Что происходит с экспертизой сотрудника, когда часть рабочих задач выполняет ИИ

Представьте ситуацию. Сотрудник подготовил с ИИ отчет, предложение для клиента или программу обучения. Работа заняла меньше времени, материал выглядит убедительно. На обсуждении руководитель спрашивает, почему выбран именно этот вариант. И сотруднику приходится возвращаться в чат, чтобы восстановить ход рассуждения.

Я регулярно использую ИИ при разработке обучения и сама замечаю этот эффект. Модель быстро предлагает структуру, гипотезу или решение. Когда ответ хорошо сформулирован и выглядит логичным, его легко принять и пойти дальше.

Со временем я стала смотреть на работу с ИИ через другой вопрос. Какие профессиональные действия после передачи части задачи модели я продолжаю выполнять сама?

Этот же вопрос можно задать про сотрудников.

ИИ может подготовить черновик, собрать варианты, структурировать материалы. Сотрудник при этом сам определяет критерии, проверяет основания и принимает решение.

В другой ситуации модель сама определяет, что учитывать, какие данные использовать и к какому выводу прийти. Человек редактирует уже готовый результат.

Внешне обе работы могут выглядеть одинаково хорошо. Но объем собственной практики сотрудника будет разным.

Хороший результат еще не показывает, что сотрудник умеет делать сам

Исследования применения генеративного ИИ в работе хорошо показывают эту разницу.

В эксперименте с 758 консультантами компании Boston Consulting Group участники с GPT-4 выполняли на 12,2% больше заданий в той области, где модель справлялась хорошо, и тратили на них на 25,1% меньше времени. Экспертные оценки работ тоже были выше.

На задаче, с которой сама модель справлялась хуже, участники с ИИ на 19% реже находили правильное решение.

В другом исследовании наблюдали за работой 5 179 специалистов клиентской поддержки. Сотрудники с генеративным ИИ в среднем решали за час на 14% больше обращений. Самый заметный прирост получили новички и менее опытные сотрудники.

1. Какой результат сотрудник получил вместе с ИИ?
2. Что он сможет сделать на следующей похожей задаче, если изменятся условия?

Второй вопрос гораздо лучше показывает состояние навыка.

Определите, что сотрудник должен уметь делать сам

Разбирать влияние ИИ на экспертизу проще на конкретной рабочей задаче.

Допустим, руководитель просит сотрудника выяснить причину снижения продаж. ИИ анализирует описание ситуации и предлагает версию: менеджеры стали реже контактировать с клиентами. Затем рекомендует увеличить количество звонков и контролировать активность.

Ответ выглядит логичным.

Но специалисту еще нужно решить, какие данные проверить. Причина может быть в наличии товара, изменении цены, входящем спросе, конверсии на конкретном этапе или в другой части процесса.

Сотрудник может взять ответ ИИ как одну из гипотез, проверить ее по данным и сравнить с другими версиями. Тогда анализ остается частью его работы. Можно сразу принять предложенное объяснение и перейти к действиям. В этом случае значимую часть анализа выполнила модель.

В моей работе ситуация похожая.

Можно описать ИИ проблему заказчика и через несколько минут получить программу обучения с целями, темами и упражнениями.

Но до разработки программы мне нужно определить, есть ли здесь задача для обучения, какое поведение требуется от сотрудников, что происходит сейчас и почему возник разрыв. Эти решения я оставляю за собой, даже когда ИИ участвует в анализе материалов.

Поэтому перед передачей задачи модели я бы сначала определила несколько вещей.

• Что сотрудник должен решить сам
• Какие данные ему нужно проверить
• Где потребуется выбор
• Какие последствия решения нужно оценить
• При каких условиях решение придется пересмотреть

После этого гораздо проще понять, что можно передать ИИ.

Проверьте, где человек принимает решение

Часть умственной работы мы давно отдаем внешним инструментам. Храним встречи в календаре, считаем в таблицах, фиксируем информацию в заметках.

В когнитивной психологии для этого есть понятие cognitive offloading, или когнитивная разгрузка. Человек переносит часть нагрузки во внешнюю среду.

Генеративный ИИ позволяет передавать намного больше операций.

