Какие рабочие задачи нельзя полностью отдавать ИИ,
даже если он делает их быстрее

Возьмём простой отчёт.
Для опытного специалиста еженедельная сборка цифр может быть чистой рутиной. Он уже знает показатели, видит отклонения с первого взгляда и понимает, что искать.

Для начинающего аналитика тот же самый отчёт работает иначе.
Пока он собирает данные, он начинает замечать:

• какие показатели связаны между собой
• где цифры ведут себя странно
• какие отклонения повторяются
• что выглядит нормально, а что требует внимания
• какие вопросы нужно задать дальше

Явная функция операции: подготовить отчёт.
Скрытая функция: научить человека понимать бизнес через данные.

Если полностью убрать операцию слишком рано, компания получает красивый отчёт быстрее. Но специалист может так и не приобрести способность видеть за цифрами реальные процессы.

Мне здесь как раз нравится системный взгляд: у действия часто есть последствия, которые не видны в названии задачи. Я бы особенно осторожно относилась к задачам, которые формируют мышление специалиста.

Я бы особенно осторожно относилась к задачам, которые формируют мышление специалиста.

Представим начинающего руководителя проекта.
Проект сорвал срок. Можно собрать переписку, статусы, план проекта и написать ИИ:
«Проанализируй причины срыва и скажи, что нужно изменить».
Через минуту будет вполне приличный ответ.

Но если делать так каждый раз, руководитель получает выводы, минуя важный участок работы: самостоятельное исследование ситуации.
А ведь именно там развивается управленческое мышление.

Нужно самому восстановить цепочку событий, увидеть момент, когда ситуация начала ухудшаться, сравнить факты, отделить причину от следствия, проверить несколько гипотез.

После пяти таких разборов человек начинает замечать проблемы раньше.
После пяти готовых анализов от ИИ он может просто научиться хорошо загружать исходные данные.
Разница постепенно становится очень заметной.

ИИ удобно попросить: «Вот ситуация. Как лучше поступить?»
И получить пять разумных вариантов.
Для опытного специалиста это отличный способ расширить поле решений.

Для начинающего сотрудника постоянная привычка начинать с готовых вариантов может создать слабое место: он хуже учится самостоятельно генерировать гипотезы.

Поэтому я бы поменяла порядок.
Сначала спросите себя:
Какие варианты вижу я? Почему? Какие риски есть у каждого?
А затем подключайте ИИ.

Например:
«Я вижу три причины падения конверсии: изменилась аудитория, ухудшилась обработка заявок или выросла цена. Проверь мою логику и предложи другие гипотезы, которые я могла пропустить».

Вот здесь ИИ становится партнёром для мышления.

Очень удобно загрузить таблицу и попросить:
«Найди закономерности и дай основные выводы».
Для регулярной работы это может экономить огромное количество времени.

Но если человеку нужно научиться анализировать данные, полезно хотя бы часть работы оставлять ему.

Например:

1. Самостоятельно посмотреть показатели.
2. Выписать 3-5 наблюдений.
3. Сформулировать гипотезы.
4. Только потом попросить ИИ провести независимый анализ.
5. Сравнить результаты.

Интересно смотреть именно на расхождения.
Что заметил ИИ, чего не увидели вы?
Что увидели вы благодаря знанию контекста, но пропустила модель?
Какие выводы кажутся убедительными только на первый взгляд?
Так развивается аналитическое мышление.

Есть ещё один участок, который я бы не спешила отдавать ИИ целиком: формулирование сложной задачи.

Конечно, можно написать: «Составь ТЗ сотруднику на запуск рекламной кампании».
ИИ сделает аккуратную структуру.

Но сам процесс постановки задачи заставляет руководителя подумать:
Какой результат мне нужен?
Для кого?
Что обязательно должно быть сделано?
Какие ограничения есть?
По каким критериям я приму работу?

Если руководитель каждый раз передаёт эту интеллектуальную работу ИИ, его собственная способность ясно ставить задачи развивается медленнее.

Гораздо полезнее сначала набросать задачу самому, а потом попросить ИИ найти пробелы:
«Вот моя постановка задачи. Представь, что ты исполнитель. Что здесь неясно? Какие вопросы тебе придётся задать до начала работы?»
Очень хороший тренажёр.

Ретроспектива особенно важна для формирования опыта.
После сложного проекта команда может загрузить всю историю в ИИ и за пять минут получить:

• причины проблем
• список ошибок
• рекомендации
• план улучшений

Но есть ценность в том, чтобы сотрудники сначала сами ответили:
Что произошло?
Что мы ожидали?
В какой момент появились первые признаки проблемы?
Какие решения мы приняли?
Почему они казались правильными тогда?
Что мы сделаем иначе в следующий раз?

