Краткая версия
Выпуск 2026 г.Ключевые выводы
Каждое наблюдение ссылается на свою каноническую строку данных. Заявленные цифры принадлежат их цитируемому производителю; смоделированные результаты помечены как расчеты.
- Эксперимент по написанию: меньшее время выполнения задачи с помощью ИИ: 40% (эксперимент 2023 г.; опубликован в июле 2023 г.).MIT / Ной и Чжан
- Эксперимент по написанию: более высокое оцененное качество вывода: 18% (эксперимент 2023 г.; опубликован в июле 2023 г.).MIT / Ной и Чжан
- Консалтинговый эксперимент: увеличение количества выполненных подзадач: 12,2% (исследование впервые опубликовано в 2023 г.; резюме опубликованного исследования апрель 2026 г.).Институт ИИ Гарвардской школы бизнеса / Дель'Аккуа и коллеги
- Консалтинговый эксперимент: примерно более высокое качество в упражнении по инновациям: 32% (исследование впервые опубликовано в 2023 г.; резюме опубликованного исследования апрель 2026 г.).Институт ИИ Гарвардской школы бизнеса / Дель'Аккуа и коллеги
- Стратегическая задача: правильные ответы без ИИ: 84,5% (Исследование впервые опубликовано в 2023 г.; резюме опубликованного исследования апрель 2026 г.).Институт ИИ Гарвардской школы бизнеса / Дель'Аккуа и коллеги
- Стратегическая задача: правильные ответы с доступом к GPT-4: 70,6% (Исследование впервые опубликовано в 2023 г.; резюме опубликованного исследования апрель 2026 г.).Институт ИИ Гарвардской школы бизнеса / Дель'Аккуа и коллеги
- Стратегическая задача: правильные ответы с GPT-4 и обзором подсказок: 60% (Исследование впервые опубликовано в 2023 г.; резюме опубликованного исследования апрель 2026 г.).Институт ИИ Гарвардской школы бизнеса / Дель'Аккуа и коллеги
- Эксперимент Copilot: сокращение времени выполнения одного задания по кодированию: 55,8% (15 мая – 20 июня 2022 г.).Пенг, Каллиамваку, Чихон и Демирер
- Эксперимент METR начала 2025 года: увеличение времени завершения с разрешенным ИИ: 19% (февраль-июнь 2025 г.).METR
- Участники METR: предполагаемое ускорение ИИ после эксперимента: 20% (февраль-июнь 2025 г.).METR
Помогает ли ИИ с короткими задачами профессионального письма?
Эксперимент по написанию показал меньшее затраченное время и более высокое оцененное качество при помощи. Его задания не требовали полной фактической точности или организационного контекста многих реальных документов, ориентированных на клиента.
| Результат по сравнению с контролем | Сообщенное изменение |
|---|---|
| Сокращение времени выполнения задачи | 40%Рандомизированный эксперимент |
| Увеличение оцененного качества | 18%Рандомизированный эксперимент |
Улучшение показателя качества и сокращение времени — это разные результаты, и их нельзя суммировать.
Первичный источник: MIT / Ной и Чжан — 14 июля 2023 г.
Может ли ИИ улучшить одну консалтинговую задачу и навредить другой?
Да. Исследование разделяет задачи, с которыми модель могла справиться, от стратегической проблемы, в которой она была ненадежна. Производительность по первому набору не устанавливает точность по второму.
| Результат и условие | Сообщенный процент |
|---|---|
| Больше подзадач выполнено в рамках упражнения по инновациям | 12.2%Рандомизированный эксперимент |
| Примерно более высокое качество в упражнении по инновациям | 32%Рандомизированный эксперимент |
| Правильный ответ стратегии: без ИИ | 84.5%Рандомизированный эксперимент |
| Правильный ответ стратегии: доступ к GPT-4 | 70.6%Рандомизированный эксперимент |
| Правильный ответ стратегии: GPT-4 плюс обзор подсказок | 60%Рандомизированный эксперимент |
Оценка качества является приблизительной. Это исторические данные GPT-4, а не эталон современных моделей.
