Последние два года я строю свои продукты без разработчиков — весь код пишут нейронки. Я делаю относительно небольшие продукты, которым не нужно выдерживать сверхнагрузок. Но как обстоят дела у реально крупных компаний с внедрением AI в свои процессы? Оказалось, что всё не так однозначно.

Klarna: что стало с самым известным AI‑кейсом мира

В феврале 2024 финтех Klarna выпустил пресс‑релиз, который потом год цитировали в каждой второй статье про AI. Их ассистент на базе OpenAI за первый месяц провёл 2,3 млн диалогов и закрыл две трети всех обращений в поддержку. Компания оценила это как работу 700 штатных агентов, время решения вопроса упало с 11 минут до двух, а эффект на 2024 год спрогнозировали в $40 млн.

Дальше CEO Себастьян Семятковски разогнался: найм заморозили, штат, по словам компании, за год усох с 4500 до 3500 человек, а в декабре 2024 на Bloomberg TV он заявил буквально следующее: «Я считаю, что AI уже может выполнять все работы, которые делаем мы, люди». TechCrunch тогда же нашёл на их сайте 50+ открытых вакансий, но пресс‑служба объяснила, что CEO «упрощал для краткости».

В мае 2025 в интервью Bloomberg тот же Семятковски сказал: «Стоимость, к сожалению, стала слишком доминирующим критерием при организации всего этого, и в итоге получаешь более низкое качество». Klarna снова начала нанимать живых агентов поддержки. К июню он сформулировал новую позицию компании: человеческая поддержка — это VIP‑опция, как одежда ручной работы.

Сейчас у Klarna гибрид из трёх уровней: AI закрывает рутину (те же две трети обращений — по метрике самой Klarna), на среднем уровне около 2300 аутсорсинговых операторов, а сложные и эмоциональные кейсы разбирает сотня внутренних специалистов. В ноябре 2025 компания оценивала своего агента уже в «эквивалент 853 сотрудников» — при том что квартальные расходы на поддержку выросли до $50 млн против $42 млн в том же квартале годом ранее.

Оговорка: все цифры здесь — самоотчёты Klarna, методику «эквивалента в сотрудниках» они ни разу не раскрыли, а аналитик Forrester связывает пик громких заявлений с подготовкой к IPO.

AI в поддержке Klarna работает уже третий год и закрывает большую часть обращений. Компания откатила одну вещь — план обходиться совсем без людей — и заплатила за этот эксперимент репутацией и откатившимися расходами.

Иногда опытные разработчики с AI работают медленнее и не замечают этого

Летом 2025 исследовательская организация METR опубликовала результаты эксперимента, который до сих пор больно вспоминать всем, кто продаёт AI‑инструменты. 16 опытных open‑source разработчиков решали 246 задач в своих собственных репозиториях. Каждая задача случайно попадала в группу «с AI» или «без AI», работа записывалась скринкастами, за час платили $150 — то есть на «не старались» это не списать.

Результат: с AI разработчики справлялись на 19% медленнее. Самое интересное — восприятие. До эксперимента участники ожидали ускориться на 24%. После эксперимента, уже реально замедлившись, они оценивали своё ускорение в 20%.

Объяснение довольно приземлённое. Эти люди знают свои репозитории наизусть — подсказать им, как устроен их же код, модель не может. Из сгенерированного кода они принимали меньше 44%, а освободившееся время съедали промпты, ожидание и вычитка выдачи.

При этом в других экспериментах цифры противоположные. В полевых испытаниях в Microsoft, Accenture и ещё одной компании из Fortune 100 (4867 разработчиков) группа с Copilot закрыла на 26% больше задач — и почти весь прирост дали джуниоры и новички, у сеньоров эффект статистически неотличим от нуля. А фрилансеры в эксперименте GitHub собирали HTTP‑сервер с нуля на 56% быстрее.

