Деловой мир сталкивается с парадоксом искусственного интеллекта: внедрение генеративного и агентного ИИ растет, инвестиции ускоряются, но устойчивое влияние на производительность остается труднодостижимым. Эта динамика перекликается с «парадоксом Солоу», вдохновленным остроумным высказыванием экономиста Роберта Солоу о том, что «компьютерный век можно увидеть повсюду, кроме статистики производительности». Согласно недавнему опросу, к концу 2025 года почти девять из десяти компаний внедрили ИИ как минимум в одну из своих бизнес-функций, однако 94% респондентов сообщили, что не видят «значительной» пользы от этих инвестиций. И хотя многие руководители считают ИИ необходимым условием будущей конкурентоспособности своих компаний, до настоящего времени их внимание было сосредоточено в основном на пилотных проектах, направленных на постепенное повышение производительности, а не на более глубокие преобразования.
Это несоответствие свидетельствует о непонимании того, как ИИ создает и перераспределяет экономическую ценность. Повышение производительности вряд ли расширит источники прибыли или обеспечит компаниям устойчивое конкурентное преимущество, поскольку конкуренция, как правило, снижает прирост производительности, принося больше пользы клиентам, чем компаниям, которые его внедряют. Реальная ценность ИИ будет заключаться в изменении предложений, бизнес-моделей и рыночных структур таким образом, чтобы расширить или перераспределить источники прибыли. Самое важное — это не то, как ИИ изменит вашу отрасль, а то, как он изменит экономику конкуренции.
Путь развития революционных технологий прошлого, таких как железные дороги, электричество и компьютеры, указывает на то, как могут развиваться подобные преобразования. Универсальные технологии редко создают ценность в одночасье. Первоначальное повышение производительности увеличивает эффективность, но истинный экономический эффект проявляется позже — когда появляются новые продукты, меняются бизнес-модели и перестраиваются цепочки создания стоимости — часто перераспределяя ценность между участниками отрасли, а не равномерно увеличивая её. Например, когда электричество впервые появилось на заводах, многие предприятия просто заменили паровой двигатель электродвигателем, получив выгоду от повышения эффективности, но оставив схему расположения валов неизменной. Прорыв произошёл позже, когда небольшие двигатели позволили руководителям перестраивать оборудование в соответствии с рабочими процессами, и, в конечном итоге, когда компании перепроектировали свои заводы с учётом использования электричества, создав новые операционные модели.
Руководителям предприятий следует задать себе следующие вопросы: с помощью каких механизмов и с какой скоростью ИИ будет создавать, расширять или изменять источники прибыли? И что это значит для нашей стратегии? В этой статье мы рассмотрим три взаимосвязанные волны изменений: повышение производительности, дифференциация и снижение транзакционных издержек. Повышение производительности будет иметь значение, но вряд ли оно определит победителей. Руководителям необходимо смотреть не только на эффективность, но и на инновации в продуктах и услугах, и в конечном итоге на то, как ИИ изменит структуру отрасли и перераспределит прибыль.
Повышение производительности: быстро становится обязательным условием
Наиболее непосредственное влияние ИИ оказал на производительность. Автоматизируя задачи и оптимизируя рабочие процессы, инструменты ИИ могут существенно повысить скорость, точность и качество, одновременно снижая затраты.
Большинство современных приложений ИИ — это инструменты, ускоряющие выполнение существующих задач. Наибольший эффект достигается при внедрении ИИ во все производственные процессы. Искусственный интеллект, находящийся на переднем крае повышения производительности, начинает динамично и масштабно управлять процессом выполнения задач.
Хотя повышение производительности имеет ценность, оно редко увеличивает прибыль — как правило, оно влияет на минимальный, а не максимальный уровень эффективности отрасли. Стратегическая роль повышения производительности в основном оборонительная и вспомогательная: оно пересматривает ожидания в отношении затрат, скорости и качества, а также высвобождает ресурсы для инвестиций в другие области. Главное исключение в случае с ИИ — это когда повышение производительности в больших масштабах меняет экономику единицы продукции с переменных затрат на постоянные. В таких условиях снижение затрат позволяет увеличить объем производства, что, в свою очередь, еще больше снижает себестоимость единицы продукции, создавая самоподдерживающееся конкурентное преимущество.
