневные операции крупного ретейлера. Публичных исходных данных для независимого пересчёта суммы нет.

Для среднего бизнеса применим прежде всего круг задач: спрос, избыточный запас, дефицит товара, повторяющиеся коммерческие решения. Финансовый результат зависит от объёма операций и качества исходных данных. Масштаб X5 помогает увидеть, где возникает эффект, но не задаёт ожидаемую доходность чужого проекта.

ФРБ Нью-Йорка: использование растёт быстрее, чем охват сотрудников

Джейсон Абель, Ричард Дитц, Наталия Эмануэль и Ник Монтальбано опубликовали результаты региональных опросов 1 сентября 2026 года. Августовские ответы относятся к предприятиям Нью-Йорка и северной части Нью-Джерси. Участников спрашивали об использовании ИИ в бизнес-процессах за предыдущие шесть месяцев; простой поиск информации не засчитывали.

ИИ использовали 61% сервисных и 51% производственных компаний, против 40% и 26% годом ранее. Но внутри компаний-пользователей медианная доля сотрудников, работающих с ИИ, составляла лишь 17% в услугах и 7% в производстве. Авторы также отмечают, что переобучение распространено шире, чем увольнения из-за ИИ.

Это региональный срез, а не оценка всех США. Его интересная деталь — различие между «в компании есть ИИ» и реальным охватом работы. Для российского предприятия полезны оба показателя: где инструмент появился и какая часть операций действительно изменилась.

Почти 6000 руководителей: ожидания заметно опережают отмеченный эффект

В рабочей статье Firm Data on AI Иван Йотзов, Николас Блум, Стивен Дэвис и соавторы объединили опросы почти 6000 руководителей, включая генеральных и финансовых директоров, из США, Великобритании, Германии и Австралии. Версия на сайте ФРБ Атланты опубликована 24 марта 2026 года; выборки сформированы с учётом характеристик компаний.

Около 70% фирм сообщали об активном использовании ИИ. При этом более 80% не отмечали влияния на занятость или производительность за предшествующие три года. Сами руководители в среднем использовали ИИ лишь полтора часа в неделю.

От будущего участники ждали большего: в среднем прогнозировали рост производительности на 1,4% в следующие три года. Эта величина — ожидание, а не измеренный результат.

Работа объясняет, почему данные о распространении технологии могут соседствовать со скромным влиянием на компанию. Она не опровергает отдельные успешные внедрения. Для среднего бизнеса это основание искать эффект в определённом процессе и периоде, а не считать наличие ИИ достаточным признаком роста производительности.

В работе Generative AI and Sales Productivity Лу Фанг и соавторы исследовали семь сценариев на крупной платформе трансграничной торговли. Эксперименты с миллионами пользователей и товаров проходили в 2023–2024 годах; актуальная версия препринта опубликована 29 июня 2026-го. Название платформы не раскрыто.

Пользователей или товары распределяли между экспериментальными и контрольными вариантами. Проверяли поддержку до покупки, поиск, описания товаров, рекламу и помощь продавцам. В основных сравнениях эффект на продажи различался от невыявленного до +16,3%. Рост происходил преимущественно за счёт вероятности покупки; значимого увеличения среднего объёма покупок среди купивших авторы не обнаружили.

Особенно показательно, откуда взялись 16,3%: ИИ-помощника сравнивали с отсутствием обслуживания. При сравнении с ответами человека статистически значимой разницы в продажах и конверсии не обнаружили.

Для российского магазина это различие определяет постановку задачи. Исследование поддерживает проверку ИИ там, где покупатель сегодня остаётся без помощи. Оно не доказывает, что замена работающего консультанта автоматически увеличит продажи на тот же процент.

Аман Гупта и соавторы из команды Nubank описали систему оценки клиентских агентов в исследовании Building Customer Support AI Agents at 100M-User Scale. Версия от 13 июня 2026 года содержит результаты пяти рабочих сценариев, включая доставку карты, кредитный лимит и управление задолженностью.

Разработчики соединяли проверки на подготовленных примерах с измерениями на реальных обращениях. В сценарии доставки карты A/B-тесты новых версий относительно прежних показали рост самостоятельного решения без оператора на 29 процентных пунктов, а транзакционного NPS — показателя готовности рекомендовать сервис после общения — на 37 пунктов.

Система получала клиентский контекст и инструменты для действий, а сложные ситуации передавала человеку. Результаты различались по сценариям: в одном доля самообслуживания снизилась. В доставке карты итоговый NPS агента всё ещё уступал опытным операторам на 10 пунктов.

Для среднего бизнеса применима схема проверки: ограниченный тип обращений, доступ к нужным сведениям, оценка решения вопроса и удовлетворённости клиента. Результат Nubank относится к улучшению уже существующих агентов; это не сравнение «ИИ против полного отсутствия автоматизации».

