Всем привет! Сегодня мы продолжаем нашу тему, продолжаем разговор про AI, разговор о человеке, о работе, куда все это движется вместе с AI. И я хочу поделиться одной историей. Пару лет назад на одной менеджерской встрече, на своей работе, где я была участником, прозвучала одна гипотеза. Гипотезу я очень хорошо запомнила, и она звучала приблизительно так: почему люди не понимают, насколько выгодно использование AI? Ведь с AI мы будем больше времени проводить с семьями, со своими друзьями, заниматься больше тем, что нам по душе.
И я фактически дословно помню свой ответ, поскольку я тогда возразила и предположила, что с AI мы все работать будем еще дольше. И AI точно автоматически не станет тем инструментом, благодаря которому мы больше времени начнем находиться там, где мы хотим быть. Моя мысль, она заключалась не в том, что AI станет настолько неотъемлемым в то время инструментом нашей работы, а больше я имела в виду, что освободившееся время очень быстро заполнится новыми требованиями, новыми ожиданиями. И, по сути, я не хочу утверждать, я не говорю о том, что каждый человек станет работать дольше с AI.
Я скорее хочу подсветить такой момент, что система, в которой мы находимся, очень часто по умолчанию так и работает. Если за час можно сделать больше, то от нас начинают ждать больше. И сегодня хочу с вами про это поговорить.
Если AI экономит время, кому это сэкономленное время достанется? И вообще, делает ли AI человека свободнее в каком-то месте? А может быть, решение за эту свободу вообще лежит совершенно в другом контуре и никаким образом не зависит от технологий? Сэкономленное время и куда же оно тогда у нас направляется? Очень часто можно услышать ответ, вообще в целом, ведь когда мы говорим про AI, мы говорим про сэкономленное время, а с другой стороны, мы говорим про то, что мы становимся производительней.
То есть если мы очень быстро произвели какое-то письмо или, там, написали код, сделали презентацию, означает ли это, что мы стали продуктивнее, что мы стали производительней? Стала ли эффективнее вся цепочка работы после нас? Итак, время, свобода и сэкономленное время, как оно конвертируется в производительность и продуктивность. Давайте вначале пойдем в первой линии. AI экономит время. Что происходит с этим временем? Единица результата, которую мы генерируем, она становится дешевле. Почему она становится дешевле? Потому что она становится очень часто в разы, в десятки раз быстрее.
Но, как я уже выше сказала, мы очень редко останавливаемся на каком-то прежнем количестве. Мы просто начинаем производить больше, мы начинаем производить быстрее. Раньше от руки мы писали текст рукописный пятнадцать минут, теперь мы можем его наговорить за полторы минуты, и, соответственно, мы просто за пять минут наговариваем намного больше текста, чем раньше могли бы написать. С AI, собственно, генерация большинства документов, она становится просто мгновенным, и освободившееся время, заметьте, очень часто загружается новой задачей.
То есть технология, она одну активность сокращает с точки зрения времени, но система вокруг в нее это освободившееся время быстро очень заполняет. Наткнулась на довольно интересное исследование Калифорнийского университета Беркли касательно именно данного вопроса. Исследователи долгое время, там, порядка года или восемь месяцев наблюдали за одной из компаний, технологических
компаний и тем, как, куда уходило вот это сэкономленное время у сотрудников. Провели они порядка сорока интервью. В исследовании участвовало больше двухсот человек внутри этой компании. И что подчеркнули? Исследователи обнаружили такую противоположную сторону ускорения. То есть сотрудники, они работали быстрее, но параллельно с этим они брали все больший и больший объем задач. Они запускали параллельно разное количество каких-то параллельных процессов и очень часто оставались после работы даже без какого-то требования руководителя.
По сути, AI формирует вот этот рабочий слой, знаете, когда можно сделать еще лучше, когда можно погрузиться еще глубже, когда можно что-то дополнить, перепроверить. И мне кажется, это хорошо перекликается и связывается, как мы с вами в прошлый раз говорили о расширении зоны границ профессии, да? То есть ведь мы, с одной стороны, делаем все больше и больше задач, с другой стороны, мы начинаем выходить в зоны других профессий, каких-то смежных, возможно, специализаций. То есть тут такой целый комплекс и про расширение, и про изменение работы под влиянием искусственного интеллекта.
