Питер Друкер говорил, что нет ничего бесполезнее, чем эффективно делать то, чего вообще не следовало делать. Он умер в 2005 году, задолго до появления чат-ботов, но к нынешнему корпоративному увлечению искусственным интеллектом его слова подходят как нельзя лучше. Обычно все происходит так: компания выбирает платформу, обучает сотрудников и ждет роста производительности. При этом решает техническую задачу, хотя на самом деле ей нужно переосмыслить собственную работу.
Масштаб проблемы виден в докладе The Conference Board, опубликованном 20 октября 2026 года. Аналитики опросили 775 руководителей из Северной Америки, Европы и Азии и провели 20 глубинных интервью. По данным опроса, 64% организаций уже используют искусственный интеллект в нескольких направлениях или встроили его в повседневную работу. Однако 37% респондентов признают, что ответственность за связанные с ним решения распределена непоследовательно или не определена вовсе. Технологию уже внедрили, а организацию под нее так и не перестроили.
Автоматизированный ритуал
Однажды руководители крупной промышленной компании с гордостью рассказали мне, что искусственный интеллект сократил подготовку ежемесячного операционного обзора с трех недель до трех дней. Я спросил, какие решения были приняты по итогам этих обзоров за последний год. В переговорной повисла тишина. Презентацию теперь собирали быстрее, но слайды в ней остались прежними, обсуждали ее на том же совещании те же люди, и никаких действий за ней по-прежнему не следовало. Компания не придумала ничего нового, она просто ускорила ритуал.
Эту ловушку давно описали. В 1987 году Роберт Солоу заметил, что компьютерную эпоху видно повсюду, кроме статистики производительности. В 1990 году Майкл Хаммер (Michael Hammer) опубликовал в Harvard Business Review статью «Реинжиниринг работы: не автоматизируйте, а уничтожайте». Он писал, что компании используют компьютеры для ускорения устаревших процессов вместо того, чтобы от этих процессов отказаться. С генеративными моделями повторяется та же ошибка. Скорость сама по себе стратегией не является.
Полировка вместо мышления
Чаще всего искусственный интеллект делает работу не умнее, а глаже. Решения принимаются так же медленно и с тем же качеством анализа, но документы становятся аккуратнее, а конкретных обязательств в них все меньше.
Раньше шероховатость текста была полезным сигналом. Если черновик не складывался, значит, автор еще не додумал мысль, а неуклюжий абзац показывал, где именно он застрял. Полировка убирает этот сигнал, но проблему не решает. Текст шлифуют ради удобства читателя, а не ради истины. После каждой правки он звучит увереннее, хотя описанная в нем ситуация остается такой же неясной. В результате самая гладкая версия часто оказывается самой нечестной: из нее вычищены все следы того, чего автор не знал.
Это не только субъективное впечатление. В эксперименте Boston Consulting Group и ученых из Гарварда, MIT и Уортона, в котором участвовали 758 консультантов, у тех, кто решал творческую задачу с GPT-4, разнообразие идей оказалось на 41% ниже, чем у тех, кто работал без нейросети. Ручная правка ответов модели разнообразия не прибавила. Каждая отдельная работа получилась лучше, но вместе они вышли однообразными. Иными словами, улучшение каждого отдельного результата не обязательно улучшает результат команды. Оригинальная мысль, которая не вписывается в привычную схему, при сглаживании исчезает первой.
Откуда берется понимание
Документ состоит из данных и аргументов, а смысл рождается из опыта. Это знание о том, на что похожа ситуация, чем закончились два похожих случая, что клиент сказал на встрече, о которой никто не вспомнил, и какой цифре в отчете все втайне не доверяют. Ничего этого в файле нет, и следующая правка туда этого не добавит. Полировка работает только с тем, что уже написано, поэтому создает видимость прогресса, ничего не меняя по существу.
Профессиональное суждение формируется не только тогда, когда человек анализирует готовую информацию. Оно возникает в процессе самой работы: когда приходится разбираться в противоречиях, проверять предположения, искать объяснения, ошибаться и отвечать за выводы. Человек учится понимать задачу не только благодаря полученному результату, но и благодаря усилиям, которые потребовались для его получения.
Кроме того, у полировки всегда есть следующий шаг, а у осмысления его нет. Пока команда не понимает, что происходит, шлифовка формулировок кажется движением вперед: текст ведь всегда можно немного улучшить. В масштабах организации это прокрастинация, которая выглядит как усердие.
Хао-Пин Ли и его коллеги из Microsoft Research и Университета Карнеги — Меллона опросили 319 работников умственного труда и собрали 936 реальных примеров использования искусственного интеллекта. Чем больше человек доверял инструменту, тем меньше он задействовал критическое мышление. При этом само критическое мышление смещалось к проверке фактов, сборке ответов и управлению задачами. Это полезные навыки, но они не заменяют способности понять, что означает ситуация и какое решение из нее следует.
Особенно заметны последствия для новичков. Первыми автоматизируют рутинные задачи, а именно на них младшие сотрудники учились принимать решения. Разбирая документы, собирая данные и готовя первые версии отчетов, они не просто выполняли поручения, а постепенно осваивали профессию: учились замечать несоответствия, отличать важное от второстепенного и понимать, почему одно решение работает, а другое нет. Если эту работу сразу передать машине, компания сэкономит на текущих задачах, но лишит сотрудников части опыта, из которого вырастают будущие руководители. Вопрос не только в том, кто будет выполнять работу сегодня, но и в том, кто сможет принимать решения завтра.
Невидимая отдача
Ценность осмысления почти невозможно доказать. Эффективность видна уже за квартал, а польза осмысления проявляется в том, чего не случилось: компания не потеряла клиента, не провела провальную реорганизацию, не вышла на рынок-ловушку. Хороший пример — «проблема 2000 года». По оценкам Gartner, на ее устранение потратили от $300 млрд до $600 млрд. Когда 1 января 2000 года ничего не произошло, многие решили, что угрозу преувеличили. Предотвращенную катастрофу легко принять за выдумку: результатом хорошей работы иногда становится событие, которое так и не произошло.
Именно здесь обнаруживается ограниченность привычных показателей производительности. Они хорошо считают то, что произведено: документы, решения, обработанные запросы, сэкономленные часы. Но гораздо хуже отражают то, что было понято, какие сомнения удалось разрешить и от каких ошибочных решений удалось отказаться. Между тем организация ценна не только количеством произведенных результатов, но и способностью оценивать их качество. Если автоматизация повышает скорость работы, одновременно ослабляя эту способность, цифры производительности будут показывать улучшение там, где на самом деле происходит потеря.
Работа, которая учит думать
В конечном счете организация состоит не из процессов, документов и результатов, а из людей, способных понимать, что они делают и зачем. Работа нужна не только для того, чтобы производить результат. Она еще и формирует тех, кто способен этот результат оценить. Можно автоматизировать почти все промежуточные действия, но нельзя без последствий устранить сам процесс формирования суждения. Компания, которая экономит на мышлении сегодня, однажды обнаружит, что ей больше некому принимать решения завтра.
