ИИ делает новичка быстрее, но не делает его экспертом
Представьте сотрудника, который ещё месяц назад не мог самостоятельно ответить сложному клиенту. Он долго искал информацию, путался в формулировках и постоянно звал руководителя. Теперь он подключает генеративный ИИ и за несколько минут выдаёт уверенный, хорошо структурированный ответ.
Со стороны кажется, что компания совершила технологический скачок. Производительность выросла, новичок почти догнал лучших специалистов, а руководитель перестал исправлять каждое письмо.
Но затем выясняется, что в одном из ответов перепутаны условия договора. В другом клиенту обещали то, чего компания не может выполнить. В третьем всё написано безупречно, кроме главного: предложенное решение неприменимо именно в этой ситуации.
ИИ действительно помог сотруднику работать быстрее. Только опытнее сотрудник от этого не стал.
В этом состоит один из главных парадоксов внедрения ИИ в компании. Нейросеть способна быстро передать человеку внешние признаки компетентности: профессиональный язык, типовые аргументы и структуру решения. Но она не передаёт ответственность, насмотренность и понимание того, когда стандартный ответ использовать нельзя.
Кому ИИ помогает больше всего
Один из наиболее показательных ответов даёт исследование Generative AI at Work. Учёные наблюдали за 5 179 сотрудниками службы поддержки, часть которых получила доступ к помощнику на основе генеративного ИИ.
В среднем производительность выросла на 14%. Однако за этой цифрой скрывалась существенная разница между сотрудниками. У новичков и менее результативных специалистов прирост достигал примерно 34%, тогда как наиболее опытным работникам технология помогала значительно меньше.
Исследователи предположили, что система распространяла внутри организации приёмы лучших сотрудников. Она анализировала прежние диалоги и подсказывала новичкам формулировки, к которым опытный специалист пришёл бы самостоятельно.
Получается, ИИ работал как механизм ускоренной передачи формализуемого опыта. Человеку больше не нужно было месяцами накапливать удачные шаблоны ответов: система предлагала их прямо во время разговора.
Похожая картина обнаружилась в разработке программного обеспечения. В трёх полевых экспериментах с 4 867 разработчиками использование помощника на основе ИИ увеличило количество выполненных задач в среднем на 26,08%. При этом менее опытные разработчики чаще пользовались инструментом и получали больший прирост производительности.
Для бизнеса это весомый аргумент. ИИ способен сократить время адаптации сотрудников, уменьшить стоимость типовых операций и сделать знания сильнейших специалистов доступными всей команде.
Но из этих данных не следует, что нейросеть превращает новичка в эксперта. Скорее она позволяет ему быстрее воспроизводить часть экспертного поведения.
Компетентность, взятая напрокат
Настоящий опыт состоит не только из правильных действий. Он включает способность распознавать ситуации, в которых привычные действия перестают работать.
Опытный продавец чувствует, когда за возражением клиента скрывается не сомнение в цене, а страх принять решение. Руководитель замечает, что формально успешный проект держится на одном перегруженном сотруднике. Предприниматель видит, что предложение инвестора выглядит выгодно лишь до тех пор, пока не учтены условия контроля над компанией.
Такое знание трудно превратить в инструкцию. Оно складывается из контекста, прошлых ошибок, слабых сигналов и последствий решений, ответственность за которые человек когда-то принял на себя.
ИИ может сформулировать убедительный ответ, но не несёт последствий его применения. Он не знает компанию так, как её знает основатель, не чувствует отношений внутри команды и не видит всей истории переговоров, если эта история не была передана ему явно.
Поэтому возникает опасная иллюзия. Раньше неопытность была заметна: новичок сомневался, задавал вопросы и писал неровно. Теперь его ошибка может выглядеть как профессиональное заключение. ИИ не только ускоряет получение ответа, но и повышает его убедительность независимо от того, верен ли он.
Рваная граница возможностей
Эту проблему наглядно показал эксперимент с 758 консультантами Boston Consulting Group, результаты которого в 2026 году были опубликованы в журнале Organization Science.
Исследователи предложили понятие «рваной границы возможностей» (jagged technological frontier). У генеративного ИИ нет простой границы, слева от которой находятся лёгкие задачи, а справа — сложные. Модель может прекрасно справляться с творческой или аналитической работой, но ошибаться в задаче, которая человеку кажется похожей и даже более простой.
Внутри границы возможностей участники с ИИ выполняли на 12,2% больше задач и работали в среднем на 25,1% быстрее. Качество решений тоже выросло.
Однако в сложной управленческой задаче, находившейся за границей возможностей модели, участники с ИИ давали правильный ответ на 19% реже, чем участники без него. Консультанты доверяли убедительной подсказке системы и не всегда замечали, что она ведёт их в неверном направлении.
Главная трудность заключается в том, что эта граница никак не обозначена. Нейросеть не загорается красным, когда перестаёт быть надёжной. Она продолжает отвечать тем же спокойным и уверенным языком.