Возможно, это и правда совершенно ничего не доказывает, но механизм очень понятен. То, что вот это наше освобожденное время, оно очень сразу, оно быстро заполняется новыми ожиданиями. За последние несколько недель, кстати, по этому поводу достаточно однозначно делились своим мнением и Сэм Альтман, глава OpenAI, и Эндрю Босворт, технический директор Meta.
Я работаю сама в сфере управления персоналом уже более двадцати лет и вижу это на себе. Я все больше и больше нахожу какие-то кросс-функциональные связи со смежными функциями. Моя работа, можно сказать, все Такой приобретает все больший диапазон, поскольку я могу создавать все больше кросс-функциональных переплетений с помощью и с содействием AI. Параллельно с этим я сильно ускоряюсь в других задачах, но моя работа не становится меньше, не становится в глобальном смысле быстрее. При всем при том, что в, как я уже сказала, в большом количестве задач я очень серьезно, глубоко использую искусственный интеллект.
Вообще я думаю, что работать меньше — это сильно другой контур, и точно за нас технология не примет этого решения, поскольку это решение, оно лежит на людях, оно лежит на личном понимании отношения человека к тому, что он генерит, к труду, к своей профессии. Это решение лежит на социуме, это решение лежит на бизнесах. То есть вообще отдельно большой, очень сильно вопрос позволяет ли нам вообще остановиться вот эта конкуренция на рынке, устройство компании, наши собственные какие-то ожидания. И если опираться на мнение людей, которые на сегодняшний день стоят во главе технологических компаний, то, по всей видимости, все-таки мы все еще больше каждый день вступаем и поддерживаем новую гонку, да, и просто поднимаемся на новый какой-то слой.
Теперь дальше. Если мы предположили и допустили, что все-таки вот это сэкономленное время благодаря AI не делает нас свободнее, по крайней мере, не технология это определяет, куда же это время конвертируется, куда оно складывается в результате? И здесь возникает логичное предположение, что AI повышает нашу продуктивность, что он делает нас производительнее, что мы начинаем это сэкономленное время заполнять новым продуктом, который мы создаем просто за, там, единицу времени, условно говоря, в энное количество раз больше.
И это так. Собственно, было бы, конечно же, полной ошибкой говорить о том, что AI не повышает производительность, он повышает. По этому поводу очень много на сегодняшний день я думаю, у каждого личных примеров. Есть масса интересных исследований, доказательств. Но вопрос тут я хочу подсветить немножко другую сторону. AI повышает нашу производительность, но становится ли лучше вся работа? И как оценить и измерить эту производительность? Как оценить и измерить эту продуктивность? Вот эта скорость первой генерации, означает ли она продуктивность всего процесса?
Это сэкономленное время всегда конвертируется вот в этот продуктивный и эффективный процесс. Например, я за несколько минут свожу, предположим, какие-то аналитические документы своей команды, десяти, пятнадцати человек. Потом другой человек пытается несколько часов понять, что в этой консолидации потерялось, какая в этом была логика, почему какие-то факты, например, или какие-то гипотезы не бьют одна с другой. Где именно тут возникает эффективность: в том, что я быстро свела, или в том, как долго этот другой, третий человек пытается разобраться в этой сведенной информации? Я очень часто с этим сталкиваюсь на сегодняшний день на работе и в последнее время достаточно нередко слышу от своей команды принятого решения, что лучше я это сделаю вручную, будет быстрее. Или изначально ставится запрос, который требует определенные параметры результата на выходе, потому что мы все чаще и чаще встречаемся с ситуацией, что вот это некачественный выход какого-то сгенерированного документа AI, он экспоненциально повышает нашу работу дальше.
