Как достигаторы создают ИИ‑зависимость и вредят бизнес‑результатам
В компаниях все чаще проявляется опасное явление: команды доверяют ИИ больше, чем собственному опыту, и редактируют выводы ИИ, а не создают новое. Как распознать сотрудников с этим синдромом и что делать, рассказывает эксперт Валентин Ульянов
Фото: Михаил Гребенщиков / РБК
Этот материал входит в раздел «РБК Образование», где мы рассказываем, как развивать навыки, принимать взвешенные решения и двигаться по карьере осознанно.
Школа управления РБК — новый образовательный проект медиахолдинга, ориентированный на развитие руководителей. Встречаемся каждый четверг в 19:00 на онлайн-событиях, где вместе решаем сложные управленческие задачи.
Расписание и темы можно посмотреть здесь.
Сегодня в компаниях формируется новый феномен — «команды-LLMинги», «сотрудники-LLМинги» («’элэлеминги» от латинской аббревиатуры LLM, «большая языковая модель»). Этим термином именуют тех, кто делегирует критическое мышление и креативность ИИ и ограничивается редактированием их выводов.
Руководители в погоне за спекулятивной оценкой и годовыми бонусами внедряют современный ИИ, а инвесторы радуются часто взятым из воздуха «возвратом на инвестиции». Все они ждут детерминизма от систем, основанных на вероятностях и подверженных галлюцинациям, и строят дорогостоящие песочные замки.
«Революция искусственного интеллекта» по-разному отразилась на профессиях. ИИ-помощники стали мейнстримом в программировании, а генеративный ИИ — стандартным компонентом графических редакторов. Но за все время ИИ-бума не вышло больших независимых исследований реального влияния ИИ на бизнес, и во многих сферах эффект от ИИ оказался незаметным вопреки всем прогнозам.
Ранними последователями (early adopters) ИИ-инструментов в основном стали «достигаторы» («оверачиверы», overachievers), которые всегда стремятся делать больше и лучше остальных. Но чуда не случилось, а продуктивность кратно не увеличилась. Для коллег достигаторы стали не проводниками новых технологий, а токсичными членами команды, за которыми нужно проверять и переделывать.
Разберем проявления нездоровой зависимости от ИИ на примере градации, принятой в технологических компаниях: от новичков и младших сотрудников («джунов» от junior) к среднему звену («миддл», middle) и опытным специалистам, часто занимающим руководящие должности («сениор», senior).
Junior
Сотрудники с небольшим опытом часто прибегают к помощи ИИ в новых задачах — и тем самым ломают сложившийся процесс обучения. От «джунов» не ждут фундаментальных знаний, важнее погружение в контекст, умение формулировать вопросы к более опытным коллегам и получение практических навыков работы.
Младшие разработчики могут слабо знать язык программирования, исследователи — плохо искать и интерпретировать информацию, авторы — злоупотреблять штампами и оборотами, к которым приучили школьные сочинения и университетские эссе. И это нормально.
ИИ мешают молодым специалистам учиться. Новички перекладывают свою работу на цифровых помощников, но не могут оценить результат — они просто передают результат работы ИИ дальше по цепочке вместе с устаревшими данными и ошибками, перекладывая бремя их поиска и исправления на остальных членов команды.
Главная беда в том, что такой «джун» учится только составлению промптов и копит свой когнитивный долг, не обрастая компетенциями. Когда-то «смотреть в шпаргалку» считалось зазорным, а теперь многие соискатели на младшие позиции присылают тестовые задания на 50–100% подготовленные ИИ. И будет хуже.
Middle
В наибольшей степени «достигаторство», усиленное технологиями искусственного интеллекта, проявляется у сотрудников среднего звена. С одной стороны, им все еще необходимо учиться (чему мешает активное использование ИИ), с другой — от них уже ждут результата, а их выводам стараются доверять.
Мы все встречали таких людей среди знакомых, коллег или клиентов: они регулярно используют ИИ, но уже не стесняются этого. Для них ИИ-ассистент — это продолжение рук. Новые идеи они быстро прогоняют через чат-бота, текущие задачи стараются автоматизировать, в любой непонятной ситуации они готовят промпт.
Такие люди действительно производительнее остальных, но не результативнее. У чрезмерного использования ИИ есть своя цена: некогда перепроверять результаты (иначе пропадает весь смысл использования ассистентов), накапливаются ошибки и галлюцинации. Бремя проверки вновь ложится на остальных членов команды — и часто демотивирует последних (особенно если те сами избегают использования ИИ на ответственных этапах работы).
Такие активные пользователи ИИ часто встречаются в больших коллективах, где ответственность за результат распределяется на большое число людей, а оценка результативности опирается на статистические показатели — закрытые задачи, потраченные часы и пр.
Senior
Руководители так же легко поддаются очарованию ИИ, но их решения затрагивают большее число людей, а значит, и потенциальный вред от ошибок больше. Многие опытные специалисты переходят от «производства» к «менеджменту», а чат-бот — это всегда сотрудник мечты: старателен, быстро работает, стремится угодить. И, что немаловажно, может предложить что-то новое (потому что у людей в команде есть свои взгляды, убеждения и предпочтения, а у большой языковой модели — нет). Так чат-бот становится льстивым советником, эдаким Гримой Гнилоустом из «Властелина колец».
