Причина оказалась обидно простой. Фабрики заменили источник энергии, но оставили старую компоновку цехов. Станки стояли вокруг центрального вала и ремённой передачи — как при паровом двигателе. Просто вместо парового котла поставили электрический мотор. Один к одному.
Производительность взлетела только когда следующее поколение менеджеров перестроило сами фабрики. Отдельный мотор на каждый станок. Одноэтажные цеха вместо многоэтажных. Компоновка по логике потока, а не по логике привода. Результат: рост производительности с 0.7% до 5% в год. В семь раз.
Я наблюдаю ровно то же самое. Каждую неделю.
По данным McKinsey, 88% компаний в мире «используют ИИ». Но только 21% перестроили хотя бы часть рабочих процессов под него. И только 7% масштабировали ИИ по-настоящему.
Остальные поставили электрический мотор на паровую фабрику.
В прошлом тексте я назвал ИИ когнитивным экзоскелетом — технологией, которая впервые работает напрямую с мышлением. Сегодня покажу, как этот экзоскелет устроен.
Четыре слоя экзоскелета
Я вижу четыре слоя. Конкретные инструменты в каждом слое меняются каждые полгода — на момент публикации это март 2026, и через полгода список будет другим. Но сами слои — нет. Архитектура стабильна.
Слой 1. ИИ-ассистент: «спросил — получил ответ»
Здесь находятся почти все. ChatGPT — 900 миллионов пользователей в неделю. Claude — 19 миллионов в месяц. В России 30% МСП используют ИИ, и 72% из них — через Яндекс, то есть через чат-интерфейс.
Это полезно. Правда. Написать письмо, сделать первый черновик, найти формулировку — ассистент экономит 30–40% времени на таких задачах. Исследование MIT показало: профессионалы с ChatGPT пишут на 37% быстрее, а качество вырастает на 18%. Причём слабые исполнители выигрывают больше всех — ИИ выравнивает.
Но у этого слоя жёсткий потолок. Ты можешь получить 80% результата за 20% времени, но последние 20% — логика, проверка, бизнес-контекст — всё равно на тебе. Каждый раз заново. Без памяти, без контекста, без связи с твоими данными.
Главная ловушка слоя 1 — «зубчатый фронтир». Термин из исследования Harvard/BCG: граница возможностей ИИ неровная и непредсказуемая. Рядом с задачей, где ИИ блестящ, лежит задача, где он выдаст уверенный, аккуратно сформулированный бред. И ты не можешь заранее отличить одно от другого. В том же исследовании консультанты BCG с GPT-4 работали на 40% лучше на задачах внутри фронтира — и на 19% хуже на задачах за его пределами.
Если ты здесь — ты уже молодец. Но ты используешь когнитивный экзоскелет как костыль.
Слой 2. ИИ в рабочей среде: «работает там, где работаешь ты»
Разница принципиальная. На слое 1 ты копируешь текст из документа в чат, получаешь ответ, копируешь обратно. На слое 2 ИИ видит твой контекст: код, документ, таблицу, письмо — и работает прямо там.
Cursor — 1 миллион активных пользователей в день, $2 миллиарда годовой выручки. GitHub Copilot — 4.7 миллиона подписчиков, 90% компаний из Fortune 100. Рынок горизонтальных copilot-ов вырос в 5.3 раза за год.
Здесь начинается реальная трансформация рабочего процесса. Не «я спросил ИИ», а «ИИ встроен в мою работу». Программист больше не переключается между IDE и чатом — ИИ предлагает код прямо в редакторе. Маркетолог не копирует текст в ChatGPT — Notion AI анализирует документ прямо в Notion.
Для кого: для всех трёх наших персон. Собственник получает CRM, которая сама готовит черновики КП. Руководитель — аналитику, встроенную в его дашборды. Специалист — инструмент, который ускоряет его основную работу, а не добавляет ещё одно окно.
Важная оговорка: скорость без архитектуры = технический долг. Данные GitClear по 153 миллионам строк кода: с появлением AI-ассистентов рефакторинг упал с 25% до менее 10%, а copy-paste вырос в полтора раза. Copilot генерирует больше кода, но не обязательно лучше. Нужна система проверки — а это уже вопрос процесса, не инструмента.