И вот это наше сэкономленное время, оно очень быстро заполняется трудом других людей. То есть мы, как правило, считаем минуты генерации, но мы ведь не так часто считаем часы на постановку задачи. Мы не так часто считаем, как много времени другой человек тратит на то, чтобы проверить и поработать с тем результатом, который мы ему принесли. Мы не считаем время на дальнейшее согласование, внедрение и также на повторный вот этот цикл, который очень часто необходим, заново пропустить определенный результат через те либо иные, например, модели. Исследователи Стэнфордского университета совместно с Нью-Йоркским университетом и Массачусетским университетом MIT описали вообще в целом даже новый слой труда, который формируется благодаря
генеративному искусственному интеллекту. То есть они говорят о том, что на сегодняшний день формируется прямо новый слой такой труда, который включает в себя коллективную проверку, перепроверку, экспериментирование, согласование, внедрение, последующее какое-то продвижение изменений, последующую проверку. То есть получается, что AI, он не просто как-то быстро решает какой-то вопрос, он, по сути, создает вокруг себя новую работу, которая очень часто остается невидимой. И обратите внимание, как часто наше, ваше, нами вот это сэкономленное время действительно формирует просто новую работу для других людей, которую эти люди тратят на понимание, исправление и последствия. Кстати, интересно, поделитесь, пожалуйста, напишите в комментариях, с использованием искусственного интеллекта вы лично стали работать больше,
стали выполнять другие задачи. Как поменялась ваша конкретно работа, и куда идет ваше сэкономленное время? Здесь есть еще второй уровень. Продуктивен ли AI и готова ли в отношении именно продуктивности AI, продуктивен ли AI при сравнении готовности или неготовности к изменению процессов внутри самой компании, внутри самого бизнеса или внутри какого-то любого другого процесса. AI всегда наслаивается не на пустое место, он наслаивается на текущие процессы. Если мы не меняем процессы, то, собственно, мы получим такой мультиплицируем фактически те ошибки или мультиплицируем какие-то исторические традиции, которые, возможно, уже были неэффективны и не приносили нужной пользы. Не раз на канале у Александра вот несколько прямо было видео про связку AI и автоматизации реальных бизнес-процессов.
Суть, где ключевая суть в том, что прежде чем добавлять AI, давайте посмотрим, а нужен ли сам процесс. И давайте не будем и автоматизировать, либо добавлять искусственный интеллект к тем процессам, которые уже давно не нужны, которые неэффективны и от которых в первую очередь стоит отказаться. Тут, конечно, знаете, я наблюдаю с разных сторон на сегодняшний день прямо такой суперстрах, который подпитан таким информационным вокруг пространством. Вот этот страх не успеть, страх что-то не автоматизировать, страх не использовать AI в одном, другом, третьем процессе.
Страх даже словно не показать достаточно AI. То есть во многих компаниях сегодня AI объявляют таким стратегическим приоритетом, и все бросаются использовать AI везде, где возможно, не думая о том, куда затем конвертируется сэкономленное время. Порождается ли этим какая-то новая работа для других людей? И действительно ли это использование в этом моменте приносит ту продуктивность, которую, и эффективность, за которой все сейчас гонятся, о которой все хотят говорить. Интересное вот подтверждение, кстати, наверное, этих мыслей масса на самом деле исследований, но также я познакомилась со свежим исследованием международной управленческой консалтинговой компании McKinsey.
Ребята опубликовали исследование семисот пятидесяти сотрудников и руководителей, которые используют AI. Интересно, что более семидесяти процентов чувствовали прямо личную готовность работать с AI, но только порядка двадцати семи процентов руководителей считали готовым к изменениям свою организацию и процессы. А среди компаний, которые внедрили AI, тридцать два процента руководителей сообщали о бизнес-ценности там, где рабочие процессы были проревьюваны и перестроены против шести процентов там, где никаких изменений не было. То есть, по сути, о чем говорят, о чем говорит эти исследования, они подтверждают такую достаточно здравую логику, что ключевая задача не в использовании AI, а ключевая задача понимать, где использование AI приносит реальную бизнес-ценность и какая бизнес-ценность сегодня нужна компании.
