Профессор из Texas A&M, команда поведенческих психологов из Atlassian и инженеры из Writer опубликовали за два дня три исследования. Они смотрят на AI с разных сторон: маркетинг, управление командами, разработка агентов. Вывод общий: AI не даёт результата, если просто купить подписку и раздать промпты.
Свежие цифры подтверждают то, о чём мы пишем в блоге AG Branding с самого начала: внедрение искусственного интеллекта в бизнес начинается с аудита процессов, а не с выбора модели.
AI в маркетинге: старые плейбуки не работают
Профессор Раджан Варадараджан из Mays Business School при Texas A&M University опубликовал в Journal of Marketing Strategy исследование о том, как AI меняет маркетинговые практики. Он вводит термин knowledge decay - устаревание маркетингового знания.
Компании передают маркетинговые решения AI-системам, а покупатели используют AI для поиска вендоров, сравнения продуктов и выбора. Решения, которые раньше принимали только люди, становятся гибридными: человек плюс AI. Среда меняется, и методы, которые работали вчера, перестают приносить результат.
Каждая маркетинговая модель опирается на предположения о том, кто собирает информацию, кто оценивает варианты и кто принимает решения. По мере того как AI берёт на себя эти роли, маркетологам нужно проверять, соответствуют ли их предположения реальному рынку.
Профессор Раджан Варадараджан, Texas A&M University
Исследование предлагает четыре вопроса для стресс-теста маркетинговых гипотез: кто ваш клиент, что такое ваш клиент (человек или AI-агент), кто принимает маркетинговые решения, что принимает маркетинговые решения (человек или AI). SEO-стратегия, построенная на кликах на сайт, может не работать, если покупатель получает AI-сгенерированное сравнение продуктов без захода на сайт.
Параллельно команда Semrush и Кевин Индиг проанализировали 1094 тематические категории в ChatGPT за первую половину 2026 года. Выборка: более 50 000 брендов, 220 000 доменов, 600 000 цитирований. Результат: только 15,2% категорий имеют явного владельца среди брендов. Около 53,7% - вообще без лидера.
Цифры по владению темами в ChatGPT:
- 15,2% категорий - с явным владельцем
- 31,2% - с формирующимся лидером
- 53,7% - вообще без лидера
- Только 21% самых цитируемых доменов совпадают с самыми упоминаемыми брендами
Традиционное SEO не предсказывает, кто будет лидером в AI-поиске. Статистической значимости в этом исследовании достиг только брендовый поисковый объём. Это значит: для бизнеса во Владивостоке GEO-оптимизация и AI-видимость становятся не опцией, а необходимостью. Ваш бренд должен быть заметен не только в Google, но и в ответах ChatGPT, Gemini и Perplexity.
Командный AI: почему 94% компаний не видят денег
Atlassian опросила 12 000 работников по всему миру и 200 руководителей корпораций из списка Fortune 1000. Доктор Молли Сандс, глава Teamwork Lab в Atlassian, представила данные на конференции VB Transform 2026. Её команда - behavioural scientists и психологи, которые изучают, как AI меняет совместную работу.
Цифры отрезвляют: 89% руководителей говорят, что сотрудники ускорились благодаря AI. Но только 6% могут назвать конкретные примеры, где это ускорение привело к деньгам. 14% команд смогли превратить AI-активность в измеримую ценность.
Исследование Atlassian (12 000 опрошенных):
- 89% руководителей видят ускорение сотрудников от AI
- Только 6% могут указать на конкретный ROI
- 14% команд смогли превратить AI-активность в ценность
Сандс выделила три общие черты у команд, которые выиграли.
Контекст. Успешные команды строят «контекстный граф» - фиксируют цели, решения и знания организации в общих цифровых записях, а не оставляют их в головах отдельных сотрудников. В продуктах вроде Jira и Confluence этот граф связывает задачи, цели и людей, давая AI доступ к организационному контексту, который ему нужен для осмысленных ответов.
Рабочие процессы. Команды-победители перепроектировали сквозные процессы целиком, а не ускоряли отдельные задачи. «Ускорение людей, которые смотрят в разные стороны, приводит только к тому, что они быстро сталкиваются друг с другом», - говорит Сандс.
Культура. Быстрее всех двигались команды, чьи лидеры открыто поощряли эксперименты и обучение - и давали понять, что некоторые эксперименты провалятся. Это не про «инновации ради инноваций», а про системное снятие страха перед ошибкой.
Самая большая проблема с AI в бизнесе - не технология, а скрытые знания. Каждый работник изобретает свои промпты, агенты и допущения. Получается ещё один слой невысказанного знания внутри команды, который редко превращается в результат.
Доктор Молли Сандс, Atlassian Teamwork Lab
Схожий вывод сделали инженеры Writer в своём исследовании оптимизации AI-агентов. Они показали, что правильная архитектура слоя оркестрации (harness) сокращает расход токенов на 38% и стоимость задачи на 41% без смены модели. Токенов на задачу стало меньше с 14,2K до 8,8K, задержка упала на 44%, а качество не изменилось.
Оба исследования сходятся: оркестрация важнее модели. На уровне команд - контекст и процессы важнее инструментов. На уровне разработки агентов - упряжка (harness) важнее API.
Данные, которые кормят AI: ловушка очистки
Инженер данных Навин Айяла называет это «ловушкой очистки» (Cleanup Trap): ложная вера в то, что можно взять фрагментированные, противоречивые данные из легаси-систем, пропустить их через LLM-оркестратор и почистить на уровне поиска. RAG не чинит плохие данные.
Никакое количество промпт-инженерии, семантического реранжинга или настройки гиперпараметров векторов не компенсирует сломанный пайплайн приёма данных. Если фундамент скомпрометирован, приложение будет галлюцинировать, показывать неавторизованный контекст или выдавать недетерминированные результаты.
Навин Айяла, инженер данных
Для компаний, которые планируют автоматизацию бизнес-процессов с помощью AI, это критический урок. Валидация данных должна быть встроенной на уровне пайплайна, а не пост-процессингом. Если операционная база меняет схему без предупреждения, пайплайн должен карантинировать аномальные записи, а не пропускать искажённые метаданные в AI-контекст.
Три шага к надёжным данным для AI:
- Укрепить пайплайн приёма - валидация на уровне потокового приёма, а не ночной батч
- Многоуровневая алгоритмическая валидация - структурная верификация + статистическое профилирование для отслеживания дрейфа
- Безопасность вне модели - LLM никогда не должен быть арбитром контроля доступа к данным
Что это значит для бизнеса во Владивостоке
Три исследования из разных областей сходятся в одном: AI не добавляет проблем - он обостряет старые. Плохие процессы, разрозненные данные, отсутствие общего контекста - всё это становится заметнее и дороже с AI.
Для компаний во Владивостоке и на Дальнем Востоке, которые планируют автоматизацию с помощью AI, это чёткий сигнал:
- Маркетинг. Проверьте маркетинговые гипотезы на AI-видимость. Ваш бренд виден в ChatGPT? GEO-оптимизация становится обязательной.
- Команда. Внедрение искусственного интеллекта начинается не с выбора модели, а с диагностики командных процессов. 94% компаний не видят ROI именно из-за этого.
- Данные. Подготовка данных - это не пост-процессинг, а фундамент AI. Без него любой проект провалится.
AG Branding помогает компаниям во Владивостоке с нулевым этапом внедрения AI: аудит процессов, диагностика данных, проектирование архитектуры, обучение команд. Начните с бесплатного AI-аудита - мы посмотрим, готовы ли ваши процессы, данные и команда к внедрению нейросетей для бизнеса.