This paper presents an empirical analysis of the 'Mixed Team Model' (MTM) — an organizational structure in which human employees perform strategic functions while autonomous AI agents ('neuro-employees') occupy full operational roles. Using primary data from LLC 'DNA Artificial Intelligence' (St. Petersburg, 2024–2025), three hypotheses are tested and confirmed: MTM delivers payroll savings of 385,000 RUB/month (96.25 %); revenue grew from zero to 600,000 RUB/month on AI infrastructure costs of 15,000 RUB/month; operational leverage reached 26.7x. The concept of 'neuro-employee' is introduced as a new organizational labor unit, along with an original Operational Leverage formula and an MTM maturity framework.

Keywords: neuro-employee, AI agent, mixed team model, operational leverage, labor shortage, SME, digital transformation, frontier firm, work organization.

Декларация конфликта интересов: авторы являются основателями и сотрудниками ООО «ДНК Искусственного Интеллекта», выступающего объектом исследования. Данный факт раскрывается в соответствии с нормами публикационной этики; выводы основаны исключительно на верифицируемых первичных данных. УДК 331.1 + 004.8. JEL: J23, J24, O33, L26.

1. Введение и постановка проблемы

Российский рынок труда 2024–2026 гг. переживает беспрецедентное структурное противоречие. По данным Росстата, уровень безработицы в 2025 году опустился до 2,5 % — исторического минимума для страны. Одновременно Министерство экономического развития прогнозирует дефицит в 8–10 миллионов работников к 2030 году [1]. Это противоречие порождено структурными факторами: демографическим сжатием трудоспособного населения, ускоренным ростом потребности в специалистах цифровых профессий и асимметричным распределением квалифицированных кадров между крупными корпорациями и субъектами малого и среднего предпринимательства (МСП).

Для МСП данное противоречие приобретает экзистенциальный характер. По данным hh.ru, в 2025 году количество вакансий снизилось на 26 % — до 1,1 млн — при одновременном росте числа резюме на 31 % до 7,2 млн [2]. Кадровый дефицит сместился из количественного в квалификационный: малый бизнес лишён возможности конкурировать с крупными работодателями ни по уровню компенсаций, ни по силе HR-бренда, ни по скорости закрытия вакансий.

Одновременно формируется принципиально новый класс инструментов — автономные ИИ-агенты, способные выполнять функции, традиционно закреплённые за штатными специалистами. По данным совместного исследования «Яков и Партнёры» и «Яндекса», в 2025 году 71 % крупных российских компаний используют генеративный ИИ хотя бы в одной бизнес-функции, а рынок автономных агентов к 2028 году прогнозируется к росту в 4,5 раза [3].

Существующие исследования рассматривают ИИ преимущественно как инструмент автоматизации уже существующих процессов — и крайне редко как самостоятельную единицу организационной структуры [4, 5, 6]. Настоящая работа закрывает этот теоретический пробел.

Цель исследования: верифицировать на первичных данных действующего российского стартапа гипотезу о том, что «модель смешанной команды» — организационная структура с нейро-сотрудниками в операционных ролях — обеспечивает измеримое конкурентное преимущество по критериям экономии ФОТ и операционного левериджа в условиях структурного дефицита кадров.

2. Обзор литературы и теоретические основания

2.1. ИИ и рынок труда: господствующая парадигма

Академическая дискуссия о влиянии ИИ на рынок труда ведётся в трёх основных направлениях. Первое — эффект вытеснения: ИИ замещает рутинные когнитивные задачи, сокращая потребность в соответствующих специалистах [7]. Второе — эффект дополнения: ИИ повышает производительность работников, берущих на себя функции управления и контроля над алгоритмами [8]. Третье — поляризация: автоматизация сжимает средний сегмент занятости, одновременно увеличивая спрос на высококвалифицированных и низкоквалифицированных работников [9].