Сейчас появляется все больше реальных случаев, когда компании не отказываются от AI вообще, но они останавливают какой-то конкретный инструмент, какое-то решение. Я хочу привести три примера, которые, мне кажется, с разных сторон подсвечивают вот эту стадию остановки.
Это Starbucks, в первую очередь международная сеть кофеен. Пару месяцев назад они остановили очень большой проект, в котором использовали компьютерное зрение для определения на полках различной продукции, в частности, там молоко, сиропы и проведение такой инвентаризации и выполнение разных других задач с помощью технологий. В результате все это приводило к тому, что сотрудникам приходилось бесконечно сканировать заново, перепроверять результат. И поскольку инструмент путал какие-то похожие позиции, неверно считывал товар и прочее. Еще раз, я не говорю про то, что Starbucks отказался от каких-то AI планов.
Мы говорим про остановку конкретного сценария, потому что после девятимесячного использования компания понимала, что дальше двигаться неэффективно. Интересный пример с также с одним из крупнейших банков Австралии, Commonwealth банков Австралии. В банке был запущен голосовой AI бот, и после того, как он был запущен, собственно, банк объявил о сокращении сорока пяти сотрудников контакт-центра, но затем достаточно быстро отменил это решение, извинился перед сотрудниками, потому что признал, что, по сути, ряд бизнес-факторов было не учтено при запуске этого бота, и в результате нагрузка на контакт-центр оказалась такой, что организация просто не могла с ней справиться.
Третий пример Ford, американский автопроизводитель. Пример очень показательный. Он говорит о том, что за последние три года компания вернула и наняла на работу более трехста пятидесяти опытных инженеров, которые проявляют и находят различные гэпы в автоматизации, которые обучают молодых инженеров, передают им знания. Поскольку вот этот выбранный автопроизводителем путь, где эти задачи были переданы различным автоматизированным системам, не сработал, и того результата, который они видят с возвращением человеческой экспертизы, они тоже не смогли достигнуть. Смотрите, таких примеров наверняка очень много, и эти не являются какими-то, может быть, там супер особенными.
Они мне кажутся показательными, потому что показывают с разных сторон, как компании могут остановить конкретный инструмент, допустим, в случае Starbucks, или отменить какое-то преждевременное кадровое решение с увольнением людей. Мы достаточно много сейчас про это слышим, видим, читаем. Либо вообще такой сознательное возвращение в процесс человеческой экспертизы, если мы говорим про Ford. И это не про отказ от ИИ, это про отказ от представления, что само использование ИИ всегда равно продуктивности, что человеческая экспертиза не нужна.
И это также интересный очень момент подсвечивает всем, всем нам, что отказ от какого-то сценария и если и скажем, слова "стоп, ИИ" не означают поражение, очень часто они означают проверку определенной гипотезы, проверку экспериментом и, наоборот, движение вперед. Поскольку и правда, нас никто не учил обходиться, никто не учил нас с детства работать в такой среде. И мы очень много сейчас говорим о том, что нужно написать хороший промпт, нужно обязательно осознанно относиться к результату, нужно контролировать агентов, нужно не давать искусственному интеллекту право принимать решения, за которые отвечает человек. Но у очень многих этих вещей настолько тонкие грани, это настолько бесконечная балансировка.
И где же этому системно учат? Тут вопрос ведь даже не про университет. Вот, в частности, в прошлый раз я делилась тем, как даже на специализированных курсах в технологических университетах может вообще отсутствовать на сегодняшний день ИИ-трек. Тут про то, что, по сути, мы говорим о требованиях, о новых качествах мышления, о новых компетенциях, которые должны формироваться, которые наверняка вообще наслаиваются с детства, там, через родителей, через детский сад, через школу, через университет. Это требуется совершенно иная методология даже формирования, возможно, этих компетенций.
Но что же делать сегодня? Мы все это понимаем но тем не менее мы с вами здесь и сейчас, сегодня.