Человек учится, когда сравнивает собственную картину ситуации с реальностью и обнаруживает, где ошибся. ИИ здесь прекрасно подходит для второго этапа: проверить выводы, поспорить, предложить альтернативные объяснения.

Мне кажется, здесь хорошо видна разница между тремя сценариями.

Вариант 1. Сначала думает человек, потом подключается ИИ

Человек самостоятельно строит гипотезу: «Мне кажется, проект сорвался из-за позднего согласования требований и отсутствия промежуточных проверок».
После этого просит ИИ: «Проверь мою гипотезу по этим данным. Найди факты за и против. Какие другие причины возможны?»
Здесь мышление тренируется очень хорошо.


Вариант 2. Сначала ИИ предлагает варианты, человек анализирует

Запрос: «Предложи пять возможных причин, почему проект вышел за сроки».
Потом специалист проверяет каждую гипотезу по фактам, отбрасывает лишнее, ищет доказательства. Интеллектуальная работа сохраняется, хотя часть исследования уже сделал ИИ.
Такой формат вполне рабочий, особенно когда нужно быстро расширить поле вариантов.


Вариант 3. ИИ получает всю задачу целиком

«Проанализируй проект, найди причины провала и скажи, что делать».
Человек читает готовый ответ. Результат задачи получен очень быстро.
А вот тренировка навыка почти исчезла.
И именно этот эффект легко пропустить, потому что в моменте всё выглядит прекрасно: быстрее, аккуратнее, иногда даже умнее.

Я бы перед автоматизацией задавала один дополнительный вопрос:
Чему человек учится, пока выполняет эту работу?

Если ответ: «ничему, он просто механически переносит одинаковые данные из одного окна в другое», автоматизировать смело.

Если ответ: «он начинает понимать клиентов, замечать закономерности, учится принимать решения, оценивать риски или видеть причины проблем», стоит подумать.

Возможно, нужно автоматизировать только часть операции.
Например:

• ИИ собирает данные, человек делает выводы
• ИИ готовит черновик, человек формирует структуру
• ИИ ищет варианты, человек выбирает и обосновывает
• человек строит гипотезу, ИИ проверяет её
• ИИ выполняет рутинный расчёт, человек анализирует отклонения

Мне кажется, такой подход особенно важен сейчас, когда скорость внедрения ИИ сильно выше скорости, с которой компании успевают понять его последствия для развития людей.

Представьте двух молодых специалистов.
Первый за год самостоятельно разобрал несколько десятков сложных ситуаций. Ошибался, проверял гипотезы, сравнивал варианты, обсуждал выводы с руководителем.
Второй получал от ИИ хороший анализ каждой сложной ситуации и быстро действовал по рекомендациям.

Через год второй вполне может выглядеть более производительным по количеству выполненных задач. Но что произойдёт, когда появится ситуация, для которой нет хороших исходных данных? Когда контекст неполный? Когда ИИ предложит убедительную, но неверную версию?

Вот тогда становится видно, сформировалось ли собственное профессиональное мышление.
Для руководителя это отдельная управленческая задача.
Нужно решать не только, где ИИ позволит сократить трудозатраты, но и какую работу человеку пока полезно выполнять самому, чтобы стать сильнее.

Мы привыкли считать рутину врагом эффективности.
Если бухгалтер десять раз переносит одинаковые реквизиты между системами, никакой глубокой компетенции при этом, скорее всего, не формируется.

Но иногда повторение создаёт насмотренность.

• Менеджер, который сам разбирает обращения клиентов, начинает чувствовать типовые возражения.
• Аналитик, который регулярно смотрит показатели, замечает аномалии.
• Руководитель проектов, который сам разбирает срывы, начинает заранее видеть риски.
• Специалист по процессам, который разговаривает с сотрудниками и собирает процесс вручную, постепенно учится слышать противоречия между тем, «как должно быть», и тем, как люди реально работают.

Если задача уже стала для вас рутиной и вы хорошо понимаете, как оценить качество результата, смело ищите способы ускорить её с помощью ИИ.

Если через эту задачу вы осваиваете новый навык, оставляйте себе часть интеллектуальной работы. Сначала попробуйте, сформулируйте гипотезу, разберите данные и примите предварительное решение.

А потом подключите ИИ как второго аналитика, критика или оппонента.
Так вы получите оба эффекта: скорость технологии и собственный опыт.

И мне кажется, именно этот баланс станет одним из важных навыков ближайших лет.
Мы уже довольно хорошо учимся спрашивать: «Что можно отдать ИИ?»
Теперь пора добавить второй вопрос:
«Что мне пока не стоит ему отдавать, потому что именно здесь я учусь думать?»