Стремительный рост значимости информационно-технологической отрасли в структуре современной экономики ставит перед исследователями вопрос, ответ на который до сих пор остаётся дискуссионным: как корректно измерять и интерпретировать производительность труда работников интеллектуальной сферы? Классические подходы, разработанные применительно к индустриальному производству, демонстрируют ограниченную применимость к сектору, в котором результат труда нематериален, а зависимость между затраченными ресурсами и созданной ценностью носит существенно нелинейный характер. Парадоксальность ситуации усугубляется тем обстоятельством, что именно ИТ-сектор, претендующий на роль локомотива роста производительности всей экономики, сам остаётся областью с наименее разработанным методологическим аппаратом её измерения.

Актуальность исследования обусловлена тремя обстоятельствами. Во-первых, российский ИТ-сектор демонстрирует устойчивые темпы роста: по данным Национального исследовательского университета «Высшая школа экономики», доля ИТ-отрасли в валовом внутреннем продукте Российской Федерации увеличилась с 1,32 % в 2019 году до 2,7 % в 2024 году [9, с. 12]. Во-вторых, классические методы оценки трудовой эффективности, основанные на показателях выработки и трудоёмкости, теряют объяснительную силу применительно к творческой деятельности, что ставит перед экономикой труда задачу разработки принципиально новых методологических инструментов. В-третьих, происходящая интеграция инструментов искусственного интеллекта в процессы разработки программного обеспечения формирует новое поле эмпирических исследований, результаты которых пока не получили достаточного теоретического осмысления.

Исследование производительности труда работников интеллектуального труда восходит к работам Питера Друкера, который ввёл в научный оборот понятие «knowledge worker» и сформулировал шесть факторов, определяющих результативность подобных специалистов: самостоятельность постановки задачи, автономия в принятии решений, встроенный характер инноваций, непрерывное обучение, приоритет качества над количеством и восприятие работника как актива, а не издержки [12, с. 84]. Принципиальное значение тезиса Друкера состоит в том, что перечисленные требования представляют собой почти полную противоположность тому, что необходимо для повышения производительности работников физического труда, и именно потому тейлоровские принципы научной организации труда оказываются неприменимыми к сфере информационных технологий.

В рамках отечественной школы экономики труда фундаментальное определение даёт Б. М. Генкин, формулирующий производительность труда через произведение производительной силы труда и интенсивности её использования, и одновременно признающий, что в условиях экономики XXI века творческая компонента становится основным источником прибыли [2, с. 87]. Концепция работника интеллектуального труда применительно к российскому контексту наиболее системно разработана Т. Е. Андреевой и Т. А. Гавриловой, обосновавшими необходимость разделения операционной и стратегической эффективности подобных специалистов и указавшими на ограниченную применимость прямых количественных метрик [1, с. 95].

Сравнительная характеристика производительности труда в ИТ-секторе и традиционных отраслях экономики позволяет наглядно показать принципиальные различия между ними и обосновать необходимость отдельного методологического аппарата (табл. 1).

Таблица 1

Сравнительные характеристики производительности труда в ИТ-секторе и традиционных отраслях

Особое место в осмыслении специфики ИТ-производительности занимает так называемый парадокс Солоу. Лауреат Нобелевской премии по экономике Р. Солоу в 1987 году сформулировал тезис, согласно которому компьютерную эпоху можно увидеть повсюду, кроме статистики производительности труда [11, с. 67]. Несмотря на массовое внедрение информационных технологий в производственные процессы, темпы роста производительности труда в развитых экономиках в 1970–1980-е годы существенно замедлились по сравнению с послевоенным периодом. Э. Бриньолфссон в своей классической работе «Парадокс производительности информационных технологий» предложил четыре группы объяснений: ошибки измерения, временные лаги обучения и реорганизации, перераспределение прибыли между фирмами и неэффективное управление инвестициями в технологии [11, с. 70]. Лишь к концу 1990-х годов парадокс перестал доминировать в дискуссии, что объясняется накоплением комплементарных организационных изменений.