И работает или не работает ИИ, продуктивен он или не продуктивен, нам нужно тоже принимать сегодня эти решения. Я хочу предложить задавать вопросы. Для того чтобы решить эту проблему и ответить на этот вопрос, как проверить быстро я предлагаю пользоваться очень простыми вопросами. Я для себя определила пять вопросов. Наверняка их можно определить сильно больше. Возможно, этот контур можно как-то и сузить, но если от нашего результата зависит работа целого процесса и других людей, очень важно этот шаг всегда принимать осознанно и понимать, для чего и с какой целью мы что-то исследуем и запускаем.
Итак, вопрос первый: какой конкретный результат для бизнеса или для клиента должен стать лучше? Что именно изменится? Вот изменится скорость, изменится качество, изменится, возможно, безопасность какого-то процесса. Давайте четко всегда определять, что именно мы получим, какой результат. Вопрос второй: какая старая работа исчезнет? Вот если мы говорили сегодня о том, что в целом использование генеративного ИИ, по сути, формирует новый слой работы, определенный слой мыслительных операций, которых раньше в таком объеме не было. Но как минимум, мы должны понимать, а что же ИИ заменит.
Если прежние какие-то документы, процессы, они полностью остаются, то мы просто, скорее всего, добавляем еще один слой к еще одному добавленному слою. Такая, знаете, бесконечная лестница у нас получается. Третий вопрос: сократилось ли полное время? Время не только вот этой первой выдачи, не только первой генерации, а время после. Время на то, что мы делаем с этим документом, насколько как долго мы его проверяем как долго мы его, возможно, исправляем, как долго нам необходимо его согласовывать, понимая, что первичная генерация былаяя сделана искусственным интеллектом. То есть давайте смотреть и оценивать полное время.
Четвертый вопрос:, кто понимает результат, кто за него отвечает и при каком результате мы нажимаем вот эту кнопку "стоп"? Как в наших сегодняшних примерах, которые мы с вами обсуждали, у любого процесса есть ответственный и у любого процесса есть человек, кто отвечает как результат. Но таким же результатом является и грамотная, своевременная остановка этого процесса. Говорили уже о том, что очень часто это не поражение, это, наоборот, движение дальше. Мы проверили гипотезу, мы проверили эксперимент. Не получилось — отлично, не используем. И это уже хорошо.
И пятый вопрос. Это вопрос, с которого мы начали. Куда пойдет освобожденное время? Вот мы уменьшим нагрузку людей. Мы, возможно, будем работать, выполнять задачи меньшим количеством. Мы будем производить больше единиц продукта. Мы… Пойдем отдыхать, мы возьмем на себя новые задачи. То есть так или иначе, но вот это сэкономленное время куда-то конвертируется. И об этом очень важно помнить, поскольку сейчас очень часто также наблюдаю такой тренд, что мы делаем какую-то задачу быстрее, но просто остальные задачи, если они не наполняются, о чем мы говорили, да, вот как-то мощности освобожденные очень быстро заполняются, то тогда, может быть, старые задачи, они просто раздуваются, и мы на самом деле находимся в такой в иллюзии эффективности. Давайте задавать эти вопросы каждый раз. И, возможно, этих вопросов намного больше.
Есть вопросы которые позволят вот зрить в корень и найти ответы быстрее. Но я верю, что это такой правильный тренд и правильное течение для того, чтобы не обманывать самих себя, не обманывать то место, где мы находимся. По сути, я точно не меняю на сегодняшний день своего ответа и своего предположения, которое обозначила
несколько лет назад. Я и правда не считаю, что ИИ делает нас свободным и работать меньше — это уж точно другой контур. И это то, что решает человек, это то, что решает руководитель, это решает система, в которой мы работаем. С другой стороны, вот мне кажется, что нам удалось сегодня показать, что скорость не дает какого-то права автоматически называть себя продуктивней. Скорость не дает какого-то права автоматически определять эту бизнес-ценность. Если старая работа не исчезает, возможно, мы просто делаем больше старой работы и умножаем бесконечно какие-то ошибки или неточности, которые там были. ИИ не надо бояться, но и торопиться вот с суперпродуктивностью зачастую тоже не стоит.
Давайте задавать вопросы.