Чтобы извлечь выгоду из этой динамики, компаниям необходимо преимущество. Первопроходцы могут быстрее масштабироваться, закрепить за собой более низкие издержки и затруднить конкурентам возможность догнать их, когда выгоды начнут накапливаться. Даже когда эта модель работает в небольших масштабах, компании, которые опережают конкурентов в повышении производительности, могут временно расширить маржу, реинвестировать полученные средства и пересмотреть базовый уровень издержек в отрасли в свою пользу. Эти преимущества ослабевают по мере распространения внедрения, но они могут быть жизненно важными — особенно в отраслях, где позиция по издержкам определяет ценовую власть и инвестиционные возможности.
Дифференциация: стимулирование роста
Инновации в продуктах, услугах и бизнес-моделях – это то, где ИИ выходит за рамки простого улучшения способов выполнения работы и открывает двери для нового роста. Как и в случае с более ранними трансформационными технологиями, наибольшая ценность будет получена не только от ИИ, но и от дополнительных инноваций: перепроектированных процессов, новых продуктов и бизнес-моделей, а также новых экосистемных структур, построенных вокруг базовой технологии.
Организации, извлекающие значительную выгоду из инноваций, основанных на искусственном интеллекте, как правило, создают несколько взаимоусиливающих преимуществ, которые накапливаются и закладывают основу для новых конкурентных преимуществ. По мере распространения возможностей ИИ, преимущество смещается от фиксированных характеристик продукта, ценовой позиции или бренда к преимуществам, основанным на ИИ, которые углубляются с использованием: собственные данные, улучшающие производительность с течением времени; выгоды для клиентов, создаваемые сетевыми эффектами или путем непосредственного внедрения ИИ в рабочие процессы клиентов, что снижает стимулы к переходу на другие решения; и более быстрые циклы обучения и итераций.
Возвращаясь к примеру с промышленностью, внедрение электричества повысило эффективность производства, но только благодаря распределенным электродвигателям, позволившим реорганизовать производство вокруг рабочих процессов, а не вокруг источников энергии, стали возможны конвейерные линии, массовое производство и новые промышленные цепочки поставок. Аналогичным образом, электрификация позволила внедрить холодильное оборудование, что изменило розничную торговлю продуктами питания и глобальные цепочки поставок, а также обеспечила электропитанием городскую инфраструктуру, что преобразило города. Электричество было необходимо, но наибольшее расширение источников прибыли произошло благодаря дополнительным инновациям, которые перестроили отрасли вокруг новой формы энергии.
Похоже, что ИИ следует аналогичной траектории. Фундаментальные модели (включая большие языковые модели) являются мощными инструментами. Однако устойчивая дифференциация будет обеспечиваться не за счет доступа к этим технологиям, которые будут все больше превращаться в товар широкого потребления, а за счет того, как организации используют их для перепроектирования предложений, пересмотра экономической модели бизнеса и реконфигурации экосистем.
Этот процесс, как правило, протекает поэтапно. Первый этап улучшает качество обслуживания клиентов в рамках существующих отраслевых структур. Рассмотрим сервисы вызова такси. Традиционные сети такси распределяли поездки в основном за счет физической очереди — следующего доступного водителя в очереди. Такие компании, как Uber и Lyft, распределяют поездки алгоритмически, назначая водителя, ближайшего к клиенту, сокращая время ожидания, повышая прозрачность и улучшая использование активов. Базовый актив — автомобиль с водителем — остается неизменным; изменился лишь метод координации и качество обслуживания клиентов. Искусственный интеллект теперь расширяет эту логику: распределение, ценообразование, маршрутизация и стимулы могут оптимизироваться в режиме реального времени, постоянно улучшая как пользовательский опыт, так и экономику системы.
