По прогнозам, мировые расходы на ИИ в 2026 году приблизятся к 2,5 трлн долларов — рост больше чем на 40% за один год. В то же время исследование MIT NANDA показывает: около 95% корпоративных пилотов генеративного ИИ не дают измеримого эффекта на прибыль. Поставьте эти две цифры рядом. Крупнейшая технологическая стройка в истории почти не меняет реальное поведение людей в большинстве компаний, которые за неё платят.

Дело не в моделях — они впечатляющие и с каждым кварталом становятся лучше. Дело в мотивации, а точнее — в слое, которого в стеке ИИ пока просто нет.

Практически любая продакшн-система ИИ оптимизирована под моделирование поведения. Она фиксирует, что человек кликнул, купил, посмотрел, о чём спросил и на каком шаге бросил задачу, — и предсказывает следующее действие с высокой точностью. Более сложные системы идут дальше, в сторону склонности и намерения: скоринг оттока, вероятность конверсии. Чего нет ни у одной из них — стандартизируемой, интерпретируемой модели мотивации: слоя, который объясняет, почему поведение произошло именно так.

Это реальный пробел. Представьте: два пользователя приложения бросают его на одном и том же шаге. Один заскучал. Второй встревожился. Поведенческая модель видит один и тот же сигнал оттока и отправляет обоим одинаковый пуш — одного это удерживает, второго окончательно выталкивает за дверь.

У этих людей может быть одинаковый интерес к продукту, похожий круг друзей, схожий город и образование, они могли кликать по похожим картинкам. Это не значит, что ИИ вообще ничего не знает — он просто не знает, какая мотивация двигала конкретным пользователем в конкретный момент.

Недостающий слой: мотивационный интеллект

Рекомендательные системы стали последним крупным слоем, который добавили в стек ИИ. Они хорошо отвечают на один вопрос: что показать пользователю или предложить сделать дальше. Два десятилетия поведенческих данных и всё более крупные модели практически решили задачу предсказания следующего действия.

Мотивационный слой отвечает на другой вопрос: почему пользователь делает то, что делает, и что заставило бы его двигаться дальше. От ответа на этот вопрос зависят удержание, лояльность и настоящая вовлечённость, а стандартного способа на него отвечать в стеке пока нет. Скоринги склонности и модели похожих пользователей подбираются близко, но всё равно угадывают по поверхностному поведению, не называя мотив, который за ним стоит, — поэтому противоположные мотивации нередко получают одну и ту же метку.

Это и есть причина, по которой ленты Instagram, Facebook или X продолжают предлагать не те посты и картинки: алгоритм пытается нащупать закономерность методом проб и подбора контента, но не знает, в каком мотивационном состоянии вы находились в момент клика — ни тогда, ни в похожих ситуациях сейчас.

Идея мотивационного слоя — интерпретируемого уровня поверх поведенческих данных, который оценивает, почему люди действуют, — строится не на нескольких персонах, а на полной модели человеческой мотивации. В основе — восемь Core Drives Октализа, фреймворк Ю-кай Чоу: рабочий словарь, отточенный за двадцать лет, под который команды реально могут проектировать продукт.

Почему это актуально именно сейчас

Долгое время рвом, защищающим бизнес, были возможности модели: побеждала компания с лучшей моделью, и туда шли деньги. Эта эпоха заканчивается.

Модели сближаются по качеству. Открытые модели отстают от передовых на месяцы, а не годы, и большинство пользователей не отличат, какая модель им ответила. Когда до сильной модели дотягивается почти каждый, модель перестаёт быть отличием. Остаётся один вопрос, который индустрия предпочитает не задавать: если ничто не вынуждает выбирать, к чьему продукту люди возвращаются сами?

Это поведенческий вопрос, а не технический. Следующий защитимый слой в ИИ — не более крупная модель, а более глубокое понимание людей, которых эта модель обслуживает.

