В Formatta мы исходим из простого принципа: если AI участвует в работе, это участие должно быть открытым. В меморандуме об оценке в AI-эпоху мы сформулировали его так: за столом сидят человек, консультант и AI, и никто не делает вид, что третьего нет.1
Сейчас мы применяем эту логику к собственным продуктам и материалам. Пересобираем оценку под совместную работу человека и AI, развиваем AI-фасилитацию процессов и открыто маркируем контент, созданный с помощью технологии.
Эта статья подготовлена по тому же правилу. AI помогал искать и разбирать источники, сопоставлять подходы и структурировать материал. Замысел, гипотезы, примеры, выводы и финальные формулировки принадлежат автору.
AI: поиск и первичный разбор источников, сопоставление подходов, структурирование материала и редакционные варианты. Ответственность за содержание и итоговые формулировки несёт автор.
AI усиливает сильные стороны человека и делает слабые места заметнее. Для работы с ним мало освоить интерфейс и научиться писать запросы. Нужны способность формулировать задачу, критически оценивать результат, видеть причинно-следственные связи и отвечать за принятое решение.
Темпы внедрения AI уже опережают развитие этих качеств у многих сотрудников. Поэтому люди с одинаковыми должностями и доступом к одним инструментам начинают давать разный результат. Один использует AI как поисковую строку. Другой перестраивает вокруг него значительную часть своей работы.
Для HR это означает, что прежних моделей обучения, оценки и кадрового планирования скоро будет недостаточно.
Три волны цифрового изменения
Если сильно упростить историю корпоративных технологий, можно выделить три периода. Каждый из них менял устройство работы и приносил HR новый набор задач.
| Период | Что менялось в работе | Что первым замечал HR |
|---|---|---|
| 2000-е: ERP и CRM | Компании описывали операции, правила, учёт и ответственность. | Менялись роли, нормативы и требования к дисциплине процесса. |
| 2010-е: облака, мобильность и данные | Работа переходила между функциями и цифровыми системами. | Появлялись новые навыки, каналы взаимодействия и форматы занятости. |
| 2020-е: AI | Часть интеллектуального действия переходит от человека к системе. | Меняются отдача людей, роли, контроль качества и потребность в численности. |
Раньше цифровые системы в основном хранили, структурировали и передавали данные. AI пишет, анализирует, классифицирует, сравнивает и предлагает решения. Он входит внутрь самого рабочего действия. Поэтому компаниям приходится заново договариваться о том, кто выполняет работу, кто проверяет результат и кто за него отвечает.
Технологии не уравнивают компании. Они быстрее проявляют разницу в качестве процессов, управления и человеческого капитала. У лидеров уже накоплены описанные процессы, данные, стандарты качества и люди, умеющие с ними работать. Поэтому каждый следующий AI-сценарий запускается быстрее. У отстающих компаний внедрение снова начинается с отдельного эксперимента.
В число отстающих можно попасть без единого неверного решения. Достаточно продолжать работать по прежней модели, пока другие пересобирают процессы.
Два пути внедрения AI
Чаще компании начинают с личной эффективности. Сотрудников учат писать тексты и код, анализировать данные, создавать ассистентов, агентов и автоматизации. Это полезный первый шаг. Его эффект может остаться внутри работы отдельного человека.
Второй путь требует одновременно развивать навыки человека и менять процесс. Компания определяет границы использования AI, правила проверки, ответственность, требования к данным и способ измерения результата. Тогда удачная практика становится частью работы команды.
Разработчик: быстрее код, сложнее система
Команда разрабатывает функцию, затрагивающую несколько сервисов и данные клиентов. Разработчик использует AI-агента: тот анализирует кодовую базу, предлагает архитектуру изменений, пишет код и тесты. Задача, на которую раньше уходило несколько дней, готова заметно быстрее.
Код проходит автоматические проверки. На проверке коллеги видят рабочую реализацию, но могут не знать, какие части создал AI, какие предположения он сделал и насколько глубоко автор понимает решение. Большой объём изменений дополнительно затрудняет содержательный разбор.
Личная производительность разработчика выросла. На уровне компании очередь могла переместиться с написания кода на его проверку и выпуск. Команда производит больше изменений, чем опытные специалисты успевают осмыслить. Часть архитектурных решений появляется без зафиксированного обоснования, а высвободившаяся мощность разработчика не входит в планирование.
Проблема может проявиться позже. При изменении соседнего сервиса выяснится, что решение работает только при наборе неявных условий. Разработчик уже не помнит логику отдельных фрагментов. Команда тратит время на восстановление причин, устранение дефекта и переработку архитектуры.
Компания получила более быстрое создание кода. Вместе с ним выросли требования к проверке, безопасности, документированию решений и владению результатом. NIST рекомендует проверять и анализировать человекочитаемый код, чтобы выявлять уязвимости и подтверждать соответствие требованиям безопасности.2
Финансовый контур: быстрее прогноз, выше цена непрозрачности
Финансовая команда использует AI для подготовки управленческого прогноза. Система собирает данные из учётных систем, договоров, планов подразделений и комментариев руководителей. Она классифицирует расходы, формирует прогноз движения денежных средств и готовит пояснения к отклонениям.
