Я не встречал людей, кто стал бы меньше работать и больше отдыхать благодаря ИИ. Работа стала интереснее, но ее стало больше. Исключение — те, кто смог вайб-кодить с ошеломляющей продуктивностью. Но разработка софта с ИИ-агентами — за рамками этой статьи.
На уровне компании я вижу ускорение некоторых видов рутинной работы, но это совсем не то, что определяет конкурентоспособность компании в непростое время быстрых изменений на рынке. Более ценной является та интеллектуальная работа, которая выполняется только один раз.
В этой статье я рассмотрю некоторые решения этой проблемы на уровне команды или даже всей организации.
Что говорят исследования?
В ноябре 2025 Anthropic проанализировал 100 тысяч реальных диалогов с Claude, и многие сильно удивились его выводу о 5-кратном уменьшению времени решения задач за счет ИИ. Действительно, никто не стал работать 1 день в неделю вместо пяти! И есть лишь немного компаний, чьи бизнес-метрики выросли существенно за счет ИИ. Даже опросы топ-менеджеров, которые заинтересованы в приукрашивании реальности, говорят всего про 5-10% компаний.
Помимо решения задач, любая работа содержит один супер-важный элемент, о котором многие обычно забывают. Этот элемент нельзя ускорить в 5 раз, но можно оптимизировать так, чтобы у нас все-таки появилось свободное время, а у наших компаний — рост бизнес-метрик.*
Есть более прикладные (менее академические) исследования. Они показывают, что на данный момент почти никто не умеет получать от ИИ реальный прирост продуктивности, несмотря на кажущуюся экономию времени решения задач.
В частности, исследование software developers от июля 20025 показало уменьшение их реальной продуктивности на 19%.
Есть и исследования более типичных офисных работников, где роста продуктивности выявлено не было или оно мало. Например, вот цитата из исследования Microsoft и HBR: «Мы обнаружили лишь незначительные и статистически незначимые увеличения общего времени, затрачиваемого на работу в Word (при работе с Copilot по сравнению с работой без ИИ), и количества созданных документов.»
Куда уходит время?
Итак, допустим, что верны оба утверждения:
- ИИ решает многие задачи в несколько раз быстрее.
- Когда люди начинают использовать ИИ, их продуктивность растет максимум на ~25% (и то лишь в отдельных видах работы), а часто и вовсе не меняется.
Как разрешить это противоречие? Очевидно, что само решение задач — это лишь часть рабочего времени. С приходом ИИ эта часть сокращается, но появляется много новой работы.
Вот куда уходит время:
- Сбор контекста. Десятки процентов рабочего времени могут уходить на сбор общего контекста, лишь косвенно связанного с задачами: цели, процессы в командах и компании в целом, оргструктура, особенности коллег и т.п. Эта важная часть работы с приходом ИИ почти не меняется.
- Оформление контекста. Когда решение задач делегируется ИИ, приходится формализовывать тот контекст, который раньше был лишь в голове и использовался неосознанно.
- Интеграция результатов. Все еще много времени уходит на рутинную работу по превращению ответов чат-бота в законченные артефакты (на схеме ниже эта работа может занимать львиную долю элемента "Tasks Completion").
- Валидация результатов. Значительная часть времени уходит на проверку и перепроверку результатов, сгенерированных ИИ.
- Обновление инструментов. Если валидация результата ИИ провалилась, можно просто повторить попытку, изменив контекст, и обычно на это тратится относительно мало времени. Однако если для экономии времени использовался ИИ-ассистент или агент, и он стабильно выдает плохие результаты, требуется много времени на его обновление. Причем зачастую это время не обычного сотрудника, а дорогостоящего создателя ассистента.
- Презентация результатов. Эта часть работы почти не меняется с приходом ИИ. Чтобы коллегам было проще собирать контекст (пункт 1), им нужна прозрачность в смысле полученных результатов.