Рожков и соавторы [4], проводя эмпирический анализ на панельных данных по 85 субъектам РФ за 2023–2024 гг. с применением теста Грэнджера на причинно-следственную связь, подтверждают «двойственный» эффект ИИ на российский рынок труда: роботизация положительно влияет на занятость, тогда как частные инвестиции в ИИ коррелируют с ростом безработицы в краткосрочном периоде. Данные OECD Employment Outlook 2024 свидетельствуют о том, что 60 % прироста прибыли от ИИ аккумулируется в верхнем квинтиле доходов [10].

2.2. Пробел в литературе: ИИ как организационная единица

Критически важно, что во всех перечисленных направлениях ИИ рассматривается как технологический инструмент, влияющий на существующие рабочие места. Ни одно из известных авторам исследований не концептуализирует ИИ-агента как самостоятельную организационную единицу — субъект, занимающий функциональную роль в структуре предприятия с собственными KPI и местом в командной иерархии.

Ближайший концептуальный аналог — понятие frontier firms, введённое Microsoft в Work Trend Index 2025 [11]: компании нового типа, в которых люди и ИИ-агенты работают совместно в единой операционной среде. Однако Microsoft описывает этот феномен применительно к крупным корпорациям; его применимость к сегменту МСП остаётся неизученной. Настоящая работа закрывает данный пробел.

3. Концептуальная рамка

3.1. Определение нейро-сотрудника

В экономике труда рабочая единица определяется через четыре атрибута: (1) функциональная роль — закреплённая зона ответственности; (2) измеримый результат — KPI или иной индикатор выполнения; (3) операционная автономия — способность выполнять задачи без пошаговой инструкции; (4) организационная подчинённость — место в иерархической структуре [12].

Определение. Нейро-сотрудник — автономный ИИ-агент, которому делегирована функциональная роль в организационной структуре предприятия и который удовлетворяет всем четырём атрибутам рабочей единицы: имеет закреплённую зону ответственности, операционные инструкции (системный промт как функциональный эквивалент должностной инструкции), измеримые KPI и место в командной иерархии.

Принципиальное отличие нейро-сотрудника от традиционного понимания ИИ-инструмента состоит в организационной интеграции: нейро-сотрудник не помогает живому специалисту выполнять его задачи — он выполняет задачи самостоятельно в рамках выделенной ему роли.

3.2. Модель смешанной команды (МСК)

МСК — организационная структура, в которой функции команды распределены между двумя уровнями участников с принципиально разными ролями.

Уровень 1 — люди-архитекторы. Живые сотрудники выполняют стратегические функции: формулируют цели, проектируют роли нейро-сотрудников, контролируют качество результата, принимают нестандартные решения и осуществляют внешние коммуникации.

Уровень 2 — нейро-сотрудники-исполнители. ИИ-агенты выполняют повторяемые операционные функции: генерацию контента, обработку входящих запросов, финансовый учёт, HR-функции и др. Они работают 24/7, масштабируются без найма и не покидают компанию.

Ключевое отличие МСК от автоматизации: автоматизация оптимизирует существующие процессы живых сотрудников. МСК проектирует организационную структуру с нуля под смешанный состав, где нейро-сотрудники изначально занимают роли — а не замещают уволенных.

3.3. Формула операционного левериджа МСК

Авторы вводят показатель для количественной оценки эффективности МСК:

OL = Cmarket / CAI

где OL — операционный леверидж МСК; Cmarket — рыночная стоимость эквивалентного живого персонала (руб./мес.); CAI — фактические затраты на ИИ-инфраструктуру (руб./мес.)

Показатель OL позволяет сравнивать МСК-компании между собой и с традиционными аналогами. При OL > 10 модель демонстрирует высокий леверидж; при OL > 20 — сверхвысокий, характерный для ранних стадий масштабирования стартапов.

