Эффект Джевонса в ИИ: почему умнее — значит больше, а не меньше

Когда ИИ становится лучше, компании используют его больше, а не меньше. Это главный вывод свежего исследования, которое переворачивает расхожее представление о том, что более эффективные технологии снижают потребление. Явление получило название «эффект Джевонса» — по имени британского экономиста XIX века, который первым описал этот парадокс применительно к паровым машинам. Сегодня тот же механизм разворачивается в мире искусственного интеллекта — и последствия для бизнеса куда серьёзнее, чем кажется на первый взгляд.

Оглавление

1. Что такое эффект Джевонса и при чём здесь ИИ
2. Данные: +44% сообщений и сдвиг к сложным задачам
3. Почему одни компании используют ИИ больше, чем другие
4. Какие задачи растут быстрее всего
5. Какие отрасли реагируют сильнее
6. Эффект Джевонса: почему это не случайность
7. Что это означает для инвестиций в ИИ
8. Практические выводы для бизнеса

Что такое эффект Джевонса и при чём здесь ИИ {#effekt}

AI Summary блока: Парадокс Джевонса — рост эффективности ведёт к росту потребления, а не экономии. В ИИ этот механизм работает: улучшение моделей расширяет круг применимых задач.

В 1865 году британский экономист Уильям Стэнли Джевонс опубликовал книгу «Угольный вопрос» и описал неожиданный феномен: когда паровые двигатели стали потреблять меньше угля на единицу работы, общее потребление угля в Британии не упало — оно резко выросло. Снижение цены использования сделало паровую энергию доступной для новых отраслей: текстильных фабрик, железных дорог, пароходства. Каждая новая отрасль создавала свой спрос.

[Факт]: Парадокс Джевонса — ситуация, когда повышение эффективности использования ресурса приводит не к снижению, а к росту общего потребления, потому что снижение издержек открывает новые области применения.

В 2026 году этот же механизм воспроизводится в мире ИИ. Исследователи Suproteem K. Sarkar из Чикагского университета (Booth School of Business) и Luke Melas-Kyriazi из Cursor изучили данные 500 компаний, использующих платформу для ИИ-ассистированной разработки Cursor. Их вывод однозначен: после того как в конце 2025 года вышли принципиально более мощные модели, компании начали использовать ИИ значительно интенсивнее.

Данные: +44% сообщений и сдвиг к сложным задачам {#dannie}

Key Takeaway: После улучшения моделей компании не сократили нагрузку — они нарастили её. Главный рост пришёлся не на простые задачи, а на сложные.

После выхода Claude Opus 4.5 (ноябрь 2025) и GPT-5.2 (декабрь 2025) среднее количество сообщений на пользователя в неделю выросло с 52 до 75 — то есть на 44%. Рост продолжался в последующие месяцы и не был связан с изменениями самой платформы Cursor: исследователи специально выбрали период без крупных обновлений скаффолдинга.

Андрей Карпати, один из основателей OpenAI и бывший директор по ИИ в Tesla, в марте 2026 года признался в подкасте No Priors: «Я не написал ни строчки кода вручную примерно с декабря — это колоссальное изменение». Такая реакция стала характерной для многих разработчиков.

Задачи усложнились

Ещё важнее структурный сдвиг в типах задач:

[Факт]: Высокосложные задачи (требующие понимания всей кодовой базы) выросли на 68% — почти втрое больше, чем задачи низкой сложности.

Сначала разработчики использовали улучшенные модели для тех же задач. Но через 4–6 недель картина сменилась: наибольший рост показали именно высокосложные задачи — архитектурное проектирование, DevOps, работа с зависимостями между системами.

Это логично с точки зрения теории: простые задачи достигают «насыщения возможностями» раньше. Когда модель становится мощнее, она начинает делать принципиально новые вещи — не просто лучше, а иначе. Порог допустимого риска для пользователя снижается, и он готов доверить агенту задачи, которые раньше казались слишком ответственными.

Почему одни компании используют ИИ больше, чем другие {#kompanii}

Key Takeaway: Малые, частные и молодые компании выигрывают от улучшений ИИ сильнее — благодаря организационной гибкости.

