Делегирование машинам, которые отвечают

Спросите владельца маркетингового агентства из пяти человек, юридической фирмы с двумя партнёрами или небольшой архитектурной студии, что изменилось за последний год. Ответ прозвучит сразу: теперь все что-нибудь делегируют системе, которая умеет отвечать. Черновик брифа сначала отправляют чат-боту и только потом клиенту. Предварительную проверку договора поручают модели, прежде чем документ увидит помощник юриста. Набросок младшего сотрудника получает второе мнение от программы, которая прочла больше строительных норм, чем один человек способен освоить за всю жизнь. Сам инструмент уже не самая интересная часть этой истории. По-настоящему важен навык грамотной работы с ним, который сейчас без лишнего шума формируется в тысячах небольших профессиональных фирм.

Инструмент, который помог новичкам работать лучше

Самые убедительные ранние данные пришли из колл-центра, а не из зала заседаний. Экономисты Эрик Бриньолфссон, Даниэль Ли и Линдси Рэймонд наблюдали за 5 179 специалистами службы поддержки в компании по разработке программного обеспечения, пока генеративного ИИ-помощника внедряли в одних командах раньше, чем в других. Главная цифра выглядела умеренно: среднее количество решённых за час вопросов выросло на 14 процентов. Однако показатель под ней оказался совсем не скромным. Производительность новичков и сотрудников с невысокой квалификацией выросла на 34 процента, а у самых опытных специалистов почти не изменилась. Как выяснили исследователи, инструмент распространял лучшие практики наиболее сильных работников и позволял остальным за несколько недель освоить то, на что прежде уходили годы работы.

Похожая закономерность обнаружилась у специалистов умственного труда, которые занимались вполне обычным письмом. Шаккед Ной и Уитни Чжан дали 453 маркетологам, авторам грантовых заявок и специалистам по персоналу с высшим образованием реальные письменные задания из их профессиональной практики, после чего случайным образом открыли половине участников доступ к ChatGPT. Среднее время выполнения задания сократилось на 40 процентов, а качество результата при слепой оценке выросло на 18 процентов. Выигрыш распределился неравномерно: слабые авторы добились наибольшего прогресса, тогда как самые сильные почти ничего не приобрели. Но ещё показательнее то, как инструмент изменил саму структуру работы. Специалисты в основном перестали вручную готовить черновики и направили сэкономленное время на поиск идей и редактирование. Машина писала. Человек проверял. Как выяснилось, именно в таком разделении труда заключена главная часть этой истории.

Где граница возможностей становится изломанной

Через два года после начала бума новая волна исследований перестала выяснять, помогает ли ИИ вообще, и сосредоточилась на том, где именно заканчивается его польза. Самый наглядный ответ дало исследование 758 консультантов Boston Consulting Group, проведённое командой из Гарвардской школы бизнеса, Уортона и MIT. Получив восемнадцать реалистичных консультационных заданий, участники с доступом к GPT-4 выполнили на 12,2 процента больше задач, работали на 25,1 процента быстрее и подготовили материалы, качество которых оценили более чем на 40 процентов выше. Однако это относилось только к задачам внутри области, которую исследователи назвали «изломанной границей» ИИ. Эта граница компетентности похожа не на прямую линию, а на морское побережье: в одной бухте оно гостеприимно, но сразу за мысом становится опасным.

Без помощи ИИ консультанты правильно решали задачу в 84 процентах случаев, но с ИИ их результаты ухудшались: доля верных решений составляла лишь от 60 до 70 процентов.Итан Моллик о результатах исследования изломанной границы.

Для владельца небольшой профессиональной фирмы этот единственный результат, возможно, важнее любого другого предложения во всей научной литературе, потому что он переворачивает привычное представление об этих инструментах. Опасен не энтузиазм. Опасно доверие там, где оно неуместно. Те же исследователи обнаружили два работающих способа управлять этим риском и назвали их Кентаврами и Киборгами. Кентавры проводят чёткую границу: эта часть работы моя, а та принадлежит машине. Проведя её, они придерживаются выбранного разделения. Киборги постоянно смешивают два вида работы, позволяя модели заканчивать свои предложения и исправляя её прямо по ходу дела. Ни один подход не делает человека ответственнее другого. Но оба опираются на то, чего не хватало консультантам, показавшим худшие результаты в задачах за пределами границы: на рабочее понимание того, где именно проходит их собственная черта.

Внедрение ещё не означает доверия

Было бы удобно, если бы для решения проблемы достаточно было быстрее внедрить инструмент, однако данные говорят об обратном. В трёх рандомизированных испытаниях участвовали 4 867 разработчиков программного обеспечения из Microsoft, Accenture и производителя электроники из списка Fortune 100. Доступ к GitHub Copilot в среднем увеличил количество выполненных за неделю задач на 26 процентов. У младших разработчиков прирост составил от 27 до 39 процентов, а у старших только от 8 до 13 процентов. И всё же спустя год после внедрения инструментом в трёх компаниях пользовались лишь около 60 процентов сотрудников, хотя он был бесплатным, быстрым и доказал свою пользу. Исследователи также прямо признали пробел в собственных данных: они могли измерить объём написанного кода, но не его качество, поскольку доступа к самому коду у них никогда не было. Даже в компаниях с формальным процессом инженерной проверки качество оставалось показателем, который труднее всего подтвердить.

У небольших профессиональных фирм нет отдела проверки, на который можно положиться. Там нет службы комплаенса, способной заметить вымышленную ссылку на судебное решение до подачи документа, и нет второго читателя, который укажет, что письмо клиенту незаметно преувеличивает утверждение. Владелец должен осознанно разработать собственную процедуру до того, как доверит инструменту любую работу, которую увидит клиент, а приведённые выше исследования позволяют примерно определить её содержание. Для каждой задачи следует установить, какие части работы конкретной фирмы находятся внутри границы возможностей ИИ, а какие остаются за её пределами, поскольку эта граница зависит от предметной области и никто заранее её не нанёс на карту. Всё, что покидает стены фирмы, должен редактировать человек, как поступили участники исследования Ной и Чжан, которые потратили сэкономленное время на проверку, а не превратили его в отдых. Наконец, к гладкости ответа нужно относиться с подозрением: уверенное звучание ещё не делает его правильным, а консультанты, поверившие убедительному, но ошибочному ответу, справились хуже тех, кто полагался только на собственное суждение.

Что на самом деле даёт накопительный эффект

Всё это вовсе не аргумент против делегирования. Специалисты службы поддержки, авторы и разработчики, которые грамотно использовали эти инструменты, неоднократно получали значительное преимущество. А фирмы, совсем не применяющие эту технологию, просто будут делать меньше, медленнее и при более высокой стоимости каждого часа экспертной работы. Тезис гораздо уже и при этом полезнее для небольшой организации: описанные результаты появились не благодаря самой установке чат-бота. Их получили работник или компания, которые выработали привычку проверять результат, разделяя труд по модели Кентавра, смешивая его по модели Киборга или просто опытным путём выясняя, какие категории задач можно поручать машине без надзора. На выработку этой привычки требуется больше времени, чем на покупку подписки, и именно поэтому она даёт накопительный эффект. Фирма, которая в первые месяцы работы с новой моделью составляет карту собственной изломанной границы, продолжит пользоваться этой картой ещё долго после того, как саму модель заменит следующая.

Обновлено 24 августа 2026.