Как заставить ИИ работать: лидерство, лаборатория и сотрудники

Четыре факта, которые не сходятся

Моллик начинает с того, что компании подходят к ИИ с неполной картиной. По его наблюдениям, происходящее описывают четыре факта.

1. ИИ повышает производительность отдельного человека. Это видно и по опросам работников умственного труда (в Дании и США люди сообщают, что ИИ вдвое-втрое ускоряет заметную часть их задач), и по контролируемым экспериментам: в разработке продуктов, продажах, консалтинге, программировании, кол-центрах.
2. Пользуются уже многие. К весне 2025 года около 40% американских работников признавали, что применяют ИИ на работе, и это, скорее всего, заниженная цифра.
3. Сегодняшние системы могут больше, чем от них берут. Исследовательские отчёты, на которые уходили часы, делаются за минуты; появляются первые агенты, способные на настоящую работу.
4. Компании эффекта почти не видят. Отчёты о результатах скромные, на зарплаты и рабочие часы ИИ к концу 2024 года заметно не повлиял.

Как три первых факта уживаются с четвёртым? Ответ автора: выигрыш отдельного сотрудника не складывается в выигрыш организации автоматически. Чтобы он сложился, нужна организационная инновация: другие стимулы, другие процессы, иногда другая природа работы. А эта мышца у компаний атрофировалась: десятилетиями такие вещи отдавали консультантам и вендорам корпоративного софта с их универсальными подходами. Здесь универсальный подход не сработает: готового плейбука нет ни у кого, включая создателей моделей. Они выпускают системы, не зная, как их лучше применять, и уж точно не знают вашу отрасль.

Отсюда главный тезис: все разбираются одновременно, и преимущество получит тот, кто разберётся быстрее. Для этого нужны три силы: лидерство, сотрудники («толпа» в терминах автора) и лаборатория.

Лидерство: картина будущего, а не призыв к срочности

ИИ начинается как задача первого лица. Руководители это уже понимают: Моллик вспоминает нашумевшие письма глав Shopify и Duolingo, объявившие ИИ приоритетом компании. Но эти письма хорошо отвечают на вопрос «почему сейчас» и не отвечают на вопрос «как это будет выглядеть». А людей, по данным его коллеги по Wharton, мотивирует не разговор о производительности и прибыли, а ясная, живая картина: какой станет работа, пойдёт ли выигрыш в сокращения или в рост, как наградят или накажут за использование ИИ. Знать наверняка не обязательно, но нужна цель, которой руководитель готов делиться. Сотрудники ждут ориентира, и от его характера зависит, как они будут пользоваться ИИ.

Вторая обязанность лидера — предвидеть, как изменится работа. ИИ пока не заменяет большинство профессий, но заменяет конкретные задачи внутри них: юристы уже отдают ему часть дорогого ресёрча, программисты иначе распределяют время, маркетинг и медиа меняет ИИ-видео. Но ускорить задачу — не значит получить эффект. Эффект требует переосмыслить, зачем задача существует. Если отчёт, за который платили десятки тысяч долларов, теперь можно сгенерировать сотнями, что это даёт вашим аналитикам? А если сотни отчётов бесполезны, в чём был смысл одного?

Автор уже видит компании, которые перестраивают работу радикально: например, выводят разработчиков из центрального ИТ в кросс-функциональные команды с предметными экспертами и маркетологами, и такие группы делают за дни проекты, на которые раньше уходили месяцы согласований. Лидеру не обязательно придумывать все идеи самому: для этого есть сотрудники и лаборатория.

Сотрудники: инновации рождаются у тех, кто знает свою работу

И улучшения, и изобретения появляются у людей, которые разбираются, как ИИ помогает именно им. Инструкции нет, обучение идёт через пробы, и в этом преимущество опытных: человек, хорошо понимающий свою работу, быстро видит, где ИИ полезен, а посторонний или даже продвинутый джуниор — нет.

Компании, вдохновлённые этим, дают сотрудникам доступ к чат-ботам и базовое обучение и упираются в одно и то же: официально ИИ пользуется процентов двадцать, а заявленный выигрыш невелик. При этом больше 40% работников признаются, что применяют ИИ, и в частных разговорах говорят о больших результатах. Расхождение объясняют две вещи: часть людей скрывает использование, часть не понимает, как применить ИИ к своим задачам, несмотря на обучение.