Второй этап расширяет границы возможностей продукта. Платформы, созданные на основе некоторых сервисов заказа такси, распространили эту модель на смежные сегменты, такие как доставка еды, где та же логика координации управляет взаимодействием между ресторанами, курьерами и клиентами, создавая новые модели потребления по запросу. Следующим рубежом могут стать беспилотные такси с искусственным интеллектом, которые, исключив водителя-человека, коренным образом изменят структуру затрат и масштабируемость сервиса и потенциально трансформируют экономику городской мобильности.
В более широком смысле, ИИ позволяет предлагать услуги, которые ранее были невозможны. В сфере финансовых услуг компания American Express использует ИИ для персонализации предложений и рекомендаций практически в режиме реального времени на основе анализа транзакций и сигналов риска. В биологических науках молекулы, разработанные с помощью искусственного интеллекта, позволяют фармацевтическим компаниям ускорить процесс разработки лекарств. В таких случаях ИИ не просто улучшает качество обслуживания — он меняет то, что можно предложить.
Третий и наиболее важный этап — и главный катализатор расширения пула прибыли — это переосмысление бизнес-модели. Здесь ИИ меняет саму экономику конкуренции. Новые компании, изначально использующие ИИ, иллюстрируют этот сдвиг. Например, Harvey переосмысливает юридические услуги, сочетая искусственный интеллект с собственными юридическими рабочими процессами и данными для предоставления услуг, которые традиционно требовали команд юристов, размывая грань между программным обеспечением и услугами. Аналогично, Khanmigo переосмысливает образование с помощью репетиторства на основе ИИ, которое обеспечивает персонализированное, постоянно доступное обучение, бросая вызов экономике традиционных моделей обучения в классе и индивидуальных занятий. В обоих случаях конкурентное преимущество заключается во внедрении ИИ в основное предложение таким образом, чтобы изменить структуру затрат, расширить доступ и создать новую ценность.
В отличие от повышения производительности, инновации в продуктах, услугах и бизнес-моделях могут расширить источники прибыли — но только если эти инновации защищены сильными конкурентными преимуществами. Преимущество в непропорционально большей степени получают организации, которые действуют на опережение, учатся быстрее конкурентов и создают возможности, которые накапливаются даже по мере того, как методы, использующие ИИ, становятся отраслевой нормой.
Снижение транзакционных издержек: стимулирование глубоких системных изменений
Последняя волна перемен — самая масштабная и наименее интуитивно понятная. Искусственный интеллект обещает изменить не только продукты или операции, но и рыночные структуры, радикально снизив транзакционные издержки.
Многие отрасли построены на принципе трения. Клиентам сложно сравнивать варианты, координация между несколькими поставщиками сложна, смена поставщика обходится дорого, а посредники процветают, управляя информационной асимметрией или операционной сложностью. Искусственный интеллект (особенно агентные системы) подрывает эти основы, делая информацию прозрачной, координацию автоматизированной, а принятие решений практически мгновенным. В результате ценность смещается от управления трением и концентрируется вокруг новых технологических или стратегических точек контроля, таких как владение интерфейсом клиента или данными, привилегированный доступ к спросу или способность управлять сложными экосистемами. Какая точка контроля обеспечивает наиболее сильное преимущество, будет варьироваться в зависимости от отрасли, но основная закономерность остается неизменной: по мере снижения транзакционных издержек преимущество переходит к компаниям, занимающим критически важные позиции в цепочке создания стоимости с меньшим трением.
* * *
Сингулярность Коуза: почему транзакционные издержки формируют рынки и как ИИ может их перекроить
В периоды стремительных перемен, когда четких ответов еще нет, возвращение к первопричинам может дать представление о том, куда будет перемещаться ценность. А именно: экономика транзакционных издержек, впервые сформулированная Рональдом Коузом, указывает путь к наиболее разрушительному потенциалу ИИ.