Следующие примеры опубликованы поставщиками решений вместе с описанием работы клиентов. Они показывают конкретные процессы и заявленные результаты, но раскрывают меньше сведений о контрольных группах и затратах, чем экспериментальные исследования.

Uber for Business: сопровождение незавершённой регистрации

В кейсе Salesforce от 11 августа 2026 года агент помогает компаниям, которые начали регистрацию в Uber for Business, но не закончили её. Он отправляет персонализированные письма, отвечает по базе знаний и передаёт сложные вопросы менеджеру. Взаимодействия сохраняются в CRM.

По данным Salesforce, за первые две недели после запуска конверсия писем была примерно на 60% выше органической базы сравнения. Абсолютные значения конверсии и случайное распределение участников в публикации не раскрыты. Ожидаемый дальнейший вклад в выручку отдельно обозначен как прогноз.

Практически интересен сам участок работы: помощь уже заинтересованному клиенту, который остановился на конкретном шаге. Для российского B2B похожим предметом проверки может стать незавершённая заявка с недостающими параметрами. Переносить процент Uber на такую задачу без собственного измерения нельзя.

Hawksmoor: голосовой агент с доступом к бронированию

В кейсе PolyAI о ресторанной группе Hawksmoor исходной проблемой были пропущенные звонки: сотрудники одновременно обслуживали гостей и отвечали по телефону. Голосовой агент подключили к OpenTable, чтобы он работал с реальной доступностью столиков.

Поставщик сообщает, что доля пропущенных звонков снизилась с 20% до нуля. Отдельный период измерения этого показателя не раскрыт. Описание внедрения включает поэтапный запуск и возможность сотрудников обновлять сведения.

Для компаний с записью или бронированием этот кейс интересен связью разговора с конкретным действием в системе. При проверке подобного решения в России стоит учитывать всю цепочку: принятый звонок, корректная запись и состоявшийся визит. В кейсе снижение пропусков не равно доказанному росту оплаченных услуг на 20%.

PPHE: 75% документов без ручного вмешательства

Гостиничная группа PPHE описана в совместном кейсе Rossum и KPMG. Команда обработки счетов работала с потоком более 12 500 документов в месяц. Внедрение объединило извлечение данных, проверки, обработку исключений и передачу сведений в учётную систему.

Согласно публикации, 75% документов проходят без ручного вмешательства, а у команды освободилась половина рабочего ресурса. Сотрудники получили возможность заниматься другими задачами, в том числе анализом и работой с поставщиками. Дата публикации и период измерения не раскрыты.

Для российской компании с большим потоком счетов полезен уровень, на котором оценивали результат: прохождение документа через процесс. Точность распознавания отдельного поля сама по себе не показывает, сколько работы осталось бухгалтерии. Проверка аналогичного решения должна включать исключения и исправления, а высвобождение времени — учитываться отдельно от сокращения расходов.

BlackLine: ответы из проверенной базы знаний

Responsive описывает работу команды предложений BlackLine, которая готовит ответы на запросы заказчиков, анкеты безопасности и проверки поставщика. ИИ помогает составлять черновики из проверенного содержания; специалисты уточняют ответы и возвращают согласованные сведения в общую библиотеку.

Ценность этого источника — в устройстве процесса. Новое знание, полученное от эксперта, сохраняется для следующих предложений. Команда работает с актуальностью и подтверждением ответа. Публикация не устанавливает отдельный причинный прирост выручки от ИИ, поэтому показатели продаж команды здесь не используются как эффект внедрения.

Для российского среднего бизнеса такой подход применим к техническим КП и ответам на закупочные анкеты. Проверенные характеристики, условия и ограничения можно использовать повторно. Расчёт цены и согласование нестандартных условий при этом требуют собственных правил и актуальных данных.

Всемирный экономический форум в июньском выпуске Global Lighthouse Network представил площадку Rockwell Automation в Сингапуре. Она работает с более чем тысячей товарных позиций и большим числом переналадок.

На предприятии внедрили свыше 50 цифровых и ИИ-решений: гибкую автоматизацию, контроль качества и обслуживание оборудования. Опубликованные показатели — рост выпуска на человеко-час на 43% и снижение числа дефектов на 35%. Период изменений в кратком описании не указан.

Это результат преобразований площадки в целом; публикация не выделяет вклад одной модели. Для среднего производства интересны направления проверки: брак, переналадки, обслуживание, зависимость от знаний отдельных сотрудников. Чтобы оценить применимость, нужны данные своей линии и конкретной операции. Переносить общие проценты цифровизации на отдельный проект компьютерного зрения или ИИ-помощника было бы некорректно.

Management Science: примерно на 26% больше завершённых задач

В статье, опубликованной 27 февраля 2026 года в Management Science, объединены три полевых эксперимента в Microsoft, Accenture и ещё одной компании из Fortune 100. В них участвовали 4867 разработчиков; случайно выбранным участникам предоставляли доступ к ИИ-помощнику с автодополнением кода.