Слой 3. Агенты и автоматизация: «ИИ выполняет цепочки действий»
Zapier — 3.4 миллиона компаний. n8n — 230 тысяч активных пользователей. По данным McKinsey, 23% компаний уже масштабируют агентные системы, 39% экспериментируют. Рынок AI-агентов растёт на 46% в год — быстрее любого другого сегмента.
Следим за руками: на слое 3 происходит ключевой перелом. Ты перестаёшь быть оператором и становишься архитектором. Не «я использую ИИ», а «я проектирую систему, которая использует ИИ».
В моей модели эволюции специалиста это переход от делегатора к архитектору. Человек, который умеет собрать workflow из нескольких шагов, поставить точки контроля и запустить это без своего постоянного участия — стоит принципиально дороже, чем человек, который хорошо пишет промпты. PwC подтверждает: специалисты с AI-навыками зарабатывают на 56% больше. В России, по данным Habr — на 20%.
Предупреждение: агенты — мощный инструмент, но не магия. Без чётких данных, без описанного процесса, без точек human review агент превращается в генератор хаоса. Помните workslop? Исследование BetterUp и Stanford: 40% работников получали за последний месяц некачественный AI-контент от коллег, не прошедший проверку. Каждый такой инцидент стоит почти два часа переделки. Компании на 10 тысяч человек это $9 миллионов в год невидимых потерь.
Агенты без governance = workslop на стероидах.
Слой 4. Собственная AI-инфраструктура: «ИИ работает на твоих данных»
Это самый малочисленный слой. По данным U.S. Chamber of Commerce, только 8% малых бизнесов строят AI-решения in-house. McKinsey: 7% компаний масштабировали ИИ. Menlo Ventures: 21% enterprise развернули кастомные решения.
Для большинства МСБ слой 4 сейчас избыточен. Это не оскорбление — это факт. Если у тебя не описаны базовые процессы, нет структурированных данных, нет человека, который будет поддерживать систему — RAG превратится в дорогую игрушку, которая через месяц начнёт галлюцинировать на старых данных.
Но знать про этот слой нужно. Потому что именно здесь компания перестаёт зависеть от вендора. Именно здесь возникает настоящий moat — не модели (они у всех одинаковые), а данные + процессы + flywheel улучшений. Именно здесь Individual AI превращается в Institutional AI.
Это горизонт, а не обязательный следующий шаг.
Вторая карта: где ты и где твоя компания
Ты как специалист проходишь путь: наблюдатель → пользователь → оператор → делегатор → архитектор. Большинство людей сейчас между пользователем и оператором. Главный карьерный перелом — между делегатором и архитектором. Именно тут человек перестаёт «использовать ИИ» и начинает проектировать системы.
Твоя компания проходит параллельный путь: витринный ИИ (отдельные энтузиасты с ChatGPT) → фрагментированный ИИ (каждый отдел со своим инструментом, без координации) → оркестрированный ИИ (единый контур: данные, модели, workflow, контроль).
Следим за руками: эти две карты коррелируют. Ты не можешь эффективно работать с агентами (слой 3), если ты как специалист ещё на уровне «пользователь». Компания не внедрит workflow-автоматизацию, если у неё хаос на уровне базовых процессов. Нельзя поставить unit drive, если в цехе нет проводки.
Данные McKinsey это подтверждают: 88% компаний «используют AI», но только 21% перестроили хотя бы часть workflow. 90% CEO не видят влияния ИИ на бизнес-результаты. Разрыв между adoption и transformation — это и есть пропасть между слоями.
Три ошибки сборки
1. Подписочный хаос
Проблема не в инструментах. Проблема в том, что все 10 подписок — на слое 1. Десять молотков, когда нужен один молоток и чертёж.
50–71% сотрудников используют AI-инструменты без одобрения IT. По данным ГК «Солар», объём конфиденциальных данных в публичных AI-сервисах вырос в 30 раз за год. 60% российских компаний не имеют никакой AI-policy. Это не adoption — это стихия.