Исследователи обнаружили устойчивую закономерность: реакция на улучшение моделей неодинакова в разных типах компаний.

По размеру

[Факт]: Малые компании (медиана 582 сотрудника) показали рост +52%, крупные (медиана 9 712 сотрудников) — лишь +38%.

Малые компании реагируют сильнее. Авторы исследования объясняют это организационной гибкостью: небольшие команды быстрее перестраивают рабочие процессы под новые возможности моделей.

По типу собственности

Частные компании показали рост +46% против +40% у публичных — несмотря на то что изначально использовали ИИ интенсивнее. Объяснение: более короткие циклы принятия решений, меньше бюрократии, выше готовность к эксперименту.

По возрасту компании

[Факт]: Компании старше 20 лет реагируют на улучшение моделей на 10+ процентных пунктов слабее молодых.

Молодые и средние компании опередили зрелых конкурентов. Это согласуется с гипотезой о том, что более молодые организации изначально выстраивались вокруг гибких, итеративных процессов.

Какие задачи растут быстрее всего {#zadachi}

Key Takeaway: Максимальный рост — в задачах с высокими межсистемными зависимостями: архитектура, документация, code review.

Среди категорий задач наибольший прирост показали:

Примечательно, что задачи, связанные с UI/стилизацией (типично самоконтейнерные), выросли лишь на 15%. Задачи с высокими межсистемными зависимостями растут быстрее — именно там улучшение модели открывает наибольший потенциал.

Рост документации и «обучающих» запросов особенно интересен: компании используют ИИ не только для производства кода, но и для накопления и передачи знаний. ИИ становится инструментом институциональной памяти.

Авторы также указывают на риск: когда компании делегируют агентам трудно-верифицируемые задачи (архитектура, деплой), накапливается технический долг — если вывод модели не проверяется должным образом.

Какие отрасли реагируют сильнее {#otrasli}

Key Takeaway: Медиа и финансы — лидеры роста. В финансах работает «гонка вооружений», в медиа — расширение продуктового ассортимента.

Авторы предлагают два объяснения отраслевых различий:

Гонка вооружений (finance): если один хедж-фонд использует ИИ для торговых стратегий, конкуренты вынуждены делать то же самое. Конкурентная динамика усиливает давление на внедрение. В этом сценарии выигрывают прежде всего поставщики моделей и конечные потребители — маржа самих компаний может быть «выжата» конкуренцией.

Расширение ассортимента (media, software): более мощные агенты позволяют создавать новые виды контента и продуктов. Растёт не только эффективность, но и количество выпускаемых «единиц». В этом сценарии выигрывают и компании-пользователи ИИ.

Консалтинг и здравоохранение, несмотря на высокую исходную интенсивность использования, показали скромный рост — возможно, из-за регуляторных ограничений или специфики верифицируемости задач.

Эффект Джевонса: почему это не случайность {#mekhanizm}

Key Takeaway: Улучшение ИИ работает как снижение себестоимости единицы «интеллекта» — и этот ресурс немедленно находит новые применения.

Классический эффект Джевонса воспроизводится здесь точно: снижение «стоимости» успешного выполнения задачи с помощью ИИ открывает новые классы задач, которые раньше были за пределом экономической целесообразности.

В формальной модели исследования это описывается так: каждая категория задач имеет вероятность успешного выполнения агентом — функцию от возможностей модели. Когда модель улучшается, вероятность успеха растёт. Это делает AI-выполнение задачи более выгодным, а значит, компания увеличивает интенсивность использования.

[Факт]: Более сложные задачи «открываются» позже, поскольку у них более высокий порог насыщения. После его преодоления рост интенсивности в этих категориях оказывается наибольшим.

Проще говоря: ИИ не стал заменять людей для прежних задач, он позволил браться за задачи, которые раньше вообще не выполнялись или выполнялись крайне редко.

