Как внедрить ИИ в KPI: ошибка Meta

Как рассказала Арина Михална, Meta отменила метрику использования ИИ для инженеров после того, как выяснилось: команда накручивала токены без реальной работы. Генерировали бессмысленный код, чтобы выполнить план — и получили имитацию вместо продуктивности.

Что случилось у Meta

Meta ввела метрику использования ИИ для инженеров: показатель входил в оценку работы. Идея простая — чем больше команда использует ИИ-помощников, тем продуктивнее становится.

Получилось наоборот. Инженеры начали «токенмакситься» (tokenmaxxing) — накручивать количество обращений к ИИ без реальной пользы. Генерировали бессмысленный код, переспрашивали одно и то же разными словами, дробили простые задачи на десятки запросов.

Результат: метрика росла, продуктивность падала. 30 сентября 2026 года Meta отменила эту метрику.

Почему метрика провалилась

Три причины.

Измеряли не то. Количество запросов к ИИ не связано с результатом. Один человек может решить задачу за три промпта, другой — сгенерироватьПроцесс создания нейросетью нового результата: текста, картинки, видео или звука. сто строк кода, который никуда не пойдёт.

Не проверяли выход. Метрика считала токеныКусочек текста, которым нейросеть измеряет объём работы, — примерно 2–3 символа русского текста., но не смотрела, что с этими токенами происходит дальше. Сгенерированный код лёг в репозиторий? Прошёл ревью? Попал в продакшн? Всё это осталось за кадром.

Создали стимул к имитации. Когда метрика влияет на оценку, люди начинают её выполнять любой ценой. Meta фактически сказала инженерам: «Используйте ИИ, или будете хуже выглядеть в отчёте». Получили в ответ накрутку.

Как правильно ставить KPI при внедрении ИИ

Правило одно: измерять результат, а не процесс.

Для разных типов задач — разные метрики:

• Автоматизация рутины (обработка заявок, первичный ответ клиентам): процент задач, закрытых без участия человека; среднее время реакции до и после внедрения ИИ.
• Аналитика (разбор данных, отчёты): сколько отчётов создаётся за неделю; насколько быстрее команда получает инсайты из данных.
• Генерация контента (тексты, код, дизайн): процент выхода ИИ, который используется без правок; сколько итераций нужно до финального варианта.

Мы в Мастерской замеряли скорость создания SEO-статьи через Claude Sonnet 5: текст на 20 000 знаков + три картинки — около 2 минут работы моделиСама «начинка» нейросети: обученная программа, которая генерирует ответы., стоимость ~7 ₽. Метрика не «сколько раз обратились к ИИ», а «сколько готовых статей выходит за день».

Переходный период: почему KPI может упасть

Когда команда начинает работать с ИИ, первые 2–3 месяца показатели часто падают. Это нормально.

Три причины временного спада:

Обучение. Человек учится писать промпты, разбирается, как встроить ИИ в свой процесс, пробует разные подходы. Это время уходит из основной работы.

Правки выхода ИИ. Первые результаты от модели редко приходят готовыми. Приходится учить её контексту задачи, исправлять галлюцинации, дорабатывать руками. Это тоже занимает время.

Встраивание в процессы. Команда меняет порядок работы: кто за что отвечает, на каком этапе подключать ИИ, как проверять результат. Пока новая схема не устоялась, скорость ниже привычной.

Как отследить реальный эффект ИИ

Три дополнительных метрики, которые показывают, работает ли ИИ на команду:

Процент задач с использованием ИИ. Не обязательно 100%, но если через три месяца после внедрения цифра ниже 30% — инструмент не встроился в процесс.

Среднее время на задачу до и после. Замерьте время на типовую задачу (отчёт, письмо клиенту, код фичи) до внедрения ИИ и через месяц-два после. Если разницы нет — либо задачи не подходят для ИИ, либо команда использует его неправильно.

Количество ручных правок выхода ИИ. Если каждый результат от ИИ требует полной переработки — промпты плохие, контекстное окно не настроено, или задача вообще не для автоматизации.

Мы в Мастерской отслеживаем процент автоматизированных задач в конвейере статей: расшифровка видео, генерация обложек, проверка фактов. Сейчас около 70% работы делает ИИ, остальное — контроль и правки руками.

Чек-лист: как не повторить ошибку Meta

Перед запуском ИИ в команде проверь:

• Метрика измеряет результат (задачи закрыты, время сэкономлено), а не процесс (сколько раз открыли ИИ)
• Есть способ отследить цепочку: промпт → выход ИИ → что с ним сделал человек → итоговый результат
• KPI не влияет на оценку работы в первые три месяца — это время на обучение
• Команда понимает, зачем использовать ИИ, а не просто выполняет план по количеству запросов
• Есть примеры задач, где ИИ реально экономит время, — не абстрактное «используйте везде»

Какие инструменты помогают отслеживать работу с ИИ

Три типа инструментов.

Трекеры задач (Jira, Asana, Notion). Добавьте поле «использовался ИИ» и отмечайте задачи, где он применялся. Через месяц увидите, какой процент работы проходит через ИИ.

Таймтрекеры (Toggl, Clockify). Замеряйте время на типовые задачи до и после внедрения. Если разница меньше 20% — ИИ либо не подходит для этих задач, либо используется неправильно.

Дашборды (Google Sheets, Airtable). Соберите три колонки: задача, время без ИИ, время с ИИ. Обновляйте раз в неделю. Дашборд покажет, где ИИ реально помогает, а где только добавляет шагов.

Урок для всех: что делать с ИИ в команде

История Meta — это урок про разницу между видимостью работы и реальной работой.

Три вывода:

Не ставьте KPI на использование инструмента. Ставьте KPI на результат, который этот инструмент должен принести. ИИ — средство, а не цель.

Проверяйте выход, а не вход. Сколько запросов к ИИ сделала команда — не важно. Важно, сколько задач закрыто быстрее и качественнее.

Дайте время на адаптацию. Первые месяцы после внедрения ИИ команда учится, а не показывает рост. Если требовать результат сразу — получите имитацию, как у Meta.

Мы в Мастерской видим, как правильное внедрение ИИ меняет работу: задачи, на которые раньше уходил день, теперь закрываются за час. Но это работает только когда инструмент встроен в процесс, а не навязан сверху метрикой.

По материалам: анонс The Decoder от 2026.

---

Провал Meta показал: ИИ в команде работает не тогда, когда его используют больше, а когда его используют правильно. Метрика «количество запросов» ведёт к имитации. Реальный эффект даёт встраивание ИИ в процессы с измерением результата: сколько задач закрыто, сколько времени сэкономлено, насколько выросла скорость команды.

Читайте также

• Нейросети для дизайнера в 2026: что взять в работу, а что — маркетинговый шум
• Как собрать маркетинг из нейросетей: Claude, агенты и автоматизация
• В личном блоге Арины Михалны: 10 правил работы с AI-агентом в коде — 2026

Если хочешь научиться работать с Claude системно, а не методом проб и ошибок — разберись с нуля за один вечер. На курсе показываем, как делегировать реальные задачи: работа с документами, таблицами, проектами. Без имитации — с результатом.