Внедрение ИИ в бизнесе:
какие навыки сейчас важны для специалистов
Последние годы мы много обсуждаем, какие рабочие задачи заберёт ИИ.
Написать текст? Уже умеет.
Собрать презентацию? Пожалуйста.
Проанализировать таблицу? За минуту.
Описать процесс, составить требования, предложить варианты оптимизации? Тоже может.
И я думаю, что здесь происходит более интересное изменение, чем просто «часть работы теперь выполняет нейросеть». Меняется само узкое место интеллектуальной работы.
Раньше много времени уходило на производство результата: собрать информацию, написать документ, оформить анализ, сделать презентацию. ИИ резко удешевил именно этот этап. Но работа ведь не заканчивается в момент, когда на экране появился готовый текст. Теперь всё больше времени и внимания будет требовать другое: правильно поставить задачу, проверить результат, заметить ошибку, согласовать решение и понять, что делать дальше.
И вот тут требования к специалисту становятся даже выше.
ИИ ускорил производство результата.
Но возникло новое узкое место
Представим, что раньше подготовка аналитической записки занимала восемь часов.
Пять часов специалист собирал материал, два часа анализировал, ещё час оформлял.
Теперь ИИ может за двадцать минут помочь собрать структуру, сгруппировать информацию и подготовить черновик. Кажется, производительность выросла почти фантастически.
Но дальше документ нужно прочитать, проверить факты, понять, какие выводы действительно следуют из данных. А еще увидеть, где ИИ додумал недостающий контекст, решить что делаем дальше и взять ответственность за решение.
Вот эти этапы никуда не исчезли.
Более того, чем быстрее ИИ производит варианты, тем больше их потенциально появляется перед человеком.
Поэтому я бы уже сейчас смещала внимание с вопроса «умеет ли специалист пользоваться ИИ?» на другой: «Умеет ли он оценивать то, что получил от ИИ?»
На мой взгляд, это намного важнее.
Пять часов специалист собирал материал, два часа анализировал, ещё час оформлял.
Теперь ИИ может за двадцать минут помочь собрать структуру, сгруппировать информацию и подготовить черновик. Кажется, производительность выросла почти фантастически.
Но дальше документ нужно прочитать, проверить факты, понять, какие выводы действительно следуют из данных. А еще увидеть, где ИИ додумал недостающий контекст, решить что делаем дальше и взять ответственность за решение.
Вот эти этапы никуда не исчезли.
Более того, чем быстрее ИИ производит варианты, тем больше их потенциально появляется перед человеком.
Поэтому я бы уже сейчас смещала внимание с вопроса «умеет ли специалист пользоваться ИИ?» на другой: «Умеет ли он оценивать то, что получил от ИИ?»
На мой взгляд, это намного важнее.
В чем сейчас самый важный навык специалиста?
Раньше ценность многих специалистов была сильно связана с их способностью производить конкретный результат.
Аналитик умеет сам собрать аналитику.
Методолог умеет написать регламент.
Маркетолог умеет подготовить контент.
Бизнес-аналитик умеет описать процесс и требования.
Юрист умеет составить документ.
Теперь значительная часть этой работы ускоряется, и структура компетентности постепенно меняется: меньше делать руками → больше понимать задачу → проверять → связывать с контекстом → принимать решение.
Чтобы увидеть плохой результат ИИ, нужно самому быть достаточно сильным специалистом.
Если человек не разбирается в теме, хороший и плохой ответ могут выглядеть для него одинаково убедительно.
Аналитик умеет сам собрать аналитику.
Методолог умеет написать регламент.
Маркетолог умеет подготовить контент.
Бизнес-аналитик умеет описать процесс и требования.
Юрист умеет составить документ.
Теперь значительная часть этой работы ускоряется, и структура компетентности постепенно меняется: меньше делать руками → больше понимать задачу → проверять → связывать с контекстом → принимать решение.
Чтобы увидеть плохой результат ИИ, нужно самому быть достаточно сильным специалистом.
Если человек не разбирается в теме, хороший и плохой ответ могут выглядеть для него одинаково убедительно.
Пример: работа бизнес-аналитика и применение ИИ
Возьмём бизнес-аналитика. Раньше он разговаривал с сотрудниками, собирал информацию, описывал процесс, формулировал требования, рисовал схемы.
Сегодня часть этой работы вполне можно ускорить. Дать ИИ транскрипты интервью и попросить собрать описание процесса, выделить участников и этапы, предложить список проблем, набросать требования к автоматизации. Очень удобно.