Если сложить эти исследования, картинка сходится: AI сильнее всего помогает тому, кто хуже знает контекст задачи — при условии, что результат его работы кто‑то проверяет. Счётчик закрытых задач сам по себе про качество кода ничего не говорит, и весь прирост джуниоров существует вместе с сеньорами, которые ревьюят их код.

Кстати, METR в феврале 2026 повторили эксперимент уже с агентными инструментами вроде Claude Code: статистически значимого замедления больше не нашли (у новой когорты −4%, у старой всё ещё −18%, оба результата в пределах погрешности), значимого ускорения тоже. Зато вскрылась другая проблема — от 30 до 50% разработчиков отказывались брать задачи, которые нужно делать без AI.

Air Canada: компания заплатила по суду за обещание своего чат‑бота

В ноябре 2022 у канадца Джейка Моффатта умерла бабушка. Он зашёл на сайт Air Canada купить билет на похороны, и чат‑бот авиакомпании подсказал: можно взять билет по обычной цене, а скидку по «тарифу утраты» оформить задним числом в течение 90 дней.

Бот это выдумал. Настоящие правила лежали на соседней странице того же сайта и оформление задним числом прямо запрещали.

Моффатт купил билеты на $1630 канадских долларов, а когда пришёл за скидкой — получил отказ. Air Canada несколько месяцев отбивалась, предложила купон на $200, письменно признала, что бот выдал «вводящие в заблуждение слова», и пообещала его обновить. Денег так и не вернула.

В феврале 2024 трибунал Британской Колумбии обязал компанию выплатить $812. Air Canada заявила, что не отвечает за информацию от своих «агентов и представителей — включая чат‑бота». Трибунал ответил, что из этого следует, будто чат‑бот — отдельное юридическое лицо, которое само отвечает за свои действия, и назвал это «поразительным аргументом». Отдельно трибунал не понял, почему клиент обязан перепроверять информацию с одной страницы сайта компании на другой странице сайта той же компании.

После решения чат‑бот с сайта Air Canada тихо пропал.

Для авиакомпании $812 — копейки, но решение разошлось по юридическим разборам всего мира: за слова своего бота компания отвечает так же, как за любую страницу своего сайта. Галлюцинации были известной особенностью LLM задолго до этой истории. Air Canada выкатила бота клиентам, не сверив его ответы даже с собственными правилами, которые лежали на соседней странице.

X5: 5 млрд ₽ эффекта и 2300 AI‑агентов от самих сотрудников

Из российских кейсов мне больше всего нравится X5 — та самая компания, чьи «Пятёрочки» есть в каждом дворе. В июне 2026 они отчитались о 5 млрд рублей дополнительной операционной прибыли от AI за 2025 год: прогноз спроса, ценообразование, управление ассортиментом.

Это самоотчёт без внешнего аудита, как и почти все корпоративные цифры такого рода — в Т‑Банке, например, прямо говорят, что не для всех показателей у них готова методика подсчёта эффекта. Так что к миллиардам отношусь спокойно.

Меня в отчёте X5 зацепила другая цифра: сотрудники компании сами создали 2300 AI‑агентов. Внутренним ассистентом регулярно пользуется 21 тысяча человек (пробовали 32 тысячи), ещё 9 тысяч ходят к «персональному AI‑аналитику» — задают вопросы к корпоративным данным обычным языком вместо SQL.

Правда сколько из 2300 агентов реально живут и используются, X5 не раскрывает.

Как я ускорил поиск по каталогу в миллионы товаров за пару часов

Теперь личный кейс с проверяемыми цифрами. У меня есть приложение‑агрегатор зарубежных магазинов: несколько сервисов, десятки миллионов записей в базе, нетривиальный поиск с фильтрацией.