4. Методология

4.1. Метод исследования

Метод — инструментальный кейс-анализ (Stake, 1995 [13]) с элементами сравнительного финансового анализа. Инструментальный кейс применяется, когда единственный случай позволяет концептуализировать явление, не имеющее устоявшейся теоретической базы [14]. Данная ситуация точно соответствует нашему случаю: «модель смешанной команды» как объект организационного анализа не описана в существующей литературе.

4.2. Объект и период наблюдения

Объект: ООО «ДНК Искусственного Интеллекта», Санкт-Петербург, направление B2B-продаж нейро-сотрудников корпоративным клиентам из сегмента среднего бизнеса. Период наблюдения: 6–12 месяцев с момента основания компании (2024–2025 гг.).

4.3. Источники и сбор данных

Первичные данные: (1) внутренняя управленческая отчётность компании по выручке с разбивкой по периодам; (2) транзакционные записи о расходах на ИИ-инструменты; (3) данные о дате введения каждого нейро-сотрудника в операционную работу.

Вторичные данные: выборка объявлений о найме на платформе hh.ru по г. Санкт-Петербург для позиций: SMM-специалист, специалист по клиентской поддержке, финансовый директор/CFO, HR-специалист, руководитель отдела продаж, менеджер по холодным звонкам. Выборка проводилась в III квартале 2025 г. В расчётах использована медиана нижней границы зарплатной вилки для консервативной оценки.

4.4. Ограничения

Авторы явно фиксируют три ограничения. Первое — единственный кейс: результаты не подлежат статистическому обобщению без верификации на расширенной выборке (30+ компаний). Второе — отсутствие контрфактического сценария: невозможно установить, какой была бы выручка при традиционном найме. Третье — конфликт интересов (раскрыт выше): авторы являются основателями исследуемой компании.

5. Данные: структура МСК ООО «ДНК ИИ»

5.1. Состав команды

На момент исследования команда компании состоит из 4 живых сотрудников и 9 нейро-сотрудников. Соотношение 1:2,25 означает, что на каждого человека приходится более двух автономных ИИ-агентов. Таблица 1 описывает состав нейро-сотрудников и рыночный эквивалент каждой роли.

Таблица 1

Состав нейро-сотрудников ООО «ДНК ИИ» и рыночная стоимость аналогов (hh.ru, СПб, 2025)

Примечание: данные hh.ru по медиане нижней границы зарплатной вилки, г. Санкт-Петербург, III квартал 2025 г.

5.2. Этапность введения нейро-сотрудников

Нейро-сотрудники вводились поэтапно — в логике приоритизации функций по их вкладу в выручку. Таблица 2 фиксирует последовательность этапов.

Таблица 2

Этапы развёртывания МСК и корреляция с выручкой

6. Результаты

6.1. H1: Экономия фонда оплаты труда

Рыночная стоимость 9 штатных специалистов в эквивалентных ролях по данным hh.ru составляет порядка 400 000 руб./мес. Фактические затраты на ИИ-инфраструктуру — 15 000 руб./мес. Прямая ежемесячная экономия: 400 000–15 000 = 385 000 руб. Относительная экономия: 96,25 %. Таблица 3 сводит ключевые показатели.

Таблица 3

Сравнительный анализ затрат: МСК vs. традиционный найм

Вывод по H1: гипотеза подтверждается. МСК обеспечивает экономию ФОТ 385 000 руб./мес. (96,25 %) при сопоставимом функциональном покрытии. Операционный леверидж 26,7x превышает порог сверхвысокого значения (>20x).

6.2. H2: Этапное расширение команды и динамика выручки

Наблюдаемая динамика выручки демонстрирует выраженную положительную связь с поэтапным введением нейро-сотрудников. На старте (этап 0) выручка отсутствовала. После введения SMM-команды и нейроконсультанта (этапы 1–2) выручка вышла на уровень 300 000 руб./мес. После введения финансового директора и HR-специалиста (этап 3) выручка удвоилась до 600 000 руб./мес.