Но после этого у сильного бизнес-аналитика начинается самая важная работа.
Правильно ли ИИ вообще понял процесс?
Допустим, три сотрудника рассказали о работе немного по-разному. ИИ собрал из их рассказов одну стройную схему. Только в реальности каждый сотрудник работает по-своему, и это важнейшая проблема процесса. ИИ сгладил противоречие, а его наоборот, нужно было заметить и разложить на причины - почему сотрудники так делают. Там внутри может оказаться целый пласт информации для разбора дальше.
Сегодня часть этой работы вполне можно ускорить. Дать ИИ транскрипты интервью и попросить собрать описание процесса, выделить участников и этапы, предложить список проблем, набросать требования к автоматизации. Очень удобно.
Но после этого у сильного бизнес-аналитика начинается самая важная работа.
Правильно ли ИИ вообще понял процесс?
Допустим, три сотрудника рассказали о работе немного по-разному. ИИ собрал из их рассказов одну стройную схему. Только в реальности каждый сотрудник работает по-своему, и это важнейшая проблема процесса. ИИ сгладил противоречие, а его наоборот, нужно было заметить и разложить на причины - почему сотрудники так делают. Там внутри может оказаться целый пласт информации для разбора дальше.
ИИ любит заполнять пустоты и специалист должен их видеть
В бизнес-анализе постоянно не хватает информации.
Сотрудник рассказал основной сценарий, но забыл исключение. Руководитель описал процесс таким, каким считает его правильным. Исполнитель рассказал, как он работает на самом деле.
В документах третий вариант.
ИИ получает эти данные и пытается построить связную картину. И тогда предположение может выглядеть как факт. Например, модель пишет:
«После согласования заказа менеджер передаёт заявку в производство».
А аналитик должен спросить:
Кто именно согласует?
Где фиксируется согласование?
Всегда ли оно вообще происходит?
Что происходит со срочными заказами?
Может ли менеджер передать заказ без согласования?
Кто проверяет комплектность данных?
Что происходит, если производство возвращает заявку?
Вот эти вопросы и создают качество анализа.
Сама схема процесса постепенно становится дешёвым результатом.
Способность увидеть, чего в этой схеме не хватает, - вот что реально ценится.
Сотрудник рассказал основной сценарий, но забыл исключение. Руководитель описал процесс таким, каким считает его правильным. Исполнитель рассказал, как он работает на самом деле.
В документах третий вариант.
ИИ получает эти данные и пытается построить связную картину. И тогда предположение может выглядеть как факт. Например, модель пишет:
«После согласования заказа менеджер передаёт заявку в производство».
А аналитик должен спросить:
Кто именно согласует?
Где фиксируется согласование?
Всегда ли оно вообще происходит?
Что происходит со срочными заказами?
Может ли менеджер передать заказ без согласования?
Кто проверяет комплектность данных?
Что происходит, если производство возвращает заявку?
Вот эти вопросы и создают качество анализа.
Сама схема процесса постепенно становится дешёвым результатом.
Способность увидеть, чего в этой схеме не хватает, - вот что реально ценится.
ИИ хорошо анализирует то, что мы ему показали
Есть ещё одно ограничение, о котором полезно помнить.
ИИ работает с тем контекстом, который получил, но реальная система всегда шире.
Допустим, мы хотим изменить процесс согласования заявок. Загрузили текущий процесс в ИИ и попросили предложить оптимизацию. ИИ предлагает убрать одно согласование.
Логично, это один из методов оптимизации.
Но это согласование могло одновременно выполнять другую функцию: например, руководитель именно на этом этапе проверяет маржинальность заказа.
Если уберем этот шаг - мы действительно ускорим процесс. Но через месяц получим несколько убыточных заказов.
Здесь как раз требуется системное мышление.
Нужно видеть не отдельный процесс в изоляции, а связи:
ИИ работает с тем контекстом, который получил, но реальная система всегда шире.
Допустим, мы хотим изменить процесс согласования заявок. Загрузили текущий процесс в ИИ и попросили предложить оптимизацию. ИИ предлагает убрать одно согласование.
Логично, это один из методов оптимизации.
Но это согласование могло одновременно выполнять другую функцию: например, руководитель именно на этом этапе проверяет маржинальность заказа.
Если уберем этот шаг - мы действительно ускорим процесс. Но через месяц получим несколько убыточных заказов.
Здесь как раз требуется системное мышление.
Нужно видеть не отдельный процесс в изоляции, а связи:
- что изменится в финансах
- как решение повлияет на клиента
- не появится ли риск в соседнем процессе
- кто раньше получал информацию на этом шаге
- какую скрытую функцию выполняло действие
Ошибки будут происходить быстрее
Есть ещё одна сторона ускорения.