Не менее значим закон Брукса, сформулированный Ф. Бруксом в монографии «Мифический человеко-месяц»: добавление новых сотрудников в опаздывающий программный проект делает его ещё более опаздывающим [10, с. 25]. Причина состоит в нелинейном росте коммуникационных издержек, требующих пропорционально n(n−1)/2 связей между членами команды, а также в неделимости интеллектуальных задач во времени. Не менее показателен закон Гудхарта, согласно которому любой показатель, превращённый в управленческую цель, перестаёт быть надёжным индикатором действительной результативности — что особенно опасно при применении прямых количественных метрик к творческому труду программистов.

Многократно цитируемое эмпирическое исследование Х. Сакмана и его коллег ещё в 1968 году зафиксировало разрыв производительности между профессиональными разработчиками одного уровня квалификации в соотношении до двадцати к одному по времени написания кода и до двадцати пяти к одному по времени отладки. Подобный разброс, не имеющий аналогов в традиционных отраслях, не только формулирует «миф о десятикратном разработчике», но и принципиально подрывает применимость классических норм труда к ИТ-сектору.

Эволюция методик измерения производительности труда программистов отражает постепенное осознание ограничений классических подходов. Традиционные показатели — количество строк кода, число коммитов, объём задач, выполненных за спринт, — измеряют не созданную ценность, а активность и при попытке привязки к индивидуальному вознаграждению неизменно порождают извращённые стимулы в полном соответствии с законом Гудхарта. Современным академическим стандартом в области DevOps выступают метрики DORA, разработанные на основе многолетнего ежегодного исследования State of DevOps Report и опубликованные Н. Форсгрен, Дж. Хамблом и Дж. Кимом в монографии «Accelerate» [13, с. 14]. Четыре ключевые метрики — частота развёртывания, время доставки изменений, доля неудачных изменений и среднее время восстановления — позволяют операционализировать одновременно скорость и стабильность процесса разработки программного обеспечения.

Принципиально иной подход реализован в фреймворке SPACE, предложенном коллективом авторов под руководством Н. Форсгрен в журнале ACM Queue [14, с. 22]. Авторы намеренно отказываются от поиска «единой метрики» и предлагают одновременно измерять пять измерений производительности: удовлетворённость работой и благополучие, продуктивность результата, активность процесса, качество коммуникации и эффективность потока работы. Главное методологическое правило фреймворка состоит в том, что метрики выбираются попарно из разных измерений, чтобы предотвратить локальную оптимизацию одного показателя за счёт ухудшения остальных. Подобная многомерность преодолевает недостатки как классических, так и узкопроцессных метрик.

Динамика производительности труда в российском ИТ-секторе за период 2019–2024 годов представлена на рисунке 1 (рис. 1) и демонстрирует устойчивый рост: выработка на одного работника в номинальном выражении увеличилась с 2,19 миллиона рублей в 2019 году до 4,54 миллиона рублей в 2024 году, что соответствует приросту на 107 % в номинальных ценах и около 50–60 % в реальном выражении при среднегодовом темпе роста 12,6 % [9, с. 12].

Рис. 1. Динамика производительности труда в ИТ-секторе РФ, 2019–2024 гг.

Сопоставление полученных значений с показателями национальной экономики является весьма показательным: средняя выработка по экономике Российской Федерации в 2024 году составляет около 2,75 миллиона рублей на занятого, что означает превышение производительности ИТ-сектора над общеэкономической в 1,7 раза. Вместе с тем международное сопоставление выявляет существенное отставание: согласно данным Eurostat, видимая производительность труда в секторе информации и коммуникаций Европейского союза составляет около ста семи тысяч евро в год на работника, что в среднем в два-два с половиной раза превышает соответствующий российский показатель и указывает на значительный потенциал роста, не реализуемый при существующих технологических и управленческих практиках.

