Почему внедрение AI может замедлить компанию

Ускорение переносит нагрузку

Представим компанию, где команды постепенно добавляют AI в повседневную работу. Сотрудники быстрее готовят материалы и предлагают решения. На первом участке изменение выглядит успешным.

Дальше начинается работа, которую видно хуже. Полученные результаты нужно понять, проверить, сопоставить с другими задачами и превратить в согласованное действие. Если порядок этой работы не менялся, каждый новый результат претендует на внимание людей, у которых уже есть свои обязанности.

В такой ситуации AI может ускорить поступление работы на следующий участок сильнее, чем тот способен её принять. Задачи начинают ждать. Руководители получают больше материалов для рассмотрения, но времени на решение у них не прибавляется. Люди, которые раньше выполняли работу, теперь дополнительно разбираются, что именно сделал инструмент и можно ли на это опереться.

Это возможный сценарий, а не неизбежный итог внедрения AI. Его механизм известен из теории очередей: при прочих равных рост загрузки занятого участка может резко увеличивать ожидание. Применять этот принцип к конкретной компании нужно по её данным.

Цена непродуманного внедрения

Если AI добавляют в существующий порядок работы, возможные проблемы распределяются между участниками.

Одна функция начинает передавать результат раньше, другая получает его в непривычном объёме или виде. Проверка занимает больше внимания. Часть работы возвращается на уточнение. Разные команды начинают по-своему определять, какой результат AI можно использовать и кто отвечает за ошибку.

Отдельная сложность возникает у руководителей. Вместо обещанного времени на более важные вопросы они могут получить поток промежуточных версий, исключений и решений, которые им предлагают принять «на всякий случай». AI увеличивает скорость подготовки вариантов. Полномочия, критерии выбора и порядок передачи решений при этом остаются прежними.

Так компания рискует закрепить дорогую управленческую привычку: создавать работу быстрее, чем принимать по ней решения. Внешне активность растёт. За ней всё труднее увидеть, какие задачи действительно завершены и что изменилось для бизнеса.

Есть и риск для качества. Если проверка сводится к тому, что человек быстро просматривает результат AI и ставит своё имя, ответственность становится формальной. В опросе 319 работников интеллектуального труда, представленном на конференции CHI 2025, более высокое доверие к генеративному AI было связано с меньшими усилиями критического осмысления, а более высокая уверенность в собственных знаниях — с большими усилиями критического осмысления.¹ Исследование опирается на самоотчёты участников и фиксирует связь, а не причину. Для нашей темы из него следует практический вопрос: что именно проверяет человек, которому передали контроль, и на какие основания он опирается.

Процессы задают масштаб эффекта

Рассмотрим процесс, в котором участвуют несколько функций. Его результат зависит от требований тех, кто принимает работу дальше, от общих правил и от решений руководителей. Несколько процессов могут обращаться к одним и тем же специалистам. Изменение в одной команде тогда отражается на других.

Поэтому начинать стоит с широкой карты работы. Как возникает потребность? Через какие задачи и функции она проходит? Что каждая сторона считает готовым результатом? Где требуется профессиональное суждение, а где участники просто ждут передачи, проверки или решения?

Затем нужно посмотреть на совокупность процессов. Какие из них используют общие правила и полномочия? Где один и тот же руководитель становится обязательным участником множества решений? Где каждая функция улучшает свой участок, хотя для общего результата требуется договориться о границе между ними?

Такая работа помогает выбрать место для AI точнее. Если инструмент ускоряет выполнение задачи, процесс должен быть готов принять результат. Если AI берёт на себя часть проверки, нужно определить её пределы. Если он помогает подготовить решение, у человека должны быть понятные основания принять его, отклонить или запросить дополнительную работу.

Полевой эксперимент с 776 специалистами Procter & Gamble показал, что AI меняет распределение знаний между функциями: без AI специалисты R&D предлагали более технические решения, коммерческие специалисты — более коммерческие, а участники с AI готовили сбалансированные предложения независимо от своей специализации². Эксперимент изучал задачи разработки продуктов и не доказывает, что каждому внедрению AI нужна масштабная реорганизация. Он даёт основание рассматривать технологию и распределение работы между специалистами совместно.

Роли придётся пересобрать

Изменение процесса нельзя завершить новой схемой движения задач. Нужно разобраться, что теперь делает каждый участник и за какой результат отвечает.

Для сотрудника новая роль может включать постановку задачи AI, оценку полученного результата и доработку сложных случаев. Здесь требуется знание предмета работы. Без него трудно заметить убедительную, но ошибочную формулировку или понять, каких данных не хватает.

Для специалиста, который принимает результат от другой функции, могут измениться требования к входящей работе. Ему нужно договориться с коллегами, что считается готовым, какие сведения передаются вместе с результатом и в каких случаях работа возвращается назад.

Для руководителя вопрос ещё шире. Какие решения команда сможет принимать самостоятельно? Какие случаи действительно требуют его участия? Как он будет видеть качество работы, если часть действий выполняет AI? За счёт чего сотрудники сохранят и разовьют экспертизу, необходимую для проверки сложных случаев?

Метаанализ 106 экспериментов, опубликованный в Nature Human Behaviour, предостерегает от предположения, что сочетание человека и AI всегда даёт лучший результат. В рассмотренных экспериментах такое сочетание в среднем уступало лучшему из двух результатов, человека без AI или AI без человека, хотя превосходило работу человека без AI. Результат зависел от типа задачи: в задачах создания контента сочетание давало выигрыш, в задачах принятия решений чаще проигрывало³. Метаанализ обобщает эксперименты 2020–2023 годов, поэтому он характеризует принцип, а не возможности сегодняшних моделей.

Поэтому роли нужно проектировать под конкретные задачи. Где человек сохраняет полный контроль? Где AI готовит основу для его решения? Какие действия можно доверить инструменту? Как участники узнают, что требуется вмешательство? Ответы должны быть понятны и исполнителям, и руководителям соседних функций.

Освободить время недостаточно

Одна из привлекательных целей внедрения AI состоит в том, чтобы у людей осталось больше времени на сложную работу. Освободившееся время само по себе не меняет содержание должности.

Если компания хочет, чтобы сотрудники решали задачи более высокого порядка, ей нужно назвать эти задачи и дать людям возможность ими заниматься. Потребуются соответствующие полномочия, доступ к информации и развитие навыков. Иначе в рабочий день просто поместится больше прежних действий.

То же касается менеджеров. Более эффективная работа руководителя может означать меньше рутинных согласований и больше внимания к качеству решений, развитию команды и согласованию действий между функциями. Такой переход требует изменить правила принятия решений. Передать менеджеру AI-инструмент при прежнем объёме ручного контроля недостаточно.

От системы к практике

Переработка процессов, изменение ролей и применение AI должны входить в один проект изменений. Компания определяет желаемый результат, пересматривает способ его достижения и проверяет, какую пользу технология приносит в новой схеме работы.

Начать можно с одного процесса. При этом в поле зрения должны оставаться его связи с другими процессами и функциями. Иначе улучшение выбранного участка легко принять за результат всей системы.

Дальше возникает практический вопрос: как провести эту работу? Как увидеть реальный процесс за регламентом, выбрать место для изменений и договориться о новых ролях? Что проверить до внедрения AI и по каким признакам понять, что компания действительно работает лучше?