Management as AI superpower

Менеджмент как суперсила в эпоху ИИ

Как преуспеть в мире агентного ИИ

Я только что провёл экспериментальный курс в University of Pennsylvania, где предложил студентам создать стартап с нуля за четыре дня. Большинство участников учились на программе Executive MBA, то есть посещали занятия, параллельно работая врачами, менеджерами или руководителями в самых разных компаниях, больших и малых. Почти никто из них никогда не программировал. Я познакомил их с Claude Code и Google Antigravity, которые им нужно было использовать, чтобы собрать работающий прототип. Но один прототип — это ещё не стартап, поэтому они применяли ChatGPT, Claude и Gemini, чтобы ускорить генерацию идей, исследование рынка, конкурентное позиционирование, подготовку питча и финансовое моделирование. Мне было любопытно, как далеко они смогут продвинуться за такой короткий срок. Оказалось — очень далеко.

Я преподаю предпринимательство уже полтора десятилетия и повидал тысячи стартап-идей (некоторые из которых превратились в крупные компании), так что у меня хорошее представление о том, чего можно ожидать от группы умных студентов MBA. По моей оценке, то, что я увидел за пару дней, было на порядок ближе к настоящему стартапу, чем всё, что студенты выдавали за целый семестр до появления ИИ. Большинство прототипов были не просто демонстрационными экранами — у них реально работала ключевая функция. Идеи были куда более разнообразными и интересными, чем обычно. Анализ рынка и клиентов был проницательным. Это было по-настоящему впечатляюще. Это пока ещё не были работающие стартапы и не полностью функциональные продукты (за парой исключений) — но они сэкономили месяцы, а также огромные деньги и усилия по сравнению с традиционным процессом. И было кое-что ещё: большинству ранних стартапов нужен pivot — смена направления по мере того, как они узнают больше о том, чего хочет рынок и что технически возможно. Снижая стоимость pivot'а, ИИ сильно облегчил исследование возможностей без риска «застрять» в одном решении и даже позволил прорабатывать несколько стартапов одновременно: вы просто говорите ИИ, чего хотите.

Хотел бы я сказать, что этот впечатляющий результат — заслуга моего блестящего преподавания, но у нас пока нет хорошей системы того, как использовать все эти инструменты, и студенты в основном разобрались сами. Помогло то, что у них был управленческий и предметный опыт, ведь оказалось, что ключ к успеху — именно в последней части предыдущего абзаца: сказать ИИ, чего вы хотите. По мере того как ИИ всё лучше справляется с задачами, на которые у человека ушли бы часы, и по мере того как оценка этих результатов отнимает всё больше времени, растёт ценность умения делегировать. Но когда стоит делегировать ИИ?

Уравнение агентной работы

На самом деле ответ у нас есть, но он немного сложен. Рассмотрим три фактора. Во-первых, из-за «зубчатой границы» способностей ИИ вы не можете надёжно предсказать, с чем ИИ справится хорошо, а с чем плохо в сложных задачах. Во-вторых, хорошо или плохо — но ИИ точно быстр. Он выдаёт за минуты то, на что у человека ушли бы многие часы. В-третьих, он дёшев (относительно зарплат специалистов), и ему всё равно, если вы сгенерируете несколько вариантов, а большинство из них выбросите.

Эти три фактора означают, что решение делегировать ИИ зависит от трёх переменных:

Базовое время человека: сколько времени задача заняла бы у вас самихВероятность успеха: насколько вероятно, что ИИ с одной попытки выдаст результат, отвечающий вашей планкеВремя на работу с ИИ: сколько времени уходит у вас на то, чтобы поставить запрос, дождаться ответа и оценить выданный ИИ результат

Полезная ментальная модель: вы выбираете между «сделать задачу целиком» (Базовое время человека) и «оплатой накладных расходов» (Время на работу с ИИ), возможно, несколько раз, пока не получите приемлемый результат. Чем выше Вероятность успеха, тем меньше раз приходится платить Время на работу с ИИ и тем выгоднее передать дело ИИ. Например, представьте задачу, которая занимает у вас час, но ИИ может сделать её за минуты, хотя проверка ответа отнимает тридцать минут. В этом случае стоит отдавать работу ИИ, только если Вероятность успеха очень высока, иначе вы потратите больше времени на генерацию и проверку черновиков, чем если бы просто сделали всё сами. А вот если Базовое время человека равно 10 часам, тогда имеет смысл потратить несколько часов на работу с ИИ — при условии, что ИИ можно заставить справиться с задачей достойно.