Проседание темпа роста валовой добавленной стоимости в 2022 году до 9,5 % объясняется экзогенным шоком, связанным с массовым оттоком ИТ-специалистов: по различным экспертным оценкам, в первой половине 2022 года Россию покинули от сорока до семидесяти тысяч специалистов отрасли. Несмотря на это, общая численность занятых в секторе в 2022 году не сократилась, а увеличилась с 680 до 761 тысячи человек, что объясняется одновременным перетоком кадров из смежных отраслей в условиях беспрецедентного пакета мер государственной поддержки, включающего обнуление налога на прибыль, снижение страховых взносов до 7,6 %, льготную ИТ-ипотеку под 5 % годовых и отсрочку от военной службы.

Среди факторов, определяющих современную динамику производительности труда в ИТ-секторе, особое место занимает интеграция инструментов искусственного интеллекта в процессы разработки программного обеспечения. Контролируемое экспериментальное исследование, проведённое С. Пэном и его коллегами на выборке из девяноста пяти разработчиков, показало, что использование ассистента GitHub Copilot сокращает среднее время выполнения типовой задачи по реализации HTTP-сервера с ста шестидесяти до семидесяти одной минуты, что соответствует приросту скорости на 55,8 % при доверительном интервале от двадцати одного до восьмидесяти девяти процентов [15, с. 4]. Полевые эксперименты в корпоративных условиях демонстрируют более скромный, но устойчивый прирост числа закрытых задач в диапазоне от семи до двадцати двух процентов в неделю в зависимости от организационного контекста и уровня квалификации сотрудников.

Принципиальное значение, вместе с тем, имеет наблюдение, зафиксированное в отчёте State of DevOps Report за 2024 год: при росте проникновения инструментов искусственного интеллекта на двадцать пять процентов наблюдается снижение пропускной способности команды на 1,5 % и стабильности доставки на 7,2 % при одновременном росте организационной производительности на 2,3 %. Подобное расхождение между локальными приростами на уровне индивидуального разработчика и системными результатами на уровне команды служит наглядной иллюстрацией принципиальной невозможности сведения производительности интеллектуального труда к одной агрегированной метрике, что было предсказано фреймворком SPACE.

Помимо технологических факторов, существенное влияние на производительность ИТ-специалистов оказывает организационный контекст. Исследования последних лет, проведённые в логике концепций П. Полани о неявном знании и И. Нонаки о цикле создания организационного знания, фиксируют ключевую роль когнитивной нагрузки и состояния «потока». Согласно эмпирическим данным Г. Марк, после прерывания рабочей задачи специалисту требуется около двадцати трёх минут для возврата к исходному состоянию концентрации, при этом средняя длительность непрерывной концентрации на одном экране сократилась с двух с половиной минут в 2004 году до сорока семи секунд к 2020 году. Снижение посторонней когнитивной нагрузки через инструменты платформенной инженерии и продуманную организацию рабочего пространства становится одним из главных рычагов повышения индивидуальной производительности.

Феномен удалённой работы, ставший массовым в результате пандемии 2020 года, проявляется в ИТ-секторе принципиально иначе, чем в традиционных отраслях. По данным сервиса HeadHunter, доля удалённых вакансий в ИТ в 2023 году составила 39,9 %, гибридных — 9,2 %, что на порядок превышает общероссийский уровень распространения удалённой занятости в 2–4 % от всех занятых [4, с. 5]. Каноническое экспериментальное исследование Н. Блума, проведённое на персонале компании Ctrip, зафиксировало прирост производительности удалённых сотрудников на 13 % за счёт более длительной продолжительности смен и большего числа выполненных операций, однако одновременно отметило вдвое более низкие шансы на повышение в должности по сравнению с офисными коллегами. Данное противоречие, известное в литературе как «парадокс продуктивности и присутствия», получило развитие в исследованиях корпорации Microsoft, согласно которым 87 % сотрудников уверены в собственной продуктивности при удалённом формате работы, тогда как лишь 12 % руководителей разделяют подобную уверенность относительно своих команд.