Первичный источник: Институт ИИ Гарвардской школы бизнеса / Дель'Аккуа и коллеги — 9 апреля 2026 г.
Почему исследования кодирования сообщают о разных эффектах производительности?
Автономное задание по кодированию и обслуживание в зрелом репозитории — это разные задачи. В исследованиях также использовались разные поколения моделей и методы набора персонала. Их результаты следует оставлять раздельными, а не усреднять.
| Исследование и результат | Сообщенное изменение |
|---|---|
| Назначение Copilot: сокращение времени выполнения | 55.8%Рандомизированный эксперимент |
| METR: увеличение фактического времени завершения | 19%Рандомизированный эксперимент |
| METR: ожидаемое ускорение до начала работы | 24%Восприятие участника |
| METR: предполагаемое ускорение после работы | 20%Восприятие участника |
Последующее исследование METR сообщило о серьезных проблемах с отбором и измерением времени. Его авторы не считают это исследование надежной оценкой текущего эффекта; историческое замедление не является утверждением обо всех разработчиках в 2026 году.
Первичные источники: Пенг, Каллиамваку, Чихон и Демирер — 13 февраля 2023 г. · METR — 10 июля 2025 г. · METR — 24 февраля 2026 г.
Что означает каждое измеренное изменение времени в той же базовой линии?
Базовый индекс упрощает чтение арифметических данных без объединения исследований. Каждое контрольное условие получает одинаковый начальный индекс; результирующий вспомогательный индекс относится только к своему эксперименту.
| Эксперимент | Индекс вспомогательного времени; контроль = 100 |
|---|---|
| Эксперимент по написанию | 60Нормализованный расчет |
| Назначение Copilot | 44.2Нормализованный расчет |
| Задачи репозитория METR | 119Нормализованный расчет |
Нормализация Workspace369, а не новый наблюдаемый результат. Меньше означает меньше времени. Сокращение времени не является тем же процентным увеличением пропускной способности, и никакой оценки пропускной способности не заявлено.
Первичные источники: MIT / Ной и Чжан — 14 июля 2023 г. · Пенг, Каллиамваку, Чихон и Демирер — 13 февраля 2023 г. · METR — 10 июля 2025 г.
Как бизнесу следует тестировать экономию времени от ИИ?
Определите повторяемую задачу и стандарт приемки перед сравнением вспомогательной и не вспомогательной работы. Включите подготовку подсказок, проверку фактов, обзор и переделку. Сохраняйте требования к доступу к данным клиента и одобрению человеком неизменными при сравнении.
Отслеживайте как время, так и качество. Не применяйте процентное соотношение задач написания ко всему фонду оплаты труда и не предполагайте тот же результат для автономного агента.
Как построен этот отчет
Методология и ограничения
- Это выборочное сравнение доказательств, а не систематический обзор или мета-анализ. Исследования были включены по идентифицируемым задачам, доказательствам от первоначального производителя и четко сформулированным определениям результатов.
- Цифры по написанию и консалтингу используют общедоступные сводки опубликованных исследований своих исследовательских институтов. Статья по кодированию и отчет METR предоставляют оригинальные экспериментальные детали. Рабочие документы и опубликованные версии не смешиваются.
- Измеренные результаты и предполагаемое ускорение имеют отдельные метки доказательств. Расчет временного индекса использует только измеренные изменения времени завершения; мнения из опроса исключены из него.
- Версии моделей и даты исследований остаются привязанными к результатам. Мы проверили последующее исследование METR и сохранили его предупреждение о надежности новых оценок.
Что эти цифры не могут вам сказать
- Выбранные эксперименты не могут установить универсальную рентабельность инвестиций в ИИ. Различные задачи, контрольные условия, участники и тесты качества предотвращают обоснованный усредненный процент.
- Размеры выборки описывают объем исследования, а не независимые повторения. Участие поставщика в исследовании Copilot имеет значение для интерпретации.