Примечательна логика последовательности: первыми вводились агенты, генерирующие входящий поток (SMM), затем — конвертирующие его в выручку (нейроконсультант), затем — обеспечивающие операционную устойчивость (финдиректор, HR). Это соответствует классической логике построения воронки продаж.

Вывод по H2: гипотеза подтверждается наблюдательно. Каждый этап расширения состава нейро-сотрудников сопровождался ростом выручки. Причинно-следственная связь требует верификации на расширенной выборке.

6.3. H3: Асимметрия затрат

Соотношение CAI / Cmarket = 15 000 / 400 000 = 3,75 % — существенно ниже порогового значения 10 %, заданного гипотезой. По данным Axenix и Исследовательского центра ИИ МГУ [15], расходы малого бизнеса на внедрение ИИ-агентов в среднем составляют 140 000–420 000 руб./мес. Затраты ООО «ДНК ИИ» — 15 000 руб./мес. — в 9–28 раз ниже среднерыночного уровня, что объясняется использованием готовых LLM-платформ (SaaS-модель) без разработки собственных моделей.

Вывод по H3: гипотеза подтверждается. Затраты на ИИ-инфраструктуру составляют 3,75 % от рыночной стоимости эквивалентного персонала. OL = 26,7x — сверхвысокий уровень левериджа.

7. Обсуждение

7.1. МСК как структурный ответ на провал рынка труда

Полученные результаты позволяют интерпретировать МСК не как частный управленческий приём, а как системный организационный ответ на структурный провал рынка труда. В условиях, когда традиционный найм недоступен по стоимости или срокам, МСК предлагает альтернативный путь масштабирования операционной мощности — через проектирование функциональных ролей для нейро-сотрудников, а не через рекрутмент.

Теоретически значимо, что МСК смещает конкурентный барьер. Традиционно малый бизнес проигрывает крупным корпорациям в кадровой конкуренции. В МСК-парадигме барьер смещается с «доступности кадров» на «экспертизу в проектировании нейро-ролей» — и этот новый барьер не зависит от масштаба компании.

7.2. Концепция зрелости МСК

На основе наблюдаемой динамики авторы предлагают концепцию поэтапной зрелости МСК из пяти уровней:

– уровень 0 — ручное управление: все функции выполняются живыми сотрудниками;

– уровень 1 — генерация потока: нейро-сотрудники закрывают маркетинг и входящие коммуникации;

– уровень 2 — конверсия: добавляется нейроконсультант, закрывающий воронку продаж;

– уровень 3 — операционная устойчивость: финансовый учёт, HR передаются нейро-сотрудникам;

– уровень 4 — автономное управление: AI-директор координирует всю команду агентов.

ООО «ДНК ИИ» находится на переходе с уровня 3 на уровень 4. Концепция формирует диагностический инструмент: любая МСП-компания может определить свой текущий уровень и построить дорожную карту перехода.

7.3. Ограничения и альтернативные интерпретации

Авторы признают, что наблюдаемый рост выручки мог быть обусловлен факторами, не связанными с МСК: качеством продукта, рыночным спросом, личными компетенциями основателей. Единственный кейс не позволяет отделить эффект МСК. Необходимы контрольные случаи — МСП-компании со схожим продуктом, работающие по традиционной модели найма.

Кроме того, затраты 15 000 руб./мес. не учитывают временные издержки основателей на проектирование и настройку нейро-ролей. Если оценить их по альтернативной стоимости труда, реальный OL окажется ниже 26,7x — хотя и значительно выше 1x.

Заключение

В настоящей работе введено и операционализировано понятие «нейро-сотрудник» как автономного ИИ-агента, занимающего функциональную роль в организационной структуре предприятия и удовлетворяющего четырём атрибутам рабочей единицы. Предложена концепция «модели смешанной команды» (МСК) как нового типа организационной структуры, принципиально отличного от автоматизации. Введена формула операционного левериджа OL = Cmarket / CAI.