Если человек делает работу вручную, ошибка распространяется с обычной человеческой скоростью.
Если ошибочное предположение попало в запрос ИИ, он способен очень быстро построить вокруг него большую красивую конструкцию, написать десятки документов.
И через час у нас уже целая система документов, основанная на неверной исходной гипотезе.
Поэтому чем быстрее производство результата, тем важнее проверять исходную постановку задачи. А мы вообще решаем ту проблему?
Мне кажется, этот вопрос сейчас становится значительно дороже самого умения быстро подготовить документ.
Если человек делает работу вручную, ошибка распространяется с обычной человеческой скоростью.
Если ошибочное предположение попало в запрос ИИ, он способен очень быстро построить вокруг него большую красивую конструкцию, написать десятки документов.
И через час у нас уже целая система документов, основанная на неверной исходной гипотезе.
Поэтому чем быстрее производство результата, тем важнее проверять исходную постановку задачи. А мы вообще решаем ту проблему?
Мне кажется, этот вопрос сейчас становится значительно дороже самого умения быстро подготовить документ.
Системное мышление становится важнее
Иногда можно услышать мысль: если ИИ умеет анализировать, человеку уже не так важно самому хорошо анализировать.
А я вижу обратную тенденцию.
Когда результат производился долго и дорого, человек хотя бы неизбежно погружался в материал.
Теперь можно получить очень убедительный ответ, почти не разобравшись в вопросе.
Я бы развивала то, что понадобится при любом инструменте: системное мышление, критический анализ, постановку задач и способность принимать решения в условиях неполной информации.
Попробуйте на следующей задаче с ИИ немного изменить привычный порядок.
После получения результата не спешите сразу его использовать.
Задайте себе пять вопросов:
Последний вопрос мне особенно нравится.
ИИ может подготовить документ, анализ, схему процесса и список рекомендаций.
Ответственность за то, насколько всё это соответствует реальности, всё равно остаётся у нас.
И чем быстрее технология будет делать первую часть работы, тем ценнее станет способность человека хорошо делать вторую.
А я вижу обратную тенденцию.
Когда результат производился долго и дорого, человек хотя бы неизбежно погружался в материал.
Теперь можно получить очень убедительный ответ, почти не разобравшись в вопросе.
Я бы развивала то, что понадобится при любом инструменте: системное мышление, критический анализ, постановку задач и способность принимать решения в условиях неполной информации.
Попробуйте на следующей задаче с ИИ немного изменить привычный порядок.
После получения результата не спешите сразу его использовать.
Задайте себе пять вопросов:
- На каких данных основан этот вывод?
- Какие предположения здесь появились?
- Какого важного контекста ИИ мог не знать?
- Как решение повлияет на другие участки работы?
- Готов ли я сам отвечать за этот вывод перед руководителем, клиентом или командой?
Последний вопрос мне особенно нравится.
ИИ может подготовить документ, анализ, схему процесса и список рекомендаций.
Ответственность за то, насколько всё это соответствует реальности, всё равно остаётся у нас.
И чем быстрее технология будет делать первую часть работы, тем ценнее станет способность человека хорошо делать вторую.
Другие статьи по теме
Как повысить производительность сотрудников
Как найти узкие места, которые снижают производительность и мешают росту бизнеса
Почему KPI и тренинги не работают
Почему тренинги и kpi не делают сотрудников более продуктивными? Разбираемся в статье.
Продуктивность команды | Способы увеличить продуктивность и результативность сотрудников
Факторы, которые влияют на продуктивность и результативность сотрудников. Комплексное исследование.
Как описать обязанности сотрудников: пошаговая инструкция
Как описать обязанности сотрудников и распределить ответственность: собрать реальные задачи, разделить роли, определить результат, полномочия и взаимодействие. Пошаговая инструкция.
Аудит бизнес-процессов и оргструктуры
Операционная диагностика бизнеса, которая покажет:
♻️ Какие обязанности можно перераспределить, чтобы оптимизировать штат
♻️ Где в рабочих процессах сотрудники "сжигают" деньги и время
Если хотите обсудить ваши задачи - напишите мне
Мои контакты вы найдете по кнопке ниже.
Опишите коротко, в чем сейчас проблемы или какие задачи хотите решить. Можно голосовым сообщением (так даже лучше).
Обсудим в сообщениях или на коротком созвоне, и я предложу дальнейшие варианты действий.