Именно здесь опыт сохраняет свою ценность. Эксперт отличается от новичка не тем, что всегда знает ответ, а тем, что чаще замечает момент, когда готовому ответу нельзя доверять.
Один человек с ИИ иногда работает как команда
В полевом эксперименте The Cybernetic Teammate приняли участие 776 специалистов Procter & Gamble. Исследователи сравнивали работу отдельных сотрудников и команд с доступом к ИИ и без него.
Отдельные специалисты, использовавшие ИИ, могли показывать результат, сопоставимый с результатом команд без нейросети. Технология также помогала людям выходить за границы своей профессиональной специализации: технические сотрудники предлагали более сильные коммерческие решения, а коммерческие лучше справлялись с технической частью задачи.
Для предпринимателя это открывает серьёзные возможности. Небольшая компания может выполнять работу, для которой раньше потребовалось бы несколько специалистов. Сотрудник получает доступ к знаниям из смежных областей, а команда меньше зависит от жёсткого разделения функций.
Однако способность войти на чужую профессиональную территорию не равна способности безопасно там действовать. ИИ может помочь маркетологу написать программный код, а разработчику — подготовить коммерческое предложение. Но оценить надёжность кода и реалистичность предложения должен тот, кто понимает последствия ошибки.
Чем шире ИИ раздвигает возможности сотрудника, тем важнее становится проверка результата.
Когда удобство подменяет мышление
Авторы исследования The Impact of Generative AI on Critical Thinking, представленного на конференции CHI 2025, опросили 319 работников умственного труда и проанализировали 936 описанных ими случаев использования генеративного ИИ.
Более высокое доверие к ИИ было связано с меньшим субъективным усилием, которое люди тратили на критическую проверку результата. Уверенность человека в собственной способности выполнить задачу, наоборот, была связана с большим объёмом критического осмысления.
У исследования есть важное ограничение: оно основано на самоотчётах и не доказывает, что использование ИИ само по себе ослабляет мышление. Но оно показывает риск, знакомый любой компании: чем удобнее инструмент и чем убедительнее его ответы, тем легче человеку перестать проверять основания решения.
Особенно уязвим новичок. У него ещё нет внутренних критериев, по которым можно отличить сильный ответ от правдоподобного. Получив готовый результат, он может не заметить ошибку не из-за невнимательности, а потому, что пока не знает, где её искать.
Как внедрять ИИ без иллюзии компетентности
Обучение сотрудников работе с ИИ не должно ограничиваться перечнем удачных запросов. Гораздо важнее научить команду распознавать типы задач, уровень риска и необходимую глубину проверки.
Если ошибку легко обнаружить и исправить, ИИ можно давать больше самостоятельности. Черновик письма, краткое изложение документа или несколько вариантов заголовка не требуют такого же контроля, как финансовая модель, юридическое условие или рекомендация, влияющая на здоровье и безопасность людей.
Полезно разделять производство ответа и его приёмку. Сотрудник может использовать ИИ для подготовки результата, но критерии качества должны существовать отдельно от самой нейросети. Иначе модель фактически проверяет собственную работу.
Важно сохранять обратную связь от экспертов. Если сильный специалист только исправляет ошибки за кадром, система становится производительнее, а команда — необязательно. Новичку нужно понимать, почему ответ был изменён, какой сигнал он пропустил и при каких условиях предложенное решение стало бы допустимым.
Наконец, необходимо оценивать не только скорость. Связка «ИИ и производительность сотрудников» легко сводится к числу закрытых обращений, написанных текстов или выполненных задач. Но рост объёма работы может сопровождаться накоплением ошибок, которые проявятся позже. Поэтому внедрение ИИ в компании требует показателей качества, возвратов, исправлений и последствий принятых решений.
ИИ для бизнеса полезен там, где компания понимает, что именно она ускоряет и кто отвечает за результат.
Новая роль эксперта
По мере распространения ИИ ценность специалиста смещается от производства каждого отдельного ответа к проектированию всей системы решений.
Эксперт формулирует задачу, задаёт критерии, замечает исключения и определяет, где автоматизация должна остановиться. Руководитель создаёт среду, в которой скорость не принимают за качество. Ментор помогает увидеть последствия, которые невозможно восстановить по инструкциям и открытым данным.
Поэтому обращение к опытному человеку не конкурирует с использованием нейросети. Предприниматель может сначала собрать варианты с помощью ИИ, а затем сверить решение с тем, кто уже проходил похожую ситуацию. На United Mentors такую проверку можно провести с действующим предпринимателем или руководителем, знакомым не только с правильными формулировками, но и с ценой неправильного выбора.
ИИ делает знания доступнее. Новичок действительно может быстрее начать приносить пользу, а маленькая команда — выполнять работу, которая недавно требовала отдельного подразделения.
Но знание ответа и способность отвечать за него остаются разными навыками.
Нейросеть сокращает путь от пустого листа до правдоподобного решения. Эксперт нужен на следующем участке — там, где необходимо понять, можно ли этому решению доверить деньги, людей и будущее компании.
