Люди готовы, компании — нет

Разбор 2026 Work Trend Index: что на самом деле говорят цифры Microsoft — и что в них стоит перепроверить

Microsoft прогнал через модель 29 факторов, которые могли бы объяснить, почему одни сотрудники получают от ИИ реальную отдачу, а другие нет. В расчёт вошло почти всё: личные качества, стаж, отрасль, размер компании, поколение, уровень должности, собственная мотивация и отношение к технологии.

Организационные факторы объясняют отдачу примерно вдвое лучше индивидуальных: 67% против 32%. Демографические характеристики почти ничего к этому не добавляют.

Самый значимый фактор — культура работы с ИИ в компании. Она примерно в два с половиной раза сильнее связана с результатом, чем самый сильный индивидуальный фактор, то есть собственная установка человека по отношению к ИИ. Следом идут практики развития людей и поддержка со стороны руководителя. Оба фактора примерно вдвое слабее культуры.

Проще говоря, вопрос «умеют ли наши люди работать с ИИ» оказался менее важным, чем вопрос «создала ли компания условия, в которых они могут это делать».

Если ИИ в компании не приживается, эти данные дают хороший повод сначала посмотреть на систему вокруг сотрудников: на культуру, обучение, поддержку руководителей и то, как работа с ИИ вообще встроена в повседневные процессы.

В основе исследования лежат два независимых источника данных.

Первый — опрос 20 000 офисных сотрудников в 10 странах: США, Великобритании, Германии, Франции, Италии, Нидерландах, Японии, Индии, Бразилии и Австралии. Полевые работы проходили с февраля по апрель 2026 года, исследование проводила Edelman Data x Intelligence. В выборку вошли только сотрудники, которые хотя бы изредка используют генеративный ИИ в работе. Тех, кто ответил «никогда», отсеивали на входе.

Второй источник — телеметрия Microsoft 365: обезличенные данные об использовании Copilot и агентских платформ с марта 2025 по март 2026 года. Отдельно Microsoft проанализировал более 100 000 диалогов с Microsoft 365 Copilot за одну неделю февраля 2026 года.

Роль менеджеров изучалась отдельно в исследовании People Science среди 1 800 сотрудников, проведённом в июле 2025 года.

Самая интересная часть телеметрии — про то, зачем люди на самом деле открывают Copilot.

Диалоги классифицировали по намерению пользователя и разложили по стандартной таксономии рабочих активностей O*NET. Получилось так:

• 49% — когнитивная работа: анализ информации, решение проблем, оценка вариантов, творческое мышление
• 19% — взаимодействие с людьми: коммуникация с руководителями и коллегами, интерпретация информации для других
• 17% — производство результата: запись и документирование информации
• 15% — поиск информации

Внутри блока когнитивной работы самая крупная подкатегория — принятие решений и решение проблем. На неё приходится 28% всех обращений.

С помощью ИИ люди анализируют проблемы, сравнивают варианты решения и генерируют идеи. То есть берутся за задачи, для которых раньше часто требовались более опытные коллеги или собственная глубокая экспертиза.

Отсюда один из главных тезисов репорта: ИИ расширяет круг людей, которые могут брать на себя более сложную и содержательную работу, напрямую связанную с результатом.

Цифры из опроса это подтверждают:

• 66% говорят, что ИИ позволил им тратить больше времени на содержательную работу (high-value work)
• 58% — что теперь выполняют задачи, которые год назад были им не по силам

По мере того как ИИ берёт на себя всё больше задач, возрастает значение человеческого суждения и способности оценивать результат. Это видно и по ответам на вопрос о навыках, которые становятся важнее:

• контроль качества работы ИИ — 50%
• критическое мышление — 46%

При этом 86% опрошенных воспринимают результат работы ИИ как отправную точку для дальнейшей работы. По их словам, «ответственность за мышление» остаётся за человеком.

Роль человека всё больше связана с оценкой качества результата, его доработкой и ответственностью за итог.

Microsoft отдельно выделил группу самых продвинутых пользователей — Опережающих специалистов. Они уже используют агентов для сложных многоэтапных задач, регулярно перестраивают собственные рабочие процессы с учётом возможностей ИИ, а также активно участвуют в проектах по его освоению и внедрению внутри компаний.

Опережающие специалисты составляют 16% выборки Microsoft. Чаще всего они работают в технологическом секторе (35%) и финансах (12%), а по функциям больше всего представлены в ИТ (36%) и финансах (11%).

При этом они особенно внимательно относятся к распределению работы между человеком и ИИ и чаще осознанно ограничивают его использование:

• 43% против 30% среди остальных намеренно выполняют часть задач самостоятельно, чтобы сохранять собственные навыки;
• 53% против 33% перед началом работы определяют, какую часть задачи стоит передать ИИ, а какую выполнить самостоятельно.

Самыми эффективными пользователями ИИ оказываются те, кто перестраивает свою работу с учётом того, где особенно важны человеческое суждение, экспертиза и ответственность за результат.

