Спросите владельца маркетингового агентства на пять человек, юридической конторы с двумя партнёрами или небольшой архитектурной студии, что изменилось в этом году, — и ответ прилетит мгновенно: сегодня все делегируют работу тому, кто умеет отвечать. Черновик брифа сначала показывают чат-боту, а уже потом клиенту. Первое чтение договора прогоняют через модель, прежде чем его увидит помощник юриста. Грубый эскиз младшего сотрудника получает второе мнение от программы, которая «прочитала» больше строительных норм, чем любой человек успеет за целую жизнь. Сам инструмент — уже не самая интересная часть этой истории. То, что до сих пор отрабатывается — тихо, в тысячах небольших практик, — это дисциплина пользоваться им правильно.
Инструмент, который делал новичков лучше
Самые убедительные ранние доказательства пришли не из зала заседаний, а из колл-центра. Экономисты Эрик Бриньольфссон, Даниэль Ли и Линдси Реймонд проследили за 5,179 операторами службы поддержки в софтверной компании, когда ассистента на основе генеративного ИИ внедрили в одних командах раньше, чем в других. Главная цифра выглядела скромно: число решённых обращений в час выросло в среднем на 14 процентов. А цифра под ней скромной не была вовсе. Новички и низкоквалифицированные операторы улучшили результат на 34 процента, тогда как самые опытные почти не сдвинулись с места. Инструмент, как обнаружили исследователи, распространял лучшие практики самых способных работников, сжимая годы обучения на рабочем месте в недели для всех остальных.
Похожая картина обнаружилась и среди офисных профессионалов, занятых куда более будничным делом — письмом. Шеккед Ной и Уитни Чжан дали 453 маркетологам, грантрайтерам и HR-специалистам с высшим образованием реальные рабочие задания по написанию текстов, взятые из их собственных профессий, а затем случайным образом предоставили половине из них доступ к ChatGPT. Среднее время на задание сократилось на 40 процентов; качество текста, оценённое вслепую, выросло на 18 процентов. Выигрыш распределился неравномерно: более слабые авторы улучшились сильнее всего, а самые сильные почти ничего не выиграли. Но более показательным оказалось то, что инструмент сделал с самой формой работы: профессионалы в основном перестали писать черновики от руки и перенаправили сэкономленное время на генерацию идей и редактирование. Машина писала. Человек проверял. Именно это разделение труда и оказывается сутью всей истории.
Где граница становится зазубренной
Спустя два года после начала бума вторая волна исследований перестала спрашивать, помогает ли ИИ, и начала выяснять, где именно он помогать перестаёт. Самый показательный ответ дало исследование 758 консультантов Boston Consulting Group, проведённое командой из Harvard Business School, Wharton и MIT. Получив восемнадцать реалистичных консалтинговых заданий, консультанты с доступом к GPT-4 выполнили на 12.2 процента больше заданий, работали на 25.1 процента быстрее и выдавали работу, оценённую более чем на 40 процентов выше по качеству — но только на задачах, попадавших внутрь того, что исследователи назвали «зазубренной границей» ИИ: границей компетентности, которая ведёт себя не как прямая линия, а скорее как береговая линия — щедрая в одних бухтах и коварная сразу за мысом.
Консультанты-люди без помощи ИИ решали задачу правильно в 84 процентах случаев, но когда консультанты пользовались ИИ, результат ухудшался — они давали правильный ответ лишь в 60–70 процентах случаев.Итан Моллик, о выводах про «зазубренную границу»
Этот единственный результат, пожалуй, самое полезное предложение во всей этой литературе для владельца небольшой практики, потому что оно переворачивает интуицию, с которой большинство людей подходит к этим инструментам. Риск не в энтузиазме. Риск — в доверии не в том месте. Те же исследователи нашли два рабочих способа управлять этим риском, которые они назвали «кентаврами» и «киборгами». Кентавры проводят чёткую границу — это моя часть, а это часть машины — и удерживают её. Киборги смешивают труд непрерывно, позволяя модели заканчивать за них предложения и поправляя её на ходу. Ни одна из этих позиций не «добродетельнее» другой. Общее для обеих — и именно этого не хватало консультантам, которые хуже справлялись с задачами за пределами границы, — рабочая теория того, где именно проходит их собственная граница.