На управленческом уровне проявляются две проблемы. Первая — руководители начинают поручать ИИ комплексные задачи, с которыми тот не всегда справляется хорошо. Но после нескольких часов, потраченных на подготовку промптов, люди начинают считать результат «своим» и оценивают его некритично. Вторая проблема вытекает из первой: «сениоры» нарушают знаменитую заповедь IBM (A computer can never be held accountable, therefore a computer must never make a management decision*) и начинают доверять ИИ роль в принятии управленческих решений.
Вступайте в сообщество Школы управления РБК в Telegram или MAX, чтобы общаться с руководителями из разных сфер, выстраивать нетворкинг и получать советы экспертов.
ИИ, когнитивные ошибки и как их избежать?
Устойчивый ложный оптимизм и когнитивный долг
Если обобщить, то специалисты на всех уровнях сталкиваются с одними и теми же когнитивными искажениями, связанными с ИИ-ассистентами.
Командам, которые активно используют ИИ-инструменты, часто кажется, что они могут свернуть горы. Так что перспективы проектов, сроки и затраты (в том числе расходы на сами ИИ-инструменты) оцениваются по оптимистичному сценарию, далекому от действительности. Причем даже эту оценку могут отдать на откуп ИИ, потому что считают рутиной.
Плата за возможность систематически перекладывать дела на чат-бота — снижение навыка решения задач, для которых требуется усилие ума. И это не только результаты исследований, но и здравый смысл: важнейшие для работы навыки сбора и анализа информации, поиска решения и понимания контекста легко растерять, если не использовать каждый рабочий день.
ИИ-помощники часто ошибаются, галлюцинируют, видят связи там, где их нет, — это особенности и ограничения вероятностных моделей, которые лежат в основе современных технологий. Но чем больше работы люди перекладывают на ИИ-модели, тем выше вероятность ошибки, тем сложнее отследить и исключить сбои.
«Ошибся не я, а ИИ»
Итогом проблем в обучении и применении ИИ становится «LLMинг» — сотрудник, который злоупотребляет помощью ИИ и не оценивает свою работу критически. Его деятельность деструктивна для всей системы: она порождает «цифровой шум», поток избыточных данных, который засоряет каналы коммуникации и хранилища.
В отсутствие контроля (и при наличии нескольких «LLMингов» в цепочке) ошибки и галлюцинации ИИ-моделей бесконтрольно распространяются, искажают картину реальности, ведут к принятию неверных управленческих решений. Если какое-то время система держится на накопленном запасе прочности, то в будущем может случиться коллапс.
ИИ «здорового человека»
Ком проблем, которые проявились в процессе использования ИИ в рабочей среде, создал спрос на ИИ-менеджера — человека, который понимает, что делает, и знает, как добиться от новых технологий реальной пользы для организации. Это не «достигатор», а стратег и архитектор, который увязывает бизнес-цели, процессы и оптимальные ИИ-инструменты.
Он анализирует, как новые технологии могут усилить сотрудников, одновременно обеспечивая контроль результата на каждом этапе, проектирует связку ИИ, CRM, ERP и других систем. Цель ИИ-менеджера — работающая цифровая экосистема с измеримой эффективностью и реальной пользой.
Миссия ИИ-менеджера — помочь сотрудникам перейти от хаотичного применения ИИ к упорядоченному рабочему потоку. От корректной постановки задачи через промпты и валидацию промежуточного результата до финальной интеграции вывода в бизнес-процесс — ИИ-менеджер отвечает за методологию и стандарты.
Где искать специалистов
Создание в компании новой роли следует начать с аудита внутренних ресурсов, где часто скрывается нераскрытый потенциал. Цель — выявить тех, кто мыслит системно, способен описать проблемы и предложить решения, но не гонится за хайпом.
Идеальными кандидатами для перепрофилирования или роста могут стать сотрудники, чья ежедневная работа уже построена вокруг структурирования информации и процессов: бизнес-аналитики, проектные менеджеры, главы отделов, демонстрирующие навыки декомпозиции сложных задач. Они лучше понимают специфику бизнеса, боли коллег и существующие процессы.
При поиске на внешнем рынке труда фокус следует сместить с узких технических специалистов (например, data scientists) в сторону многостаночников с опытом руководства процессами, проектами и людьми. Идеальный профиль совмещает системное мышление, базовую ИИ/ML-грамотность, твердые навыки проектного управления и доказанный опыт оптимизации бизнес-процессов.
На собеседовании стоит моделировать практические ситуации, чтобы оценить, как соискатель подходит к анализу проблемы, выбору инструментов и проектированию решения с учетом необходимости постоянного контроля качества. Хороший знак — это осторожность, отсутствие громких обещаний, понимание того, что ИИ — это не волшебная таблетка.
Руководителям команд необходимо кардинально пересмотреть критерии оценки эффективности сотрудников, работающих с ИИ. Ключевым показателем должно стать не количество сгенерированных текстов, черновиков или отчетов, а качество, точность и практическая ценность финального результата, интегрированного в бизнес-процесс.
Для самих специалистов в эпоху ИИ критически важно сместить вектор профессионального развития. Следует позиционировать себя не как заменяемого «оператора ИИ», а как незаменимого «человека в контуре» — ответственного контролера и финального гаранта качества, который использует технологию для усиления, а не подмены своих профессиональных суждений.
- Компьютер нельзя привлечь к ответственности — значит, он не должен принимать управленческих решений.