На первичных данных ООО «ДНК Искусственного Интеллекта» (СПб, 2024–2025) подтверждены три исследовательские гипотезы: МСК обеспечивает экономию ФОТ 385 000 руб./мес. (96,25 %); этапное расширение нейро-команды положительно связано с ростом выручки с 0 до 600 000 руб./мес.; операционный леверидж составил OL = 26,7x при затратах на ИИ-инфраструктуру 15 000 руб./мес.

Теоретическая значимость: впервые в отечественной литературе ИИ-агент концептуализирован как организационная единица, а не технологический инструмент; введена измеримая модель для анализа эффективности человеко-машинных команд.

Практическая значимость: результаты применимы субъектами МСП при формировании кадровой стратегии в условиях структурного дефицита; органами государственного управления — при разработке регуляторной базы для автономных ИИ-агентов в трудовых отношениях.

Направления дальнейших исследований: верификация на выборке 30+ МСК-компаний; сравнительный анализ МСК и традиционных аналогов; разработка стандартизированного индекса зрелости МСК; правовая концептуализация статуса нейро-сотрудника в трудовом законодательстве России.

Литература:

1. Министерство экономического развития РФ. Прогноз социально-экономического развития Российской Федерации до 2030 года. — М., 2024.
2. hh.ru. Итоги рынка труда России 2025. — М., 2025.
3. Яков и Партнёры, Яндекс. Искусственный интеллект в России — 2025: тренды и перспективы. — М., 2025.
4. Рожков В. Д., Кузнецов-Сербский М. К., Чеканов П. Е. Влияние искусственного интеллекта на российский рынок труда // Экономика труда. — 2025. — Т. 12, № 7. — С. 981–992. — DOI: 10.18334/et.12.7.123498.
5. Арзамасова Е. Л. Влияние искусственного интеллекта на рынки труда: подготовка к будущему. — КиберЛенинка. 2024.
6. Моттаева А. Б., Кашинцева В. Л., Покровский О. Ю. Влияние искусственного интеллекта на рынок труда // Вестник МГОУ. Серия: Экономика. — 2020. — № 4. — С. 82–88. — DOI: 10.18384/2310–6646–2020–4–82–88.
7. Acemoglu D., Restrepo P. Automation and New Tasks: How Technology Displaces and Reinstates Labor // Journal of Economic Perspectives. — 2019. — Vol. 33, No. 2. — P. 3–30.
8. Brynjolfsson E., Rock D., Syverson C. The Productivity J-Curve // American Economic Journal. — 2021. — Vol. 13, No. 1. — P. 333–372.
9. Autor D. Work of the Past, Work of the Future // AEA Papers and Proceedings. — 2019. — Vol. 109. — P. 1–32.
10. OECD Employment Outlook 2024. — Paris: OECD Publishing, 2024. — DOI: 10.1787/ac317610-en.
11. Microsoft. Work Trend Index 2025: AI at Work Is Here. Now Comes the Hard Part. — Redmond, 2025.
12. Milgrom P., Roberts J. Economics, Organization and Management. — Englewood Cliffs: Prentice Hall, 1992. — 621 p.
13. Stake R. E. The Art of Case Study Research. — Thousand Oaks: Sage Publications, 1995. — 175 p.
14. Yin R. K. Case Study Research: Design and Methods. 5th ed. — Thousand Oaks: Sage, 2014. — 282 p.
15. Axenix, Исследовательский центр в сфере ИИ МГУ им. М. В. Ломоносова. Рынок ИИ-агентов в России. — М., 2025.
16. Nurax.ai. AI Agent Trends 2026. Global Report. — 2026.
17. MIT NANDA. State of AI in Business 2025. — Cambridge, MA, 2025.
18. Ведомости. Люди против нейросетей: как изменится рынок труда в России к 2030 году [Электронный ресурс]. — 05.09.2025. — URL: www.vedomosti.ru (дата обращения: 20.03.2026).