Аналитики получают первую версию быстрее. Но модель работает с источниками, которые обновляются в разное время. В одном подразделении меняется правило признания расходов, в другом появляется новый договор, а коммерческая команда пересматривает прогноз продаж. AI объединяет данные, но не понимает управленческую значимость каждого изменения.
Финансовый директор получает убедительно оформленный прогноз. При этом компании может быть сложно восстановить, какие версии данных использовала система, какие допущения добавила, где человек изменил результат и почему сумма попала в конкретную категорию.
Ошибка способна повлиять на прогноз ликвидности, оценку выполнения ковенантов, решение о закупках или инвестициях. Ответственность за вывод остаётся у финансового директора.
Личная эффективность аналитиков выросла. EBITDA и денежный поток от этого автоматически не меняются. Экономический эффект возникнет, если компания сократит цикл прогнозирования, снизит число ошибок, быстрее обнаружит отклонение, избежит дополнительного найма или примет лучшее решение об оборотном капитале.
Для финансовых процессов AI становится частью внутреннего контроля. Нужно фиксировать источники, версии моделей, человеческие корректировки, правила проверки и ответственность. PCAOB подчёркивает значение политик, процедур, внутреннего контроля и обучения при использовании генеративного AI в аудите и финансовой отчётности.3 COSO также выпустила практическую рамку управления рисками и контролями генеративного AI.4
Что меняется для HR
От личной практики к процессу
В обоих примерах возникает один разрыв. AI уже вошёл в работу отдельного человека, но компания ещё не определила, как его использование должно менять весь процесс.
Разработчик быстрее создаёт код, но проверка, выпуск и ответственность остаются прежними. Финансовый аналитик быстрее готовит прогноз, но компания не может восстановить логику расчёта и связать экономию времени с финансовым результатом.
Маркировка этой статьи решает локальную задачу: показывает, где находится авторская мысль и какую вспомогательную работу выполнил AI. В бизнес-процессах требуется сделать то же самое в большем масштабе. Компания должна видеть, где AI участвует в создании результата, какие данные он использует, что проверяет человек, кто принимает решение и кто отвечает за последствия.
Этот разрыв нельзя закрыть одной лицензией или курсом. Нужно разобрать процесс целиком: от постановки задачи и исходных данных до проверки, ответственности и измеримого результата.
Где здесь может пригодиться AI-фасилитация
Если AI уже появился в работе отдельных сотрудников, следующим вопросом становится устройство самого процесса.
Полезно разобрать конкретную рабочую цепочку и посмотреть, где AI уже используется, какие действия ему можно передать, что по-прежнему требует решения человека и в каких точках нужна обязательная проверка. Заодно становится видно, изменилась ли скорость процесса, куда переместились узкие места и как теперь распределяется ответственность.
В Formatta мы называем такую работу AI-фасилитацией. Вместе мы разбираем, как сейчас распределена работа между людьми и AI и что в этой конструкции имеет смысл изменить.
По итогам можно определить целевую схему процесса, требования к данным и контролю, показатели результата и последовательность дальнейших изменений.
При этом далеко не каждый такой разбор заканчивается автоматизацией или разработкой нового AI-решения. Иногда достаточно изменить правила работы или договориться о способе проверки результата. Где-то потребуется обучение сотрудников. В других случаях появится задача для технической команды.
Готовые AI-продукты мы не разрабатываем, продуктовую или техническую команду не заменяем и не берём на себя роль внутреннего лидера AI-трансформации. Наша часть работы заканчивается там, где понятно, что именно нужно изменить в процессе, зачем и какие требования предъявить к следующему решению.
Если у вас есть процесс, в котором сотрудники уже используют AI, но пока непонятно, что это изменило для бизнеса, начать можно с такого разбора: посмотреть, что стало быстрее, где появилось новое узкое место, какие риски возникли и кому теперь принадлежит проверка результата.
Иногда после этого компании достаточно изменить правила работы или обучение. Иногда становится понятно, что нужна автоматизация или разработка. Смысл AI-фасилитации в том, чтобы не начинать с решения, пока не разобран сам процесс.
HR может пересобрать аналитику, процессы и собственную роль. Но этого недостаточно, если бизнес продолжает приносить запросы в формате «найдите», «оцените», «обучите» и «удержите». Следующая волна изменений начинается там, где руководитель перестаёт быть заказчиком HR-решений и становится их соавтором.
В следующей статье: что должен изменить сам бизнес, чтобы решения о людях влияли на производительность, скорость и качество исполнения стратегии.
Источники
1Formatta. «Центры оценки в ИИ-эпоху. Меморандум Formatta».↑ к тексту
2NIST. Secure Software Development Practices for Generative AI and for Dual-Use Foundation Models: An SSDF Community Profile. NIST SP 800-218A.↑ к тексту
3PCAOB. Staff Update and Preview of Observations from Outreach on Generative Artificial Intelligence in Audits and Financial Reporting.↑ к тексту
4COSO. Achieving Effective Internal Control Over Generative AI: Practical Roadmap for Managing Risks and Controls.↑ к тексту
Периодизация трёх волн, связь личной и процессной эффективности, примеры и трактовка AI-фасилитации являются интерпретацией автора и Formatta.
