Как получить эффект от AI

Генеративный AI — новый тип исполнителя: он сам интерпретирует задачу и сам выбирает действия. Поэтому он может сделать то, чего от него не ждали, и ошибиться так, что это не похоже на ошибку. Инструкции, обучение, контроль руководителя рассчитаны на человека, который помнит контекст, накапливает опыт и отвечает за результат. С AI эти механизмы в прежнем виде не работают.

Отсюда первый вывод: автономный агент — ещё не сотрудник. Нанимая человека, организация вместе со знаниями получает его понимание норм и последствий; у агента этого нет. То, что человек держал в себе, приходится строить снаружи: ограничения, проверки, решения, которые остаются за человеком. А сколько такой конструкции нужно, определяет уже не агент, а работа.

→ «Почему AI-агент не цифровой сотрудник»

Главный вопрос у компаний сейчас — как получить от AI эффект. Не возможность («AI отвечает на письма»), а выигрыш в выручке, затратах или потерях — за вычетом проверки и исправления ошибок. Сколько проверять, зависит от работы: где-то ошибку дёшево поймать и исправить, а где-то проверка стоит дорого и сама может съесть выигрыш. Поэтому чистый эффект зависит не только от модели, но и от того, как спроектирована работа, в которую она встроена.

Отсюда второй вывод: работу под AI нужно проектировать до пилота, и отвечает за это владелец процесса, а не только ИТ и поставщик. Ему решать, что передать AI и где его проверять, по каким критериям принимать результат и как изменится работа людей. Иначе пилот проверит возможности модели, а не эффект.

Ниже — статьи о том, как спроектировать работу, чтобы эффект появился и закрепился.

Спроектировать работу под AI

Начинать с работы, а не с модели

AI часто называют новым электричеством. Но электричество само не стирает бельё — стирает машина, которую под него спроектировали. С AI так же: эффект даёт не модель, а работа, устроенная под неё. В статье разделены три вещи: спецификация работы — требования, которые не зависят от исполнителя; AI-сценарий — способ, которым в работе участвуют AI, код и человек; конфигурация исполнения — конкретная сборка: модель, код, права. Тогда модель можно заменить, не переопределяя, какой результат организация считает годным.

Требования к работе — актив организации, а не настройка платформы. Модели и платформы меняются заметно быстрее, чем сама работа. Если выбрать платформу до того, как описана работа, организация окажется привязана к поставщику.

→ «Электричество не стирает бельё»

Контроль идёт от недопустимого последствия

Идти нужно от того, что организация не примет ни при каком выигрыше, назад к месту, где результат зависел от того, как AI интерпретировал ситуацию. Часто лучшая проверка — та, что не нужна: если критичный факт можно установить независимо, агент получает его уже подтверждённым. От того, где стоит контроль, зависит цена проверки, а значит и то, сколько выигрыша останется.

Что для организации недопустимо, руководство решает до запуска, так же как решает, какие риски готово принять. Иначе о недопустимом узнают из инцидента: утечки данных, ошибочного платежа, обязательства перед клиентом, которое никто не собирался брать. Один такой случай может стоить больше всего выигрыша.

→ «Где ставить контроль в работе AI-агента»

Задать критерии приёмки

Принимать работу, а не исполнителя

Раньше организация принимала исполнителя: критерии годного результата жили в его профессии и опыте. У агента нет ни того, ни другого, и замечание, которое эксперт держит в голове, ничего не масштабирует. Требования к годному результату нужно отделить от исполнителя — превратить в критерии приёмки и закрепить за владельцем. Тогда смена модели — это повторная приёмка по тем же требованиям, а не внедрение заново.

→ «Работа уходит к агентам. Как организация будет принимать их работу?»

Менять работу людей вместе с AI

Навыки меняются в том же ритме, что и AI-сценарии

Когда работа перераспределяется, типовое уходит AI, а человеку остаются проверка, исключения и решения. Учить этому обычно начинают после запуска и при этом продолжают учить тому, что уже делает AI. А часть навыков нужно сохранять намеренно: без практики человек перестаёт понимать, что именно он подтверждает, и подтверждение становится ритуалом.

Переобучение людей — часть AI-проекта, с его бюджетом и сроками, а не задача HR после запуска. А время, которое люди тратят на сохранение навыков, — часть цены контроля, и его учитывают в расчёте эффекта.

→ «Управление навыками в цикле AI-трансформации»

Что в работе

Методика внедрения: как спроектировать работу под AI до пилота — что передать AI, с каким уровнем автономии, под каким контролем и окупится ли это. Её основа — карта организации работы с AI: 20 вопросов, на которых спотыкается внедрение, и для каждого — типичная подмена, когда вопрос выглядит решённым, а ответа по существу нет.

Методика доходит до пилота: что он должен проверить и на каком объёме. До пилота эффект и частота ошибок — только оценки. Нужны сотни прогонов, чтобы получить измеренные цифры.

Методика проходит апробацию на реальных процессах. Если в вашей организации AI берёт на себя часть работы и вы готовы разобрать этот процесс целиком — от вопросов карты до решения о пилоте, — напишите.