Экономика делает момент ещё более острым. При расходах на ИИ, приближающихся к 2,5 трлн долларов в год, и подавляющем большинстве внедрений, которые не меняют поведение, разрыв между вложенным и полученным уже измеряется сотнями миллиардов долларов.

Что делает мотивационный слой

Такой слой работает поверх поведенческих данных, которые продукт и так уже собирает, и превращает их в живую, постоянно обновляемую оценку того, что движет каждым конкретным пользователем.

На входе — обычные события продукта: когда человек вернулся, что он запросил, что настроил под себя, какими функциями продолжает пользоваться, что создал и сохранил, как ведёт себя по отношению к другим пользователям системы. Никаких опросов и прерывающих вопросов — люди и так показывают, что ими движет, через то, что делают.

На выходе — профиль пользователя по восьми Core Drives фреймворка Октализа: для каждого оценивается, насколько сильно на него сейчас влияют смысл, достижение, творчество, обладание, социальное влияние, дефицит, любопытство или избегание потерь. Чем больше действий совершает человек в продукте, тем точнее оценка.

Важно: этот профиль не статичен. Мотивация — не тип личности, а состояние, которое меняется по мере того, как человек проходит путь от первого знакомства к привычке и мастерству. Ваши мотивы в первый визит в приложение и в сотый — разные вещи, и слой мотивации должен отслеживать этот сдвиг, а не замораживать пользователя таким, каким он был в день установки.

С такой оценкой продукт наконец может делать то, что всегда обещала персонализация: подбирать уровень сложности, социальные сигналы, вознаграждения и тон общения под конкретного человека, а не под усреднённый демографический профиль. Один и тот же ассистент может подталкивать к мастерству того, кому это нужно, и поддерживать чувство принадлежности у того, кому нужно именно это, — не задавая вопросов напрямую.

Доказательства: спроектированная мотивация побеждает голые возможности

Здесь стоит сразу оговориться: речь о собственных проектах Octalysis Group, а не о независимых рецензируемых исследованиях — контролируемых экспериментов не проводилось, и авторы прямо не утверждают, что дизайн мотивации был единственной причиной результатов. Но два случая показательны.

Дистрибьютор Procter & Gamble дал отделу продаж свободный выбор: остаться на эффективной CRM или перейти на опыт, спроектированный вокруг внутренней мотивации. При равных возможностях сотрудники сами выбрали новую версию и оставались с ней годами. За тот же период выручка дистрибьютора выросла на 28,6%, добровольное участие превысило 99%, а программа получила отраслевую награду за лучший геймификационный проект. Поскольку выручка зависит от множества факторов, более чистый сигнал здесь — именно добровольное принятие: возможности были одинаковыми, различался только дизайн, и люди выбрали его сами.

CAIXA Econômica Federal, один из крупнейших банков Бразилии, перестроил повседневную работу более 80 тысяч сотрудников вокруг внутренних Core Drives вместо спущенных сверху целей. За время программы регулярная чистая прибыль банка выросла с 8,6 до 12,7 млрд реалов за год (порядка миллиарда долларов), а банк поднялся с второго места на первое в отрасли — при том, что дизайн Octalysis был одним из факторов среди прочих.

Что мотивационный слой не делает

Стоит сказать прямо: такой слой не читает мысли. Он не гарантирует рост показателей сам по себе. Он не заменяет продуктовый дизайн. Он оценивает вероятные мотивационные состояния по поведению — и даёт результат только тогда, когда команда реально перестраивает продукт под эти данные.

Следующий слой в ИИ

Первая волна ИИ была про возможности моделей, и эта гонка близится к завершению: скоро у каждой серьёзной компании будет модель почти такого же качества, как у конкурентов. Следующая волна — про людей: понимает ли продукт человека перед собой настолько хорошо, чтобы тот выбрал именно его, пошёл глубже и остался.

Это не следствие более крупной модели. Это результат рабочего понимания человеческой мотивации, применяемого постоянно, внутри самого продукта.