- Исторические результаты не устанавливают возможности доступных сегодня моделей. Нормализация не включает затраты на внедрение и не демонстрирует устойчивую годовую экономию.
Актуальность и исправления
Поддерживается редакционной командой Workspace369. Проверяйте ежеквартально и когда цитируемый производитель выпускает заменяющее исследование. Следующая редакционная проверка: декабрь 2026 г. Сохраняйте исторические версии моделей и даты наблюдений. Дата выпуска изменяется только при существенном пересмотре доказательств или контента; она не изменяет базовый период наблюдения.
Первое издание: . Извлечение данных, указание источника и расчеты проверены для данного выпуска. Независимая экспертная оценка не заявляется.
Нашли ошибку или более свежий первичный релиз? Отправить исправление с указанием источника и затронутой статистики. Подтвержденные исправления должны быть зафиксированы в истории ревизий перед повторной публикацией.
Первичные источники и происхождение
Каждая заявленная числовая ячейка напрямую связана со своим источником. Загрузки включают точные указатели таблиц или рабочих книг, периоды наблюдения, даты доступа, формулы и ссылки на входные данные.
- MIT / Ной и ЧжанОбъявление исследования MIT о опубликованном эксперименте по написанию научных текстов ↗Опубликовано 14 июля 2023 г. Доступно 12 сентября 2026 г.Выбранные фактические наблюдения перефразированы с указанием авторства. Никакой отчет-источник, диаграмма, данные участников или проприетарная база данных не распространяются; права на источник остаются у его производителя.
- Институт ИИ Гарвардской школы бизнеса / Дель'Аккуа и коллегиНазад к истокам ИИ в работе: институциональный обзор опубликованного консалтингового эксперимента ↗Опубликовано 9 апреля 2026 г. Доступно 12 сентября 2026 г.Выбранные фактические наблюдения перефразированы с указанием авторства. Никакой отчет-источник, диаграмма, данные участников или проприетарная база данных не распространяются; права на источник остаются у его производителя.
- Пенг, Каллиамваку, Чихон и ДемирерВлияние ИИ на производительность разработчиков: свидетельства GitHub Copilot, arXiv v1 ↗Опубликовано 13 февраля 2023 г. Доступно 12 сентября 2026 г.Выбранные фактические наблюдения перефразированы с указанием авторства. Никакой отчет-источник, диаграмма, данные участников или проприетарная база данных не распространяются; права на источник остаются у его производителя.
- METRИзмерение влияния ИИ начала 2025 года на производительность опытных разработчиков с открытым исходным кодом ↗Опубликовано 10 июля 2025 г. Доступно 12 сентября 2026 г.Выбранные фактические наблюдения перефразированы с указанием авторства. Никакой отчет-источник, диаграмма, данные участников или проприетарная база данных не распространяются; права на источник остаются у его производителя.
- METRМы меняем дизайн нашего эксперимента по производительности разработчиков ↗Опубликовано 24 февраля 2026 г. Доступно 12 сентября 2026 г.Выбранные фактические наблюдения перефразированы с указанием авторства. Никакой отчет-источник, диаграмма, данные участников или проприетарная база данных не распространяются; права на источник остаются у его производителя.
Создано для проверки, затем цитирования
Как цитировать этот отчет
Для статистики, сообщаемой источником, укажите первоначального издателя и ссылку на точную строку здесь при использовании нашей компиляции. Для смоделированного результата укажите Workspace369 и включите предположения. Ссылка на эту страницу не делает нас первоначальным производителем сторонних данных.
Workspace369. (2026-09-12). Эталоны производительности ИИ и экономии времени. https://workspace369.com/research/ai-productivity-time-savings-benchmarks/. Первоисточники и периоды наблюдения, как указано в отчете.
Загрузки представляют собой справочные наборы данных на английском языке, в том числе на переведенных страницах. Права на источники остаются у их производителей. Указывайте компиляцию и расчеты Workspace369; ознакомьтесь с условиями повторного использования каждого источника.