Measuring the Self-Reported Impact of Early-2026 AI on Technical Worker Productivity

Measuring the Self-Reported Impact of Early-2026 AI on Technical Worker Productivity подробно измеряет, как технические специалисты сами оценивают влияние ИИ на скорость и ценность своей работы. Медианные ответы высоки, но METR подчёркивает: восприятие контрфактического эффекта не заменяет эксперимент или объективную телеметрию.

Выборка и методика

С февраля по апрель 2026 года METR опросила 359 уникальных участников и после проверки качества исключила 10 ответов, оставив 349. В выборке были 87 инженеров-программистов, 71 исследователь, 129 представителей академической среды и аспирантов, а также 48 основателей и руководителей; категории не исчерпывают всю выборку.

Участников набирали через GitHub, академические каталоги, METR, профессиональные сети сотрудников и X. Около 70% получили оплату, а отклик на почтовые приглашения составлял примерно 2%. Это удобная, а не вероятностная выборка: в ней 48% участников из США, около четверти — из Европы, а половина регулярно использует Claude Code.

Ценность отдельно от скорости

METR задала три варианта вопроса о приросте ценности — том, насколько больше полезного результата человек, команда или руководство получают благодаря ИИ, — и отдельный вопрос о скорости выполнения задач. Такое разделение учитывает, что ИИ может удешевлять необязательные задачи, не создавая сопоставимой дополнительной ценности.

Медианы трёх оценок прироста ценности находились между 1,4× и 2×, а медианная самооценка ускорения составила 3×. При одинаковой формулировке респонденты ретроспективно оценили ценность своей работы с ИИ в марте 2025 года как 1,3×, для марта 2026 года — как 2×, а прогноз на март 2027 года — как 2,5×.

Что подтверждают и чего не подтверждают ответы

Разные формулировки умеренно коррелировали, а строгая очистка исключила около 3% респондентов с логически противоречивыми или аномальными ответами. Это поддерживает внутреннюю согласованность восприятия, но не показывает, совпадает ли оно с реальным выпуском или ценностью.

Более высокие оценки давали активные и опытные пользователи ИИ, пользователи Claude Code и Codex, а также сотрудники стартапов. Эти связи корреляционны: самоотбор, опыт, тип задач и ожидания могут одновременно определять интенсивность использования и оценку пользы.

Ограничения и методологический вывод

Контрфактический вопрос требует от человека представить собственную работу без ИИ, чего он не наблюдает. METR напоминает, что в эксперименте 2025 года разработчики в среднем переоценили влияние ИИ на время выполнения задач на 40 процентных пунктов, а опросные оценки обычно выше результатов полевых и квазиэкспериментов.

Работа полезна как шаблон для подробного опроса: отделять скорость от ценности, повторять вопрос разными способами, проверять согласованность и заранее описывать очистку. Её числа следует читать как убеждения выбранных технических специалистов, а не как причинную оценку роста производительности.