Теория Коуза гласит, что рынки, предприятия и цепочки создания стоимости принимают те или иные формы, потому что использование рынков сопряжено с большими затратами. Поиск вариантов, сравнение цен, заключение контрактов, координация действий между сторонами, обеспечение выполнения соглашений и смена поставщиков — всё это требует времени, информации и усилий. Там, где эти транзакционные издержки высоки, компании решают соответствующие задачи внутри компании или с помощью посредников; там, где они низки, рынки фрагментируются и специализируются. С этой точки зрения, отраслевые структуры представляют собой равновесные результаты, формируемые транзакционными издержками. Розничные торговцы, брокеры и платформы в значительной степени сохраняются, потому что они снижают эти издержки более эффективно, чем альтернативные варианты.
Эта логика подразумевает, что размер и масштаб бизнеса не являются фиксированными, а зависят от транзакционных издержек. Компании расширяются, когда затраты на координацию, заключение контрактов и информацию высоки, что делает более эффективным внутреннее управление деятельностью. Если агенты ИИ существенно снизят эти издержки — обрабатывая поиск, переговоры, координацию и обеспечение соблюдения с почти нулевыми предельными издержками — традиционные преимущества масштаба могут ослабнуть. В такой среде более мелкие и специализированные фирмы, связанные гибкими, опосредованными ИИ экосистемами, могли бы работать с экономикой, ранее доступной только крупным интегрированным игрокам. Отрасли могли бы эволюционировать от вертикально интегрированных цепочек создания стоимости к более модульным структурам, где преимущество достигается за счет специализации и позиционирования в сетях, а не за счет масштаба.
Недавние исследования так называемой сингулярности Коузаа исследует роль агентов искусственного интеллекта в значительном снижении транзакционных издержек за счет действий от имени пользователей с практически нулевыми предельными издержками. По мере снижения транзакционных издержек традиционные цепочки создания стоимости могут быть полностью перестроены. Некоторые посредники могут быть исключены из процесса или их роль может быть уменьшена по мере появления новых точек контроля. Соответственно, распределение прибыли сместится в сторону тех, кто лучше всего подходит для работы в условиях низкого трения и посредничества агентов.
Два сценария иллюстрируют, как может произойти это системное изменение. В энергетической отрасли агенты на основе ИИ могли бы напрямую связывать клиентов с поставщиками энергии, автоматически оптимизируя цены и потребление, и уменьшать традиционную роль розничных посредников или полностью обходить их. В банковской сфере агенты на основе ИИ могли бы увеличить сбережения физических лиц, перераспределяя депозиты или меняя поставщиков для оптимизации ставок, преодолевая инерцию, которая мешает клиентам менять банки, и оказывая давление на основные источники дохода финансовых учреждений. Согласно анализу McKinsey, треть из 70 триллионов долларов мировых потребительских депозитов находится на расчетных счетах с почти нулевой доходностью, и если бы от 5 до 10% этой суммы были перераспределены на самые высокие доступные ставки, прибыль банков от депозитов могла бы упасть на 20% и более, изменив экономику розничного банковского обслуживания. Безусловно, регулирование, отсутствие доверия потребителей и институциональная инерция могут замедлить темпы и определить направление этих изменений, но поскольку они приведут к более простому выбору и лучшим результатам для клиентов, направление движения, вероятно, сохранится.
* * *
По мере того, как ИИ внедряется во взаимодействие с клиентами и устраняет препятствия, он потенциально может изменить рынки тремя фундаментальными способами.