Калькулятор считает после того, как человек определил, что нужно посчитать. ИИ способен предложить саму гипотезу, аргументы, критерии и итоговый вывод.

Я бы проверяла рабочий процесс по шести точкам.

• Кто определяет, в чем состоит задача
• Кто замечает, каких данных не хватает
• Кто задает критерии
• Кто проверяет предположения
• Кто принимает решение
• Кто определяет, что изменить при новых условиях

Не каждую из этих операций нужно всегда оставлять человеку.

Если специалист давно умеет структурировать документ, ему необязательно каждый раз самостоятельно переставлять абзацы. ИИ можно поручить черновик, сокращение текста, группировку заметок, форматирование и поиск вариантов формулировок.

Больше внимания я бы уделяла действиям, которые определяют содержание решения и его последствия.

Например, поиску причины проблемы, выбору критериев, оценке рисков и решениям, которые влияют на клиента, деньги, сроки или работу других людей.

У новичка граница проходит в другом месте

Операция, которую опытный сотрудник спокойно передает ИИ, для новичка может быть частью освоения профессии.

У специалиста с опытом уже есть внутренние ориентиры. Он видел похожие ситуации, знает типовые ошибки и может сравнить ответ модели со своей практикой. У новичка эти ориентиры еще формируются.

Я особенно хорошо вижу это, когда работаю с методологами, которые только начинают использовать ИИ.

Им бывает очень сложно найти ошибку в ответе модели. Текст выглядит логичным, хорошо структурированным и убедительным. Возникает ощущение, что исправлять там просто нечего.

Но для проверки ответа уже нужно понимать, как выглядит хороший результат, где чаще возникают ошибки, какие данные должны быть учтены и какие вопросы задать к предложенному решению.

Если таких ориентиров пока мало, убедительная формулировка легко воспринимается как признак верного решения.

Например, ИИ может предложить методологу полноценную программу обучения. В ней будут цель, темы, практика и даже способы оценки.

Начинающему специалисту такая программа может показаться готовой.

Опытный методолог скорее начнет проверять другое. Из чего следует, что проблема вообще решается обучением? Какое рабочее действие нужно изменить? На каких данных построена программа? Что участник должен научиться делать после обучения?

Разница находится не в способности красиво отредактировать ответ ИИ. Она находится в количестве профессиональных ориентиров, с которыми человек этот ответ сравнивает.

При этом именно начинающие сотрудники могут получать большой прирост скорости при работе с ИИ. В исследовании клиентской поддержки прирост числа решённых обращений у менее опытных сотрудников достигал примерно 34%. У опытных специалистов изменение было значительно меньше.

Получается интересная ситуация. По видимому результату новичок быстро приближается к опытному коллеге, хотя часть профессиональных действий еще не успел достаточно потренировать.

Поэтому при работе с начинающим сотрудником я бы смотрела дальше готового результата.

• Какие решения он уже умеет объяснить?
• Какие ошибки способен заметить?
• Что может проверить самостоятельно?
• Что сделает, если условия задачи изменятся?

Разберите одно решение из готовой работы

Для проверки не нужно запрещать пользоваться ИИ или просить сотрудника выполнить всю задачу заново. Можно взять завершенную работу и выбрать одно решение, от которого зависел дальнейший результат.

Например, почему сотрудник выбрал именно эту рекомендацию, включил этот блок в программу, поставил такой приоритет или сделал такой вывод из данных.

Дальше я бы задала четыре вопроса.

• Почему выбран этот вариант?
• На каких данных или требованиях основан выбор?
• При каком условии решение перестанет подходить?
• Что изменится, если поменяется одно существенное условие задачи?

Эти вопросы подходят и для разговора руководителя с сотрудником, и для самопроверки.

Я периодически использую похожий принцип в собственной работе. Если не могу своими словами объяснить, почему принимаю предложенный ИИ вариант, мне рано считать решение готовым.

Один такой разбор еще ничего не говорит о снижении навыка. Сотрудник мог столкнуться с новой задачей, не получить нужных данных или не знать конкретного участка работы.

Зато становится видно, какое действие стоит проверить дальше.

Измените одно условие задачи

Есть еще один способ, который я часто использую при проверке решений.