Но все-таки есть способы увеличить продуктивность, о которых будет речь ниже.
Способы борьбы с пожирателями времени
Как можно сократить время на вышеописанные действия? И нужно ли это делать?
Затраты на сбор контекста (пункт 1) не нужно сокращать. Именно благодаря многоуровневому контексту в голове люди справляются с работой лучше, чем ИИ. Разве что вместо чтения чатов и посещения встреч иногда достаточно прочитать ежедневный дайджест новостей или саммари встреч от ИИ (но часто этого недостаточно!).
Аналогично и с презентацией результатов (пункт 6): не стоит чрезмерно экономить время, например, автоматически рассылая результаты ИИ «всем заинтересованным». Во-первых, мы обсуждаем не рутинные, а уникальные "одноразовые" задачи, чьи результаты могут влиять на работу неочевидных людей. Во-вторых, бездушная рассылка «всем заинтересованным» часто воспринимается как спам. В-третьих, многих мотивирует именно «презентационная» часть работы, а не сам процесс достижения результата.
Проблема превращения текста в готовый результат (пункт 3) — чисто техническая, и я не буду на ней останавливаться. Для ее решения вместо пассивных чат-ботов нужны простые агенты с инструментами, которые могут, например, упаковать текст в презентацию или отправить задачу в систему управления проектами.
Многие пытаются уменьшить время на ручную валидацию результатов ИИ (пункт 4) за счет их самопроверки на стороне ИИ-агента. Но каким бы «умным» ни был ИИ, он может проверять себя только в рамках доступного ему контекста. А это не весь контекст, который используется человеком: ИИ пока не умеет читать мысли, и оформление контекста для ИИ (пункт 2) не может быть выполнено на 100%.
Так что время на ручную проверку результатов ИИ невозможно свести к нулю. Но его можно сократить, и об этом — в конце статьи.
А сейчас посмотрим, как сократить время на формулирование контекста (пункт 2).
Разделение труда при подготовке контекста ИИ
Начну с очевидного. Один и тот же контекст используется ИИ для решения задач разными людьми, но оформить и поддерживать его может один человек (например, в виде ИИ-ассистента). Я подробно писал об этом в статье AI-ассистенты как способ передачи опыта сотрудников. В результате остальные пользователи ИИ-ассистента не только экономят время, но и пользуются экспертизой его создателя, улучшая качество решения задач.
Следующий уровень — разделение труда между инженерами и остальными сотрудниками, что еще больше повышает общую продуктивность. Инженеры создают сложную техническую инфраструктуру (например, генератор ИИ-ассистентов). На этом уровне они обеспечивают доступ ИИ к более высокоуровневому контексту компании, чем тот, что заложен в конкретного ассистента. Обычно это означает доступ к «общей базе знаний».
Единая база знаний, актуализируемая с ИИ
Невозможно кратно сэкономить время на оформление контекста, если люди вынуждены копировать тексты из разных корпоративных систем и файлов в промпты или даже в системные промпты ИИ-ассистентов.
ИИ-агент может автономно находить нужный контекст. Если не верите — посмотрите, насколько автономно сейчас работают AI coding agents, имея доступ к огромному репозиторию кода и документации в сочетании с такими MCP как Context7.
Однако здесь возникает проблема актуализации. Мало кто регулярно пополняет и обновляет даже традиционную базу знаний, и стимулировать людей к этому почти бесполезно. Эту функцию следует передать от людей к цепочкам ИИ-автоматизации. Например: «выполнилась новая задача в системе управления проектами → определяется ее ценность для базы знаний → если ценно, пишется описание нового элемента базы знаний».
- В идеале такие цепочки должны включать участие человека (human-in-the-loop). Например, сотруднику достаточно нажать «Да/Нет» в ответ на вопрос: «Появились такие-то данные, создать соответствующую запись в таком-то разделе базы знаний?».