Во-первых, он может изменить то, как клиенты находят и выбирают поставщиков. Это связано с тем, что агенты ИИ преобразуют намерения и предпочтения в тщательно подобранные рекомендации. Они смещают конкуренцию от видимости и маркетинговых инвестиций к релевантности и позиционированию в экосистемах, основанных на искусственном интеллекте. В отличие от принятия решений человеком, которое носит эпизодический характер и ограничено недостатком внимания, агенты постоянно ищут, оценивают и уточняют варианты. Открытие становится постоянным, а не случайным, и конкуренция все больше зависит от алгоритмического ранжирования и структурированных данных о продуктах, а не от узнаваемости бренда. В таких условиях ценность смещается к тем, кто постоянно формирует или влияет на рейтинги. По мере того, как агенты учатся на взаимодействиях и совершенствуются, небольшие преимущества в релевантности или качестве данных могут накапливаться, направляя непропорционально большую долю спроса к ограниченному набору поставщиков и затрудняя вытеснение этих позиций.
Во-вторых, использование ИИ в процессе принятия решений о покупке значительно снижает транзакционные издержки и затраты на смену поставщика услуг. Автоматизируя сравнение, подключение и миграцию, агенты ИИ ослабляют преимущества, которые возникали из-за инерции клиентов.
Во-третьих, ИИ меняет структуру посредничества, поскольку взаимодействие с клиентами смещается от веб-сайтов, колл-центров и брокеров к диалоговым агентам и платформам. В результате роль некоторых традиционных посредников, вероятно, сократится. Например, партнерство OpenAI с Klarna направлено на внедрение диалогового поиска товаров со встроенным сравнением цен, что устраняет необходимость в традиционных сайтах сравнения и партнерских платформах.
Учитывая эти три изменения, действующим игрокам рынка, возможно, потребуется переосмыслить, где и как они конкурируют, поскольку трения в цепочках создания стоимости неуклонно уменьшаются. Некоторые будут сотрудничать с платформами искусственного интеллекта, чтобы оставаться заметными, поскольку поиск информации смещается от традиционных каналов. Другие будут специализироваться дальше — например, на предложениях, где доверие, рассудительность и ответственность человека остаются решающими, а ИИ дополняет, а не заменяет экспертизу. В здравоохранении, например, ИИ может поддерживать диагностику, в то время как врачи оказывают эмпатичную помощь пациентам и несут ответственность за решения о лечении. Третьи будут создавать или присоединяться к экосистемам, которые предоставляют комплексные решения, упрощая взаимодействие с клиентами и создавая препятствия для перехода на другие платформы.
Каждый из этих путей меньше связан с достижением технологического преимущества, чем с обеспечением позиции, позволяющей сохранять прибыльность по мере изменения структуры рынка. Организации, которые просто адаптируются к происходящим изменениям, могут сохранить прибыльность, по крайней мере, на некоторое время. Те, кто определит, где ИИ может коренным образом изменить клиентский опыт, и инвестирует в предоставление этого опыта уникальными способами, могут получить непропорционально большую долю прибыли.
Системные изменения — это область, где влияние ИИ наиболее неравномерно и решающе. По мере снижения транзакционных издержек, объемы прибыли не просто расширяются, но и перераспределяются, при этом ценность смещается в сторону новых точек контроля в области поиска, координации и взаимоотношений с клиентами. Традиционно привлекательные рынки могут сократиться или полностью исчезнуть, поскольку барьеры для входа рушатся, власть поставщиков-посредников-покупателей смещается, а замещение становится проще. Действующие игроки, которые продолжают полагаться на устаревшие источники конкурентных преимуществ, рискуют оказаться зажатыми в более узкие, более стандартизированные роли. Те, кто предпримет своевременные действия для позиционирования себя там, где, вероятно, будет сконцентрирована ценность, смогут пересмотреть свои роли до того, как укоренятся новые, менее требовательные отраслевые структуры.
Конкуренция в экономике, преобразованной искусственным интеллектом: последствия для лидеров
Внедрение искусственного интеллекта коренным образом меняет представление о достижении и поддержании конкурентного преимущества. Чтобы возглавить этот переход, руководителям необходимо выйти за рамки пилотных проектов, ориентированных на повышение производительности, и глубже понять, как ИИ может изменить экономику бизнеса. Лидеры могут начать с следующих четырех шагов:
- Оцените влияние ИИ на источники прибыли. Руководители должны составить детальное представление о том, как ИИ изменит экономику отрасли — где создается, теряется или перераспределяется ценность. Им также следует оценить влияние повышения производительности с помощью ИИ и, что более важно, инноваций и снижения транзакционных издержек на выручку, издержки и рентабельность.