Скрывают по понятным причинам. Их напугали лекцией о наказаниях за неправильное использование. Их хвалят за результат, но они подозревают, что уважение исчезнет, если узнают про ИИ. Они понимают, что рост производительности компания видит как повод сократить штат. Или что выигрыш не наградят, а просто повысят ожидания. Причин не показывать ИИ у работника больше, чем показывать. Моллик называет таких людей «тайными киборгами», и это задача лидерства, а не технологий.

Что предлагает автор: вместо абстрактных разговоров об этике и запретов на всё дать ясные зоны, где экспериментировать можно, и склоняться к разрешению везде, где это законно и этично. Обучение строить не вокруг техник промптов (они всё менее важны, модели всё лучше понимают намерение), а вокруг практики и умения объяснять ИИ свою задачу. Отдельно решить, как убедить людей, что раскрытый выигрыш не обернётся увольнениями. Ввести стимулы за найденные применения, вплоть до крупных: автор видел компании, которые дают за это отпуск, повышение и серьёзные премии. И показывать пример: пользоваться ИИ на каждой встрече и рассказывать, чем он помог.

Даже при правильных стимулах останется немало людей, которые не хотят исследовать и ждут готовых сценариев и инструментов. Для них нужна лаборатория.

Лаборатория: строить, а не писать стратегии

Наряду с децентрализованным поиском нужна централизованная группа, которая разбирается, как ИИ применять именно в этой организации. Она работает в двух режимах сразу: исследует будущее (которое в ИИ наступает через месяцы) и постоянно выпускает новые продукты и методы. Состав — предметные эксперты плюс технари и нетехнари, и кадры для неё даёт та самая «толпа»: энтузиасты, которые нашли применение ИИ и с гордостью делятся им. Их работа должна быть целиком про ИИ и про строительство, а не про анализ и абстрактную стратегию. Что они строят:

• Быстрые продукты из находок сотрудников. Брать промпты и решения, которые обнаружила «толпа», и быстро превращать их в простые инструменты и агентов кросс-функциональными командами. Тестировать, выпускать внутрь компании, измерять, повторять.
• Свои бенчмарки. Почти все публичные тесты моделей измеряют эрудицию, математику и код. Они не скажут, какая модель лучше пишет ваши тексты, анализирует вашу финансовую модель или помогает вашему клиенту выбрать покупку. Нужно мерить модели на задачах компании и следить, как быстро сокращается разрыв. Часть бенчмарков может быть объективной, часть — «на ощущениях», по опыту. Автор, например, так проверял агента на сложном учебном кейсе Wharton: получил сайт, презентацию и 45-страничный разбор бизнес-модели лучше, чем у сильных студентов, и теперь сравнивает с этим результатом каждую новую систему.
• То, что пока не работает. Собрать ключевой процесс целиком на агентах, посмотреть, где он ломается, и подключать к этой заготовке каждую новую модель. Если темп улучшений сохранится, это первый шанс увидеть, куда всё идёт, и иметь готовый прототип в момент, когда модель перешагнёт порог.
• Провокации. Демонстрации, которые выбивают людей из инерции и показывают, что кажется невозможным сегодня, но станет обычным завтра. Пусть даже вызывают дискомфорт: они пробуждают любопытство.

Пересмотреть организацию

Автор честен: даже этой рамки может не хватить. Структуры, процессы и цели компаний построены вокруг человеческого интеллекта, потому что другого не было. Теперь интеллект, в некотором роде, доступен по запросу, и это заставляет думать о природе работы. Когда исследование, на которое уходили недели, занимает минуты, узкое место — не исследование, а выбор, что исследовать. Когда код пишется быстро, ограничение — понимание, что строить. Когда контент мгновенный, вопрос — что действительно важно людям.

Темп не замедляется, каждые несколько месяцев появляются возможности, которые заставляют пересмотреть представление о возможном. Поэтому внедрение ИИ — задача организационного обучения, а не техническая. Успешные компании строят петли обратной связи между лидерством, лабораторией и сотрудниками, чтобы учиться быстрее конкурентов, и не отдают эту задачу наружу. Начинать нужно не тогда, когда всё прояснится, а сейчас, пока мутно: преимущество у тех, кто учится быстрее всех.

В сноске — наблюдение из практики: узким местом внедрения часто оказывается юридический отдел, который запрещает ИИ из устаревших соображений о приватности (крупные модели не обучаются на корпоративных данных, есть версии, соответствующие отраслевым требованиям). Риск бездействия не меньше: теневое использование почти повсеместно, а весь опыт при запрете остаётся в тени.