- Если же решено интегрировать знания без участия людей, необязательно реализовывать такую автоматизацию самостоятельно. Заграницей уже существуют готовые решения, позиционирующие себя как «унифицированный слой контекста для корпоративного ИИ» (Contextual) или как «RAG-as-a-Service» (Ragie). Они имеют коннекторы к популярным платформам (Confluence, Google Drive, Notion), формируют единую базу знаний и предоставляют к ней удобный API для ИИ-агентов.
Для ИИ-агентов важны не только «данные» (документы, таблицы), но и решения, принятые на встречах или зафиксированные в переписке. Это подводит нас к еще одному решению той же проблемы оформления контекста.
Добавление ИИ в каналы коммуникации
Важный контекст содержится не только в структурированной базе знаний, но и в «сырых» каналах коммуникации. Даже если ваша компания еще не готова к созданию единой базы знаний для ИИ, можно подключать агентов напрямую к общим чатам и транскриптам созвонов.
- Например, ИИ может определить тип созвона и запустить соответствующую цепочку действий: если это было планирование работ — создать задачи в таск-трекере и отправить их на одобрение участникам, а если это была встреча с клиентом — предложить создать коммерческое предложение.
- Можно обращаться к ИИ прямо в чате сотрудников, где он имеет доступ ко всей истории обсуждения и, в идеале, к ролям участников (например, чтобы учесть, кто из них руководитель).
Зачем добавлять ИИ в корпоративный мессенджер и транскрибатор — я описывал в посте Teammates, Not Just Tools: Kickstarting AI Adoption At Work.
Регулярная ручная загрузка такого слабоструктурированного контекста в чат-бот отнимает слишком много времени, из-за чего люди ленятся это делать. В итоге контекст становится беднее, а результаты — хуже.
Но ИИ в корпоративном мессенджере — это не только для того, чтобы ИИ имел доступ к нужному контексту. Сама работа с ИИ может происходить в тредах коммуникационной платформы. Тогда не только результаты ИИ становятся более релевантными полному контексту решаемой задачи, но и валидировать их становится проще за счет участия других членов команды в тех же чатах/тредах.
Культура валидации и презентации результатов ИИ
К сожалению, в большинстве компаний пока не сложилась культура работы с результатами ИИ. Многие сотрудники, решив задачу с помощью ИИ, сразу отправляют результат коллегам, даже не проверяя его. Это приводит к явлению, которое называют «халтурой с ИИ» — AI workslop.
Коллеги, получающие такой результат, обычно замечают его низкое качество или нерелевантность и с возмущением возвращают на доработку. В итоге время тратится не только на проверку, но и на лишний «пинг-понг» в коммуникациях. Плюс это может приводить к конфликтам.
Кроме того, сотрудники часто делятся результатами работы ИИ без упоминания контекста: неясно, использовался ли ИИ для улучшения готового текста или для генерации с нуля, какая модель применялась, какие требования были в промпте и что вообще было в ее контексте. Без этой информации невозможно понять причину низкого качества и, следовательно, как-то исправить результат.
- Например, если самая мощная из доступных моделей уже использовала все имеющиеся у команды документы по теме, результат придется дорабатывать вручную.
- А если нет — проще вернуть результат исполнителю с требованием переделать, улучшив контекст или взяв другую модель.
Что с этим делать, если в вашем корпоративном мессенджере пока нет ИИ? (см. предыдущий раздел) Внедрять в культуру компании следующие правила:
- Отсутствие контекста ведет к потере времени на выяснение деталей.
- Использовать ИИ — хорошо, скрывать этот факт — плохо, так как это мешает правильно понять и оценить результат.
- Если возможно, делитесь ссылкой на чат с ИИ, который использовался для получения результата.
- Если это технически невозможно, кратко описывайте процесс: «Я дал ИИ такой-то контекст (X), задал такой-то вопрос (Y) и получил вот что: (Z)». Здесь X может означать даже «включил веб-поиск» — это тоже важный контекст.