2. Промптинговый потолок
Это реальная и массовая проблема. По данным Ingate Group, экспертный уровень AI-навыков в России — 12%. Стабильно. Не растёт. Базовый — 45%. Разрыв между «попробовал ChatGPT» и «умею строить системы» — огромный. Люди упираются в потолок и думают, что проблема в промптах. Проблема — в архитектуре.
3. Сразу в продакшн
Это как ставить электромотор в цех, где нет проводки. По данным McKinsey, компании, которые «высокозрелые» в AI, держат проекты в production 3+ лет. Трансформация — не спринт. Это марафон, который начинается с правильного первого шага.
На каком вы слое? Быстрая диагностика
- ИИ — в отдельном окне, используешь от случая к случаю → Пользователь, слой 1
- ИИ встроен в рабочие приложения, ускоряет ежедневные задачи → Оператор/делегатор, слой 2
- ИИ выполняет цепочки действий, у тебя есть workflow → Архитектор, слой 3
- Ты проектируешь системы на своих данных и правилах → Оркестратор, слой 4
Твоя компания:
- AI используют отдельные энтузиасты, каждый своё → Витринный / фрагментированный ИИ
- Есть общие инструменты и договорённости, AI в 1–2 процессах → Переход к оркестрации
- Единый контур: данные → модели → workflow → контроль → метрики → Оркестрированный ИИ
Большинство читателей сейчас на слое 1–2 как специалисты и на уровне «витринный / фрагментированный» как компании. Это нормально. Ненормально — не знать, что дальше.
Что с этим делать
Потому что главная проблема — не выбор инструмента. Главная проблема — незнание ландшафта. Люди покупают 10 подписок и получают хаос. Или сидят в ChatGPT и думают, что это весь ИИ. Или пытаются прыгнуть сразу на четвёртый слой, не пройдя первые три.
Карта — необходимый первый шаг. Но карта без маршрута — картинка на стене.
Следующий вопрос: какие конкретно задачи закрывает каждый слой для тебя — собственника, руководителя, специалиста? Как выбрать не «лучший инструмент», а правильный слой для твоей ситуации? Об этом — в следующем тексте.
А если чувствуете, что пора перестать собирать экзоскелет из случайных деталей — я для этого построил [AI Architect]. Не обзор инструментов, а программа перехода от пользователя к архитектору. 60 часов, 70% практики на ваших реальных задачах.
Фигачим дальше 🔥
Источники и данные
- McKinsey, "The State of AI", ноябрь 2025 — 1,993 респондента, 105 стран
- Dell'Acqua et al., "Navigating the Jagged Technological Frontier", HBS/BCG, 2023 — 758 консультантов, RCT
- Noy & Zhang, "Experimental Evidence on the Productivity Effects of Generative AI", *Science*, 2023 — 453 профессионала
- Brynjolfsson, Li, Raymond, "Generative AI at Work", *QJE*, 2025 — 5,179 агентов поддержки
- Vendor research: GitHub/Microsoft, "Quantifying GitHub Copilot's Impact", 2023 — 95 разработчиков
- Vendor research: Menlo Ventures, "State of Generative AI in the Enterprise", декабрь 2025
- U.S. Chamber of Commerce, "Empowering Small Business Report", август 2025 — 3,870 малых бизнесов
- НАФИ, "Использование ИИ среди МСП", март 2024 — 400 респондентов
- Software AG, "Shadow AI", октябрь 2024 — 6,000 work workers
- ГК «Солар», отчёт по утечкам данных через AI, февраль 2026 — анализ трафика 150 организаций
- Vendor research: PwC, "Global AI Jobs Barometer", 2025 — 1 млрд вакансий
- BetterUp Labs / Stanford, "AI-generated workslop", 2025 — 1,150 работников
- GitClear, "AI's Impact on Code Quality", 2024 — 153 млн строк кода
- Ingate Group, "Исследование AI-навыков", февраль–март 2025 — 1,010 респондентов
- Brynjolfsson, Rock, Syverson, "The Productivity J-Curve", *AEJ: Macroeconomics*, 2021