Что это означает для инвестиций в ИИ {#investicii}

Для поставщиков моделей результаты означают, что инвестиции в улучшение способностей оправданы: более умные модели создают спрос, а не просто перераспределяют его. Публичные данные подтверждают: Cursor к концу 2025 года достиг $500 млн годовой выручки при оценке $10 млрд, а в апреле 2026 года начал переговоры о привлечении $2 млрд при оценке $50 млрд.

Авторы также указывают на важность сочетания модели и инфраструктуры: лучшие базовые модели увеличивают ценность инструментов — памяти, поиска, RAG-систем, — которые помогают компаниям применять интеллект к своим рабочим процессам. Оптимальные инвестиции, по всей видимости, не одномерны: часть downstream-использования открывается благодаря более умным моделям, часть — благодаря лучшей интеграции существующего интеллекта в системы.

Практические выводы для бизнеса {#vyvody}

Key Takeaway: Планируйте не экономию, а расширение использования. Организационная гибкость — главный фактор получения выгоды от улучшений ИИ.

Исследование говорит нечто важное для любой компании, работающей с ИИ — или думающей об этом:

1. Не ждите снижения затрат на ИИ — ждите роста потребления Если вы внедряете ИИ с расчётом сократить расходы пропорционально использованию, вы, скорее всего, ошибаетесь. Улучшение моделей ведёт к расширению использования, а не сжатию.

2. Малый и средний бизнес имеет структурное преимущество Данные однозначны: небольшие, молодые, частные компании быстрее адаптируются к улучшениям ИИ. Если вы именно такая компания — у вас есть окно возможностей раньше крупных конкурентов.

3. Планируйте расширение задач, а не только ускорение существующих Эффект Джевонса означает, что ИИ будет применяться для задач, которые вы сегодня ещё не рассматриваете как кандидатов на автоматизацию. Архитектурные решения, документация, ревью — всё это уже растёт быстрее, чем рутинные операции.

4. Создайте инфраструктуру для масштабирования использования Компании, которые быстро перестроили рабочие процессы (например, перешли с локального запуска агентов на облачные среды), получили больший эффект. Инвестиции в инфраструктуру — не только в подписку на модель.

5. Следите за конкурентной динамикой в вашей отрасли В финансовом секторе эффект Джевонса усилен гонкой вооружений. Если конкурент начинает интенсивнее использовать ИИ, вы не можете позволить себе стоять на месте.

AI Summary

Что такое эффект Джевонса в ИИ: Феномен, при котором улучшение возможностей ИИ-моделей приводит не к снижению, а к росту их использования — аналогично тому, как более экономичные паровые машины XIX века увеличили потребление угля.

Ключевые данные:

• +44% сообщений в неделю после улучшения моделей (данные 500 компаний Cursor, апрель 2026)
• +68% рост высокосложных задач
• Малые компании: +52%, крупные: +38%
• Частные: +46%, публичные: +40%
• Лидеры по отраслям: медиа +54%, software +47%, финтех +45%

Практический вывод: Планируйте не экономию, а расширение использования ИИ. Организационная гибкость — ключевой фактор получения выгоды.

Часто задаваемые вопросы

Что такое эффект Джевонса в контексте ИИ? Эффект Джевонса в ИИ — это явление, при котором улучшение возможностей моделей приводит не к снижению, а к росту их использования. Когда ИИ становится лучше, компании начинают применять его для большего числа задач.

Насколько вырастает использование ИИ после улучшения моделей? По данным исследования 500 компаний на платформе Cursor (апрель 2026), после выхода Claude Opus 4.5 и GPT-5.2 количество сообщений выросло на 44% в неделю. Наибольший рост показали высокосложные задачи — +68%.

Какие компании больше всего выигрывают от улучшений ИИ? Малые, частные и молодые компании реагируют сильнее: +52% против +38% у крупных. Это объясняется большей организационной гибкостью и способностью быстро перестраивать рабочие процессы.

Источники: Sarkar S.K., Melas-Kyriazi L. «Returns to Intelligence», апрель 2026 (препринт, данные платформы Cursor); Jevons W.S. «The Coal Question», 1865; Karpathy A., интервью No Priors Podcast, март 2026; данные Ассоциации ФинТех, Gartner, Anthropic Economic Index, ixbt.com.