Внедрение — не то же самое, что доверие
Было бы удобно, если бы решением было просто быстрее внедрить инструмент. Данные говорят об обратном. В трёх рандомизированных исследованиях с участием 4,867 разработчиков программного обеспечения в Microsoft, Accenture и одном из производителей электроники из списка Fortune 100 доступ к GitHub Copilot поднял число выполненных еженедельных задач в среднем на 26 процентов — младшие разработчики выиграли 27–39 процентов, старшие — только 8–13. Но спустя год после внедрения уровень использования во всех трёх компаниях всё ещё держался на отметке лишь около 60 процентов, несмотря на то что инструмент был бесплатным, быстрым и доказанно полезным. Исследователи честно признали и пробел в собственных данных: они могли измерить, сколько кода написано, но не то, был ли этот код хорошим, — потому что доступа к нему у них попросту не было. Даже в компаниях с формальным процессом инженерного ревью качество оставалось самым трудным для проверки параметром.
| Исследование | Условия | Выборка | Главный результат |
|---|---|---|---|
| Brynjolfsson, Li & Raymond, NBER (2023) | Операторы службы поддержки | 5,179 операторов | +14% средняя продуктивность; +34% для новичков |
| Noy & Zhang, Science (2023) | Профессиональные задания по написанию текстов | 453 специалиста | −40% времени на задание; +18% качества |
| Dell’Acqua et al., HBS/BCG (2023) | Консалтинговые задачи в пределах границы | 758 консультантов | +12.2% выполненных задач; +25.1% скорости; >40% качества |
| Cui et al., Microsoft/Accenture/Fortune 100 (2025) | Разработка ПО, Copilot | 4,867 разработчиков | +26% выполненных задач; ~60% внедрения через год |
У небольших практик нет отдела контроля качества, на который можно опереться. Нет комплаенс-стола, который поймает выдуманную судебную ссылку до того, как она попадёт в документ, нет второго читателя, который заметит, что письмо клиенту незаметно преувеличивает результат. Процедуру приходится изобретать самому владельцу, осознанно, ещё до того, как инструменту доверят что-то, что увидит клиент, — и приведённые выше исследования довольно точно подсказывают, что должна содержать эта процедура. Она должна определять, задача за задачей, какие части собственной работы практики находятся в пределах её границы, а какие нет, потому что эта граница специфична для каждой сферы и заранее её никто не наносил на карту. Она должна сохранять этап человеческой правки на всём, что покидает офис, — так же, как профессионалы у Ноя и Чжан направляли сэкономленное время на проверку, а не откладывали его как свободное время. И она должна сохранять настороженность к беглости изложения, ведь ответ, который звучит уверенно, — не то же самое, что ответ, который верен, а консультанты, доверившиеся бегло сформулированному, но неверному ответу, справлялись хуже тех, кто опирался лишь на собственное суждение.
Что действительно накапливается
Ничто из этого не аргумент против делегирования. Операторы поддержки, авторы текстов и разработчики, которые хорошо пользовались этими инструментами, вырвались вперёд — и с большим, устойчивым отрывом, — а практики, которые вообще не касаются этой технологии, будут просто делать меньше, медленнее и дороже в пересчёте на час экспертизы. Аргумент здесь уже, а для небольшого бизнеса — практичнее: описанный выше выигрыш пришёл не от установки чат-бота. Он пришёл от работника или фирмы, которые выработали привычку проверять — распределяя труд, как кентавр, смешивая его, как киборг, или просто учась методом проб и ошибок, каким категориям задач можно доверять машине без присмотра. Эта привычка формируется дольше, чем покупается подписка, — и именно поэтому она действует по принципу сложного процента. Практика, которая первые месяцы работы с новой моделью тратит на то, чтобы нанести на карту собственную зазубренную границу, будет пользоваться этой картой ещё долго после того, как саму модель заменит следующая.