В объединённой оценке число завершённых задач увеличилось на 26,08%. Результаты отдельных экспериментов различались; стандартная ошибка общей оценки составила 10,3%. Менее опытные разработчики чаще использовали помощника и получали больший выигрыш.

Работа прошла журнальное рецензирование, но изучала более раннее поколение инструментов. Её показатель — завершённые задачи, поэтому он не равен снижению стоимости готовой системы на 26%.

Для бизнеса, заказывающего разработку, полезно оценивать применение ИИ по результатам всего проекта: выпуску работающих функций, качеству и объёму исправлений. Ускорение отдельных задач создаёт возможность экономии; итоговую величину определяют состав работ и проверка результата.

METR: опытные разработчики на знакомых проектах тратили больше времени

В раннем эксперименте METR 2025 года опытные участники работали со своими open-source-проектами. Задачи случайно распределяли между условиями с разрешённым и запрещённым использованием ИИ. С ИИ выполнение заняло на 19% больше времени.

В обновлении от 24 февраля 2026 года исследователи объяснили, почему повторное измерение стало труднее интерпретировать. Разработчики могли не предлагать для эксперимента задачи, где особенно рассчитывали на помощь ИИ, или не хотели работать без него. Параллельная работа с агентами затрудняла и подсчёт затраченного времени. Авторы не считают новую центральную оценку надёжным отражением реального эффекта.

Эта работа исследует другие условия, чем три корпоративных эксперимента выше: опытных людей, знакомые проекты и иной способ распределения задач. Для заказчика совместное чтение двух исследований полезнее выбора одного удобного процента. Оно показывает, какие сведения стоит запросить: на каких задачах команда получила ускорение и включены ли в него проверка и переделки.

В исследовании McKinsey 32% участников сообщили, что их организации отказались от покупки хотя бы одного программного продукта или функции, поскольку смогли создать нужную возможность внутри компании с ИИ-инструментами. Это показатель внутренней разработки; он не описывает отмену действующих CRM-подписок или рост заказов внешним подрядчикам.

Более предметные данные о подписных сервисах приводит The build vs. buy shift от Retool, опубликованный 17 февраля 2026 года. В конце 2025-го поставщик опросил 817 создателей ПО, включая своих клиентов. Использовались вопросы с выбором ответа и открытые вопросы.

35% сообщили о замене как минимум одного SaaS-инструмента или его функциональности собственной разработкой. При этом лишь 8% используют сгенерированный ИИ-код без изменений, а 44% тщательно тестируют его перед внедрением. Исследование охватывает специализированную аудиторию и не представляет весь бизнес.

В том же материале описан ClickUp: собственные инструменты компании подключены к Salesforce, Zendesk и Snowflake. Это пример сочетания индивидуальных функций и готовых платформ.

Для среднего бизнеса в России здесь есть конкретный вариант: сохранить подходящую CRM, а специфический расчёт заказа, конфигуратор или подготовку КП вынести в связанный модуль. Его имеет смысл сравнить с доработкой существующей системы и готовым сервисом, включив интеграции и сопровождение в стоимость. Именно такие задачи можно предметно обсудить со спецайти: что уже работает, какой функции не хватает и с какими данными она должна быть связана.

Исследование Gartner, опубликованное 1 сентября 2026 года, основано на опросе 1303 респондентов в январе — апреле. Участвовали организации с годовой выручкой от 50 млн долларов.

Только 22% сообщили о масштабировании ИИ на несколько подразделений или переходе к подходу AI-first. При этом 85% руководителей функций планировали увеличить расходы на ИИ в 2026 году.

Особенно интересна группа, которую Gartner выделяет по систематическому измерению ROI, пересмотру проектов и перераспределению вложений. Её участники сообщили о положительной отдаче в 81% ИИ-инициатив. Это связь, обнаруженная в опросе; он не доказывает, что само введение отчётности обеспечит такой процент успеха.

Для среднего бизнеса применим описанный порядок управления: оценивать каждый проект по понятному результату и пересматривать дальнейшие вложения. Из источника нельзя вывести универсальный срок окупаемости или бюджет внедрения — этих величин для отдельной российской компании он не устанавливает.

Исследования дают несколько разных ориентиров. Эксперименты показывают эффект в определённых условиях. Опросы описывают распространение технологии, способы работы и оценки участников. Корпоративные кейсы раскрывают конкретные внедрения. Для решения о своём проекте полезно сохранить эту разницу.

Самые содержательные цифры в этом обзоре связаны с конкретной работой и базой сравнения. Ссылки позволяют проверить обе части: что получилось и в каких условиях. Именно с этого начинается перенос результатов исследований в решение для своей компании.