ИИ экономит время. Почему работы становится больше?
Если ИИ экономит время, кому это время достаётся — и становится ли от скорости первой генерации продуктивнее вся цепочка работы?
Читатель научится отделять ускорение отдельной операции от продуктивности всего процесса: считать не минуты генерации, а полное время до готового результата, видеть работу, которая переносится на других людей, и проверять любой ИИ-сценарий пятью вопросами до запуска.
На что обратить внимание
Ключевые тезисы и выводы
На менеджерской встрече прозвучало, что с ИИ люди станут больше времени проводить с семьёй. Возражение было противоположным: работать станем дольше — не потому, что инструмент плох, а потому что освободившееся время быстро заполняется новыми ожиданиями. Спустя годы ведущая этот ответ не меняет.
Рукописный текст занимал пятнадцать минут, надиктованный — полторы. Логично было бы остановиться на прежнем объёме и забрать разницу себе. На практике объём растёт: раз за то же время можно произвести больше, столько и производится.
Калифорнийский университет в Беркли около года наблюдал за технологической компанией — сорок интервью, больше двухсот участников. Сотрудники действительно работали быстрее и параллельно брали всё больший объём, вели несколько процессов сразу и задерживались после работы, хотя никто этого не требовал.
Инструмент создаёт слой, в котором всегда есть что улучшить: можно погрузиться глубже, дополнить, перепроверить. Раньше границу ставила трудоёмкость — теперь её не ставит ничто, и решение остановиться приходится принимать самому.
Аналитические документы команды из пятнадцати человек сводятся за минуты. Дальше другой человек несколько часов разбирается, что в этой консолидации потерялось и почему факты не сходятся. Выигрыш на первом шаге и эффективность цепочки — разные величины, и вторая здесь может уйти в минус.
Исследователи описали новый слой работы вокруг генерации: коллективная проверка, перепроверка, экспериментирование, согласование, внедрение и последующий контроль. Он редко попадает в расчёт, потому что распределён между людьми, которые не запускали генерацию.
Инструмент наслаивается на существующие процессы. Если процесс не пересмотрен, ускорение мультиплицирует его вместе с ошибками и привычками, которые давно не приносят пользы. Первый вопрос — не «как добавить ИИ», а «нужен ли этот процесс вообще».
В выборке из семисот пятидесяти сотрудников и руководителей больше семидесяти процентов чувствуют личную готовность работать с ИИ, но готовыми свою организацию считают около двадцати семи процентов руководителей. О реальной бизнес-ценности сообщают тридцать два процента там, где процессы пересмотрели, — против шести процентов там, где не меняли ничего.
Starbucks через девять месяцев свернул проект компьютерного зрения для инвентаризации полок — система путала похожие позиции, и персонал сканировал заново. Commonwealth Bank of Australia отменил объявленное сокращение сорока пяти сотрудников контакт-центра после запуска голосового бота и извинился. Ford за три года вернул и нанял больше трёхсот пятидесяти опытных инженеров. Ни один из трёх не отказался от ИИ — все трое отказались от конкретного сценария.
«Стоп» после проверки означает, что гипотезу проверили и получили ответ. Проблема не в остановках, а в том, что их редко считают нормальным исходом эксперимента, — и поэтому неработающие сценарии живут дольше, чем следовало бы.
Какой конкретный результат для бизнеса или клиента станет лучше; какая старая работа исчезнет; сократилось ли полное время, а не только время первой выдачи; кто понимает результат, отвечает за него и решает, когда нажать «стоп»; куда пойдёт освободившееся время. Ни один из вопросов не требует данных, которых нет до внедрения.
О чём этот выпуск
Несколько лет назад на менеджерской встрече прозвучала гипотеза: почему люди не понимают, насколько выгоден ИИ, ведь с ним мы будем больше времени проводить с семьёй и заниматься тем, что по душе. Анна Волчек тогда возразила — с ИИ мы будем работать ещё дольше. Выпуск возвращается к этому ответу и проверяет его.
Механизм простой. Единица результата дешевеет: письмо, презентацию, документ или код можно получить в десятки раз быстрее. Но мы почти никогда не останавливаемся на прежнем объёме — мы начинаем производить больше. Технология сокращает одну активность, а система вокруг быстро заполняет освободившееся время новой задачей.