Вместе с этим меняется и взгляд на саму профессию. Всё большее значение приобретает вопрос не о наборе задач конкретного специалиста, а о результатах, за которые он способен отвечать.

В репорте авторы разложили работу с ИИ на четыре режима по двум параметрам: насколько глубоко в задачу вовлечён человек и какую часть работы берёт на себя агент.

• Делегирование — человек задаёт направление, агент выполняет задачу. Например: превращает заметки в структурированный документ или собирает регулярный отчёт из стандартных входных данных.
• Совместная работа — человек и агент вместе ведут задачу через несколько итераций. Например: дорабатывают предложение через несколько кругов правок или ведут анализ, где каждый новый результат определяет следующий вопрос.
• Быстрые вопросы — короткие задачи и отдельные обращения. Например: уточнить факт, переписать абзац, переформатировать таблицу.
• Исследование — проверка возможностей агента на новых задачах. Например: протестировать новый процесс перед тем, как встроить его в работу, или сравнить несколько подходов и понять, как лучше делегировать новую задачу.

Ключевое наблюдение авторов: опережающих специалистов отличает способность определить, какой режим лучше подходит конкретной задаче.

Microsoft разложил респондентов по двум осям: личная готовность работать с ИИ и готовность организации создавать для этого условия. Обе оси нормализованы внутри каждой страны. В результате получилось пять зон (n = 16 971):

В этом распределении есть заметная асимметрия. «Заблокированных» вдвое больше, чем тех, кому компания уже создала условия, которыми сотрудник пока не пользуется.

Иначе говоря, сотрудники чаще успевают освоить ИИ раньше, чем компании создают возможности для его полноценного применения в работе.

Разрыв заметен и на уровне руководства. Лишь четверть опрошенных говорят, что у руководства есть единая и понятная позиция по использованию и внедрению ИИ. Сами руководители при этом чаще считают, что ИИ-трансформация внутри компании поощряется и получает необходимую поддержку.

Получается ещё одно расхождение:

• 65% опрошенных боятся отстать, если не начнут быстро адаптироваться к ИИ.
• При этом 45% считают более безопасным сосредоточиться на текущих целях, чем перестраивать работу с риском временно просесть по результатам.
• И только 13% говорят, что компания поощряет эксперименты, даже если они не сразу дают результат.

Microsoft называет это Парадоксом трансформации. Даже сотрудники, готовые перестраивать свои рабочие процессы с помощью ИИ, оказываются под двойным давлением. Страх отстать подталкивает их быстрее осваивать технологию, а система оценки делает эксперименты рискованными, если они не дают быстрого результата. В итоге сотрудники чаще сохраняют привычные процессы.

Давление в пользу быстрого внедрения ИИ одновременно снижает готовность к экспериментам, без которых эта трансформация невозможна.

Роль непосредственного руководителя в ИИ-трансформации Microsoft измерял в отдельном исследовании People Science среди 1 800 сотрудников.

Исследование показывает два особенно сильных фактора. Первый — личный пример руководителя. В командах, где руководитель регулярно использует ИИ в собственной работе, сотрудники на 17 пунктов выше оценивают его ценность, на 22 пункта чаще критически осмысляют собственную работу с ним и на 30 пунктов больше доверяют агентским системам.

Второй фактор — психологическая безопасность вокруг экспериментов. Там, где сотрудники могут пробовать новые способы работы без страха за неудачный результат, показатели готовности к ИИ и воспринимаемой пользы растут до 20 пунктов, а вероятность стать частым пользователем агентов увеличивается в 1,4 раза.

Опережающие специалисты заметно чаще работают именно в такой среде. По сравнению с остальными они значительно чаще говорят, что их руководитель:

Отсюда следует довольно практический вывод для тех, кто отвечает за внедрение ИИ. Одного обучения сотрудников недостаточно, если линейные руководители продолжают работать по-старому. Поэтому начинать имеет смысл с менеджеров. Самый простой шаг — регулярное использование ИИ самим руководителем: оно почти не требует дополнительных ресурсов и при этом входит в число наиболее значимых факторов во всей выборке.

Компании, которые дальше других продвинулись в работе с ИИ, постепенно перестраивают под него сами рабочие процессы и превращают полученный опыт в знание. Когда это знание фиксируется, распространяется внутри организации и влияет на следующие решения, компания начинает работать как обучающаяся система (Learning System).

Многие руководители делают ставку на найм сильных специалистов и рассчитывают, что этого будет достаточно. Данные Microsoft показывают, насколько большое значение имеют условия, которые компания создаёт для их работы.

Количество активных агентов в экосистеме Microsoft 365 выросло за год в 15 раз, а в крупных корпорациях в 18 раз.

Отраслевой разрез показывает два разных сценария внедрения агентов. Первый — широкое внедрение, когда технология быстро распространяется между компаниями внутри отрасли. Так происходит в секторе программного обеспечения и технологий (software & technology): почти каждая пятая компания среди тех, кто использует агентов, относится именно к нему.