Возьмите похожую задачу и измените в ней одно существенное условие. Например, сотрудник предложил обучение для всех менеджеров по продажам. Затем появляется новая информация. Ошибку совершают только сотрудники со стажем до трех месяцев.

Что теперь потребуется пересмотреть?

Если сотрудник понимает логику решения, он сможет определить, какая часть вывода изменилась и какие дополнительные данные нужны. Если единственный следующий шаг состоит в новом запросе к ИИ с просьбой переделать ответ, я бы посмотрела на этот участок работы внимательнее.

В исследовании NBER 2026 года 1 174 участника сначала выполняли рабочую задачу с ИИ или без него, а затем проходили следующий этап уже без помощника. В среднем работа с ИИ не привела к ухудшению результата после его отключения.

Более высокий результат на следующей самостоятельной задаче был связан с сочетанием активного использования ИИ и собственного усилия во время предыдущей работы.

Для меня здесь есть хороший ориентир. Сам факт использования ИИ мало говорит о развитии человека. Гораздо интереснее, остается ли у него работа, в которой приходится анализировать, выбирать и проверять.

Если нашли слабое место, тренируйте конкретное действие

Допустим, во время разбора сотрудник не смог объяснить, почему принял гипотезу ИИ. Необязательно возвращать всю задачу в ручной режим. Можно дать несколько возможных причин и попросить определить, какие данные позволят проверить каждую.

Если сотруднику трудно выбирать между вариантами, сначала определите критерии, затем дайте новую ситуацию для самостоятельного выбора.

Если он не замечает нехватку информации, отдельно потренируйте вопросы, которые нужно задать до поиска решения.

Так практика появляется именно там, где возникло затруднение.

После нескольких повторений дайте задачу того же типа и близкой сложности с новыми условиями.

Посмотрите на три действия.

• Замечает ли сотрудник недостающие данные.
• Может ли объяснить критерий выбора.
• Корректирует ли решение с учётом новых вводных.

Если эти действия появились, можно переходить к следующему участку.

Не считайте количество запросов к ИИ

Я бы не вводила норму по количеству обращений к модели для контроля экспертизы.

Два человека могут пользоваться ИИ каждый день и работать совершенно по-разному:

• Один просит модель предложить версии, сравнивает их со своими данными, проверяет выводы и принимает решение сам.
• Другой передает задачу целиком и слегка редактирует результат.

По статистике использования они окажутся рядом. По количеству собственных решений разница будет заметной.

Исследования изменений профессиональных навыков при работе с генеративным ИИ тоже показывают разные сценарии. Люди описывают освоение новых способов работы, сохранение прежних навыков, снижение самостоятельности в отдельных действиях и изменение ценности некоторых операций после их передачи ИИ.

Поэтому я бы контролировала те действия, которые человек должен сохранять за собой, и проверяла их на реальных рабочих задачах.

Как я сама определяю границу

Я много работаю с ИИ при разработке обучения. Он анализирует материалы, собирает варианты структуры, предлагает формулировки, ищет противоречия и помогает проверить решения.

Чем больше я его использую, тем чаще приходится определять, что я готова передать модели целиком и что хочу оставить за собой.

У меня есть простой ориентир.

Если решение влияет на дальнейшую логику работы, я должна суметь объяснить его без помощи чата.

• Почему я считаю, что здесь нужна эта практика?
• Почему включила эту тему?
• Почему убрала другой материал?
• Почему считаю, что проблема связана с навыком?
• Какие данные заставят меня изменить решение?

ИИ может предложить ответы. Финальное основание я проверяю сама.

Тот же подход я бы использовала при работе с сотрудниками. Я бы выбрала несколько профессиональных действий, которые сотрудник должен сохранять за собой, и периодически проверяла их на реальных задачах.

Начать можно с последней работы, которую вы сделали с ИИ. Выберите одно значимое решение. Попробуйте без нового запроса объяснить, почему приняли его. Затем измените одно условие задачи и определите, что придется пересмотреть.

Так можно увидеть, где ИИ забирает рутинную операцию, а где вместе с ней человек постепенно передаёт модели часть профессионального решения.

Я продолжаю разбирать применение ИИ в обучении, работу методолога и собственные эксперименты с нейросетями в своих каналах Telegram и МАХ.