Исследователи Калифорнийского университета в Беркли около года наблюдали за технологической компанией: сорок интервью, больше двухсот участников. Сотрудники работали быстрее, но параллельно брали всё больший объём задач, запускали несколько процессов одновременно и оставались после работы — без всякого требования руководителя.
ИИ формирует рабочий слой, у которого нет естественной границы: всегда можно сделать лучше, погрузиться глубже, дополнить, перепроверить. Одновременно расширяются границы самой профессии — человек начинает выходить в смежные специализации, и работа не становится меньше, хотя каждая отдельная задача идёт быстрее.
Вторая линия разговора — сама продуктивность. Что ИИ повышает производительность, сомнений нет. Вопрос в другом: становится ли лучше вся работа и как эту продуктивность измерять. Скорость первой генерации и продуктивность процесса — не одно и то же.
Пример из практики: аналитические документы команды из пятнадцати человек сводятся за несколько минут. Потом другой человек несколько часов разбирается, что в этой консолидации потерялось и почему факты не бьются друг с другом. Мы считаем минуты генерации, но редко считаем часы на постановку задачи, проверку, согласование и повторный цикл.
Исследователи Стэнфорда, Нью-Йоркского университета и MIT описали новый слой труда, который создаёт генеративный ИИ: коллективная проверка, перепроверка, экспериментирование, согласование, внедрение. Этот слой чаще всего остаётся невидимым, а сэкономленное время одного человека превращается в работу для других.
ИИ никогда не ложится на пустое место — он наслаивается на текущие процессы. Если процессы не менять, ускорение просто мультиплицирует прежние ошибки и привычки, которые давно не приносили пользы. Прежде чем добавлять ИИ, стоит спросить, нужен ли сам процесс.
Этому мешает страх: не успеть, не автоматизировать, не показать достаточно ИИ. Во многих компаниях ИИ объявлен стратегическим приоритетом, и его внедряют везде, где возможно, не спрашивая, куда конвертируется освободившееся время и не порождается ли новая работа для других.
Свежее исследование McKinsey на выборке из семисот пятидесяти сотрудников и руководителей показывает разрыв: больше семидесяти процентов чувствуют личную готовность работать с ИИ, но только около двадцати семи процентов руководителей считают готовыми свою организацию и процессы. О реальной бизнес-ценности сообщают тридцать два процента там, где процессы пересмотрели и перестроили, — против шести процентов там, где не менялось ничего.
Три случая показывают, как выглядит осознанная остановка. Starbucks через девять месяцев свернул большой проект компьютерного зрения для инвентаризации полок: система путала похожие позиции, и сотрудникам приходилось сканировать заново. Commonwealth Bank of Australia запустил голосового бота, объявил о сокращении сорока пяти сотрудников контакт-центра, а затем отменил решение и извинился — нагрузка оказалась непосильной. Ford за три года вернул и нанял более трёхсот пятидесяти опытных инженеров: путь передачи их задач автоматизированным системам не дал нужного результата.
Ни один из этих случаев не про отказ от ИИ. Все три — про отказ от представления, будто само использование ИИ равно продуктивности, а человеческая экспертиза больше не нужна. Остановка сценария чаще всего означает не поражение, а проверенную гипотезу и движение дальше.
В финале — пять вопросов, которые стоит задавать до запуска: какой конкретный результат для бизнеса или клиента должен стать лучше; какая старая работа исчезнет; сократилось ли полное время, а не только время первой выдачи; кто понимает результат, отвечает за него и при каком исходе нажимает «стоп»; куда пойдёт освободившееся время.
Скорость не даёт права называть себя продуктивнее. Пока старая работа не исчезает, ускорение лишь умножает её — вместе с ошибками, которые в ней уже были.
Расшифровка выпуска
Голосовая связка применена к 37 сегментам: 37 определено, 0 содержат несколько определённых участников, 0 вероятных, 0 остаются без окончательной идентификации. Неподтверждённые голоса обозначены как «Участник дискуссии», фрагменты с несколькими подтверждёнными участниками — как «Микс».
Загрузка…