Второй сценарий — глубокое внедрение, когда компаний с агентами меньше, зато внутри каждой из них технология распространяется гораздо масштабнее. Такой сценарий характерен для производства и добычи (manufacturing & resources).

При этом поведение самих пользователей по отраслям почти не различается: количество запросов на человека примерно одинаковое везде. Основная разница возникает на уровне организации: где именно встроены агенты и насколько глубоко они включены в рабочие процессы.

Опережающие специалисты чаще остальных описывают командные практики, которые помогают превращать личные находки сотрудников в общее знание команды:

Разрыв по каждой из этих практик почти двукратный. Реже всего команды обсуждают стандарты качества, хотя именно общее понимание хорошего результата позволяет оценивать работу ИИ по понятным критериям, а не каждый раз определять планку заново.

С документированием ситуация слабая у обеих групп:

Даже среди опережающих специалистов только около четверти говорят, что процессы работы с агентами, точки передачи задач человеку и стандарты качества где-то зафиксированы и могут быть воспроизведены другими.

В результате большая часть найденных практик остаётся локальным знанием отдельных сотрудников и гораздо медленнее превращается в знание всей организации.

Чем больше задач выполняют агенты, тем выше цена ошибки на этапе проверки. Один неудачный результат обычно не создаёт серьёзной проблемы, но при масштабном использовании агентов такие ошибки начинают накапливаться. Поэтому инфраструктура оценки должна развиваться вместе с агентными системами.

По мнению Microsoft, её стоит строить вокруг трёх вопросов:

1. Кто отвечает за качество работы агентов?
2. У кого есть право менять процессы, в которых работают агенты?
3. Как удачные локальные практики фиксируются и распространяются внутри организации?

Компании, которые умеют отвечать на эти вопросы, накапливают то, что в репорте называют Owned Intelligence: институциональное знание, которое растёт со временем, учитывает специфику конкретной компании и поэтому плохо копируется.

Построение такой инфраструктуры требует согласованной перестройки на четырёх уровнях. Сотрудники выстраивают свою работу вокруг постановки задачи и проверки результата. Руководители перепроектируют процессы с учётом ожидаемого результата и степени автономии агентов. Разработка создаёт масштабируемую инфраструктуру и управляет агентами как полноценными участниками цифровой среды, у которых есть идентичность, права доступа, политики и жизненный цикл. Команды безопасности отвечают за новые риски: утечки данных, непреднамеренные действия в системах и несанкционированный доступ.

Когда эти четыре уровня работают согласованно, организация становится обучающейся системой: работа постоянно производит новое знание, а накопленное знание постепенно меняет сами процессы.

Ниже шесть шагов, расположенных от самых простых к тем, которые требуют более серьёзной перестройки. Первые два почти не требуют дополнительных ресурсов, в то время как последние два уже меняют устройство самой работы.

1. Личный пример руководителя. Один из самых сильных и при этом недорогих факторов во всей выборке — руководитель, который сам регулярно использует ИИ в работе и делает это заметной частью командной практики. У опережающих специалистов такой руководитель встречается в 85% случаев против 64% у остальных. Поэтому работу с ИИ имеет смысл начинать с менеджеров, а затем уже масштабировать обучение на команды.
2. Пауза перед задачей. Перед началом крупной задачи команда тратит несколько минут на то, чтобы определить, какую часть работы выполнит человек, а какую можно передать ИИ. Среди опережающих специалистов так делают 53%, а среди остальных — всего 33%. Это один из самых заметных разрывов в исследовании и практика, которая требует в первую очередь дисциплины.
3. Поиск зоны блокировки. Сотрудники, которые уже освоили ИИ, лучше других видят, что мешает применять его в реальной работе. Чаще всего ограничения возникают на уровне согласований, регламентов, метрик и самих процессов. Такая диагностика быстро показывает, где именно застряло внедрение.
4. Общая планка качества. Обсуждение того, что считать хорошим результатом, встречается реже других командных практик: 54% у опережающих и 29% у остальных. Общие критерии помогают оценивать результат по понятной планке, а не определять её заново в каждом отдельном случае.
5. Фиксация опыта. Даже среди опережающих специалистов процессы задокументированы лишь примерно у четверти. Общий документ с работающими подходами, ошибками и промптами помогает превращать личные находки в знание, которым может пользоваться вся команда.
6. Пересмотр системы поощрений. Стоит найти случаи, когда сотрудник перестроил процесс, результат появился не сразу, а это негативно повлияло на его оценку. Такие ситуации показывают, что система мотивации мешает изменениям, которые сама компания пытается запустить. За подобные эксперименты поощряют лишь 13% сотрудников, поэтому уже защита таких попыток от негативных последствий снимает один из заметных барьеров для трансформации.

Пока агенты берут на себя всё больше работы, компании приходится заранее определить, кто и за что отвечает.

1. Кто проверяет качество работы агентов?
2. У кого есть право менять процессы, в которых они работают?
3. Как удачные локальные практики фиксируются и распространяются внутри компании?

Пока на эти вопросы нет понятных ответов, масштабирование агентов увеличивает не только объём выполняемой работы, но и операционный риск.