Года 2–3 назад я полгода просил команду подрядчика ускорить страницу, которая грузилась по 30 секунд. Команда с техлидом задачу не решила — я просто сжигал приличные деньги без ощутимого результата. Возможно, подрядчик был просто слабый. Но в этом и была моя проблема: без собственной экспертизы я не мог ни проверить его уровень, ни осознанно выбрать другого — оставалось верить на слово.

Потом я начал вайб‑кодить сам. На Sonnet 3.5 (топовая модель для кода на тот момент) получалось закрывать задачи попроще вроде парсинга данных, но сложную логику бэка модель не вывозила. С медленным поиском пришлось смириться: выдача грузилась от 15 до 180 секунд, а менять подрядчика было дорого и без гарантий.

В январе 2026 я сел с Opus и за пару часов оптимизировал этот поиск. Выдача стала грузиться меньше чем за секунду.

Одной из ключевых находок оказались неэффективно организованные таблицы фильтров. Размеры в каталоге нужно нормализовывать: у товара бывает диапазон вроде 42–43, у adidas — свои 42⅔, а человек в фильтрах должен видеть обычные 42, 42.5, 43. Вместо маленькой таблички с унифицированными размерами, к которой всё присоединяется, под каждый товар создавались отдельные записи с фильтрами. После нормализации таблица на десятки гигабайт с десятками миллионов записей исчезла целиком.

Сработала тут не только модель. За это время я разобрался в своём продукте глубже любого подрядчика — контекст у меня был весь, не хватало инженерных рук. Ровно эту недостающую часть Opus и закрыл.

Через пару недель я за выходные собрал веб‑версию приложения, которую откладывал два года. По прикидкам из разговоров с агентствами, такая разработка стоила бы мне 5+ млн рублей и полгода времени — с их дизайном, QA и поддержкой, так что сравнение не совсем честное, но порядок цифр такой.

Сейчас я трачу на AI‑подписки $600–700 в месяц, и это фактически весь мой бюджет на разработку. Сюда, правда, надо бы добавить моё время и риски кода, который никто, кроме меня, не ревьюит — для соло‑продукта я эти риски принимаю осознанно. Главная ценность для меня даже не в экономии: цикл проверки гипотезы сжался с квартала до нескольких дней, и неудачные идеи стало дёшево выбрасывать.

Честная граница этого кейса: у меня нет легаси‑процессов, согласований и ревью на пять человек. Соло‑фаундер с полным контекстом своего продукта — ровно та зона, где AI по исследованиям из второго кейса даёт максимум. Переносить мой опыт один в один на команду из 50 человек я бы не стал.

Что из этого всего следует

Из пяти историй я для себя вынес три вещи. Это гипотезы, с которыми согласуются и остальные кейсы из моей базы, но проверять их вам придётся на своих процессах.

Первое: эффект появляется там, где кто‑то проверяет результат. Klarna вернула людей ровно за этим — добирать качество там, где бот не дотягивает. Air Canada выкатила бота без такой проверки, и теперь её кейс цитируют юристы по всему миру. Те 26% прироста у джуниоров из второго кейса тоже существуют только вместе с сеньорами на ревью.

Второе: больше всех выигрывает тот, кто раньше в принципе не мог сделать эту работу сам. Джуниор в незнакомом проекте, категорийный менеджер со своим агентом, нетехнарь с лендингом, фаундер без инженерной команды. Опытному специалисту на его территории модель помогает слабо — METR показал, что он может даже замедлиться и искренне этого не заметить.

Третье: в маленькой команде эффект доходит до денег быстрее. У меня между «сел с задачей» и результатом проходят часы, и результат я проверяю сам. В корпорации ту же выгоду тащат через ревью, согласования и легаси, а потом оценивают самоотчётами — нормальной методики подсчёта пока нет ни у кого.

Так что вопрос «работает ли AI в компаниях» я бы переформулировал: есть ли у вас участок, где исполнителю не хватает контекста или рук, цикл короткий, и есть кому принять результат. Судя по всем данным выше, начинать стоит с такого участка.