Подводя итоги проведённого анализа, представляется возможным сформулировать ряд выводов, обладающих как теоретической, так и практической значимостью. Производительность труда в ИТ-секторе представляет собой феномен, расположенный на пересечении трёх несоизмеримостей: с традиционными отраслями экономики — в силу нелинейности, нематериальности и преобладания неявного знания; с другими национальными экономиками — в силу значительного отставания российских показателей от европейских и американских при сопоставимости с индийскими; с собственными метриками — в силу принципиальной непригодности классических количественных показателей и необходимости перехода к многомерным фреймворкам типа SPACE. Подобное сочетание характеристик делает ИТ-сектор не частным случаем общеэкономической производительности, а самостоятельным феноменологическим полем, требующим собственного концептуального и методического аппарата.

Перспективы дальнейших исследований связаны с разработкой адаптированной к российскому отраслевому контексту методики измерения производительности интеллектуального труда на основе фреймворка SPACE, эмпирической оценкой влияния инструментов искусственного интеллекта на системную результативность ИТ-команд в долгосрочной перспективе, а также сравнительным анализом организационных практик ведущих российских ИТ-компаний с целью выявления факторов, обусловливающих наблюдаемое отставание от мирового технологического фронтира.

Литература:

1. Андреева Т. Е., Гаврилова Т. А. Работник интеллектуального труда: подход к определению // Российский журнал менеджмента. — 2012. — Т. 10, № 1. — С. 93–112.
2. Генкин Б. М. Экономика и социология труда: учебник для вузов. — 8-е изд., перераб. и доп. — М.: Норма, 2009. — 464 с.
3. Генкин Б. М. Методы повышения производительности и оплаты труда: монография. — М.: Норма; ИНФРА-М, 2022. — 160 с.
4. Капелюшников Р. И., Зинченко Д. И. Премия за дистант на российском рынке труда // Вопросы экономики. — 2026. — № 1. — С. 99–125.
5. Кибанов А. Я., Митрофанова Е. А., Эсаулова И. А. Экономика управления персоналом: учебник / под ред. А. Я. Кибанова. — М.: ИНФРА-М, 2023. — 427 с.
6. Келарев В. В. Управление развитием организации на основе принципов OKR // Государственное и муниципальное управление. Учёные записки. — 2023. — № 3. — С. 17–22.
7. Митенков А. В. Концепция, методология и инструменты трансформации целеполагания и мотивации персонала IT-компании // Экономика. Информатика. — 2023. — Т. 50, № 3. — С. 569–585.
8. Орехов В. Д., Мельник М. С., Причина О. С. Исследование новых тенденций и закономерностей воздействия цифровой экономики на производительность труда // Бизнес в законе. Экономико-юридический журнал. — 2020. — № 4. — С. 21–28.
9. Индикаторы цифровой экономики: 2024: статистический сборник / Г. И. Абдрахманова и др.; Нац. исслед. ун-т «Высшая школа экономики». — М.: НИУ ВШЭ, 2024. — 276 с.
10. Brooks F. P. The Mythical Man-Month: Essays on Software Engineering. Anniversary Edition. — Reading, MA: Addison-Wesley, 1995. — 322 p.
11. Brynjolfsson E. The Productivity Paradox of Information Technology // Communications of the ACM. — 1993. — Vol. 36, № 12. — P. 66–77.
12. Drucker P. F. Knowledge-Worker Productivity: The Biggest Challenge // California Management Review. — 1999. — Vol. 41, № 2. — P. 79–94.
13. Forsgren N., Humble J., Kim G. Accelerate: The Science of Lean Software and DevOps. — Portland, OR: IT Revolution Press, 2018. — 288 p.
14. Forsgren N., Storey M.-A., Maddila C., Zimmermann T., Houck B., Butler J. The SPACE of Developer Productivity // ACM Queue. — 2021. — Vol. 19, Issue 1. — P. 20–48.
15. Peng S., Kalliamvakou E., Cihon P., Demirer M. The Impact of AI on Developer Productivity: Evidence from GitHub Copilot // arXiv preprint arXiv:2302.06590. — 2023.