И последний тезис про экономию затрат. С точки зрения первичной проверки результатов ИИ, хорошо, когда в коллективе есть джуны — дешевые сотрудники — неопытные, но достаточно способные, чтобы сопоставлять результаты с общими требованиями в новой для них области.
Не спешите избавляться от джунов!
Скрупулёзная проверка результатов ИИ на уровне мелких деталей — это то, что большинство сотрудников ненавидит. Однако это идеальная работа для младших специалистов.
В отличие от ИИ, люди, даже джуны, способны замечать несоответствия на разных уровнях. Низкоуровневые детали могут не соответствовать "здравому смыслу" и каким-то высокоуровневым правилам или политикам компании. Многие из этих правил уже формализованы и могут использоваться джунами для проверки работы ИИ, тогда как сам ИИ пока не замечает несоответствий.
Раньше джунов привлекали к выполнению лишь самых простых рутинных задач, что замедляло их профессиональный рост. Если же джуны привлекаются не к решению, а к валидации результатов ИИ, они знакомятся с более широким спектром задач, более естественным образом получают обратную связь от опытных коллег, а также глубже погружаются в необходимый для валидации ИИ контекст компании: ее правила, политики и т.д. Всё это ускоряет их развитие до уровня middle.
Я не могу сейчас подтвердить это на примере своей компании, поскольку компания маленькая, так что джунов у нас нет. Но можете поверить моему 12-летнему опыту работы с джунами в крупной ИТ-компании. Я отбирал лучших студентов разных университетов, и подавляющее большинство из них точно были бы способны к такой работе, которая описана выше.
Если у вашей компании нет источника умных джунов, но вы активно нанимаете новых сотрудников, этот же принцип можно применить к ним на испытательном сроке. Новички достаточно мотивированы, чтобы разбираться в разных правилах и использовать их для проверки результатов ИИ.
Резюме: как повысить эффективность работы с ИИ
Чтобы сократить время на работу с ИИ и получать качество «не хуже чем вручную», недостаточно переходить на «лучшие» ИИ-инструменты.
Как сократить время на подготовку контекста:
- Разделение труда. Меньшинство сотрудников создает и поддерживает ИИ-ассистентов, а остальные пользуются ими без необходимости задавать контекст среднего уровня, специфичный для задач данного типа. Еще меньшее число сотрудников (инженеры, AI-чемпионы) обеспечивают ИИ-ассистентам и агентам доступ к высокоуровневому контексту компании.
- Единая база знаний. Вместо того чтобы сотрудники вручную искали и копировали информацию, ИИ-агенты могут самостоятельно находить нужный контекст в общей базе знаний, которая постоянно обновляется, например, с помощью RAG-as-a-Service решений.
- Интеграция с каналами коммуникаций. Подключив ИИ к рабочим перепискам и транскриптам созвонов, можно избавить сотрудников от необходимости вручную загружать этот контекст для решения сиюминутных задач. Это может рассматриваться как промежуточный шаг на пути к единой базе знаний либо как самостоятельный подход, решающий проблему нехватки контекста среднего уровня общности.
Как оптимизировать валидацию результатов и связанный с этим "пинг-понг" между сотрудниками:
- Культура ответственности за результаты ИИ. Внедрите в компании правило: всегда проверять работу ИИ перед отправкой коллегам и делиться контекстом их получения (например, с помощью ссылки на ИИ-чат).
- Привлечение джунов или новых сотрудников к скрупулезной проверке результатов ИИ. Это не только освободит время опытных коллег, но и ускорит рост джунов / онбординг новых сотрудников.
- Технические решения. К организационным подходам, описанным в этой статье, стоит добавить такие инженерные решения как мульти-агентные дебаты и само-коррекция на уровне модели. Это снизит потребность в ручной валидации, хотя и не устранит её полностью.