- Создавайте или укрепляйте конкурентные преимущества, основанные на искусственном интеллекте. По мере распространения ИИ, дифференциация будет зависеть от того, как компании создают и комбинируют трудновоспроизводимые конкурентные преимущества. Лидерам следует оценить, какие источники преимущества могут сохраниться в среде, управляемой ИИ, от собственных данных до сетевых эффектов и структурных преимуществ в плане затрат. Приоритетной задачей является разработка системы укрепляющих конкурентных преимуществ, адаптированных к вашей позиции, и их углубление до того, как это сделают конкуренты или до того, как преимущество закрепится в других областях.
- Превратите скорость в структурное преимущество. Способность тестировать, учиться и масштабироваться быстрее, чем конкуренты, является основным источником преимущества в экономике, формируемой искусственным интеллектом. По мере сокращения циклов экспериментирования и снижения стоимости итераций, организации, которые быстро реагируют, улучшают свои показатели с большей скоростью. Более быстрое экспериментирование генерирует больше данных; больше данных улучшает модели и качество принятия решений; более высокая производительность привлекает больше пользователей и активности. Со временем эта накопительная динамика увеличивает разрыв между лидерами и отстающими. Поэтому генеральным директорам следует инвестировать в повышение организационной скорости — устранение узких мест, ускорение внедрения и обеспечение непрерывного обучения — понимая, что преимущество достигается не только за счет того, что вы создаете, но и за счет скорости вашего совершенствования.
- Перестройка бизнеса. Для того чтобы воспользоваться возможностями ИИ, необходима фундаментальная перестройка бизнес-подразделений и функций вокруг масштабируемой основы ИИ. Это включает в себя перепроектирование сквозных процессов, модернизацию инфраструктуры данных и технологий, внедрение ИИ в процесс принятия решений и операционную деятельность, а также изменение ролей, управления и методов работы. Ведущие организации не просто экспериментируют с ИИ; они перестраивают бизнес таким образом, чтобы ИИ мог масштабироваться по всем функциям и постоянно повышать производительность.
Со временем ИИ затронет каждую отрасль, но он не будет создавать ценность одинаково везде и не для всех. Компании, наиболее подготовленные к этим изменениям, будут рассматривать ИИ как стратегический переломный момент. Они будут использовать повышение производительности для сохранения конкурентоспособности, инновации для расширения и защиты источников прибыли, а также принимать взвешенные решения на ранних этапах для формирования новых рыночных структур и своей роли в них.
Для руководителей это неприятная правда: ИИ — это не революция в производительности, а конкурентная перестройка. История полна примеров компаний, которые ошибочно принимали эффективность за преимущество. Они оптимизировали, в то время как другие перестраивались. Они сокращали расходы, в то время как другие захватывали доминирующую долю рынка — и связанные с этим прибыли. В итоге победителями оказались не те, кто быстрее всего внедрил технологии, а те, кто раньше всех понял, куда движется ценность, и занял выгодную позицию для её получения.
Искусственный интеллект не будет создавать ценность равномерно. Во многих случаях он просто перераспределит её. Окно возможностей для действий уже, чем может показаться. В экономике, управляемой ИИ, преимущество накапливается на ранних этапах, а захват ценности быстро закрепляется.
Источник
Где ИИ будет создавать ценность, а где нет. 29 апреля 2026 г. Статья. Антуан Монтар, Даго Дидрих, Танги Кэтлин.
Where AI will create value—and where it won’t. April 29, 2026. Article. By Antoine Montard, Dago Diedrich, and Tanguy Catlin
https://www.mckinsey.com/capabilities/strategy-and-corporate-finance/our-insights/where-ai-will-create-value-and-where-it-wont