Мы знаем, что это уравнение работает, потому что прошлым летом OpenAI выпустила одну из важнейших работ об ИИ и реальной работе — GDPval. Я уже разбирал её ранее, но суть в том, что в ней опытных экспертов из самых разных областей — от финансов до медицины и госуправления — стравливали с новейшими ИИ, а ещё одна группа экспертов выступала судьями. На выполнение работы у экспертов уходило в среднем семь часов — это и есть Базовое время человека. С Временем на работу с ИИ вышло интересно: ИИ тратил на задачи лишь минуты, но экспертам требовался час, чтобы реально проверить работу, и, конечно, написание запросов тоже отнимает время. Что касается Вероятности успеха, то когда GDPval только вышел, судьи в большинстве случаев отдавали победу работе людей, но с выходом GPT-5.2 баланс сместился. Модели GPT-5.2 Thinking и Pro в среднем в 72% случаев сравнивались с экспертами или превосходили их.

Теперь мы можем посчитать, сколько часов вы сэкономите на семичасовой задаче при той самой вероятности успеха в 72% и часе на оценку. Если бы вы по каждой задаче тратили время на запрос к ИИ, час на оценку ответа, а затем делали всё сами, если ответ ИИ оказался плох, то в среднем вы экономили бы 3 часа. Задачи, на которых ИИ провалился бы, заняли бы дольше (вы зря потратили время на запрос и проверку!), зато задачи, с которыми ИИ справился, делались бы гораздо быстрее. Но мы можем сместить уравнение в свою пользу ещё сильнее, используя приёмы из менеджмента!

Делегирование как новый промптинг

Есть три вещи, которые мы можем сделать, чтобы делегирование ИИ стало выгоднее, повысив Вероятность успеха и снизив Время на работу с ИИ. Мы можем давать более качественные инструкции, ставя чёткие цели, которые ИИ сможет выполнить с большей вероятностью успеха. Мы можем научиться лучше оценивать результат и давать обратную связь, чтобы требовалось меньше попыток заставить ИИ сделать всё правильно. И мы можем упростить себе оценку того, хорош ИИ в задаче или плох, не тратя на это столько времени. Все эти факторы улучшаются за счёт предметной экспертизы: эксперт знает, какие инструкции дать, лучше замечает, когда что-то идёт не так, и лучше умеет это исправлять.

Если вам не нужно что-то конкретное, ИИ-модели стали невероятно хороши в том, чтобы самим придумывать, как решить задачу. Например, я обнаружил, что Claude Code способен сгенерировать целую adventure-игру в стиле 1980-х по одному промпту: «создай совершенно оригинальную олдскульную adventure-игру в стиле Sierra с графикой как EGA. Используй свой image agent, чтобы сгенерировать изображения, и сделай мне парсер. Сделай все головоломки интересными и решаемыми. Доведи игру до конца (прохождение должно занимать 10–15 минут), не задавай никаких вопросов. сделай её потрясающей и восхитительной». Вот и всё — ИИ сделал абсолютно всё, включая графику. Ещё двумя финальными промптами он протестировал игру и развернул её. Вы можете сыграть в неё сами: enchanted-lighthouse-game.netlify.app

Это по-настоящему изумительно, но изумление здесь усилено тем, что мне не нужно было ничего конкретного — лишь adventure-игра, которую ИИ был волен импровизировать. Но реальная работа, и реальное делегирование, означают, что у вас в голове есть конкретный результат, — и вот тут всё становится непросто. Как донести до ИИ своё намерение, чтобы он выполнил именно то, что вы хотите, мог проявить «суждение» при решении проблем и при этом выдал нужный вам результат?

Эта проблема существовала задолго до ИИ и настолько универсальна, что в каждой сфере придумали собственный документ для её решения. Разработчики ПО пишут Product Requirements Documents. Кинорежиссёры передают съёмочные группы shot lists. Архитекторы составляют документы о замысле проекта (design intent documents). Морпехи используют Five Paragraph Orders (обстановка, задача, выполнение, обеспечение, управление). Консультанты определяют рамки проекта подробными спецификациями результатов. Все эти документы на удивление хорошо работают как промпты для ИИ в новом мире агентной работы (а ИИ способен за раз обработать множество страниц инструкций). Причина, по которой для постановки задач ИИ годится столько разных форматов, в том, что все они, по сути, об одном и том же: попытка перенести то, что в голове у одного человека, в действия другого.

Когда вы смотрите, из чего на самом деле состоит хорошая документация для делегирования, она оказывается на удивление единообразной: чего мы пытаемся достичь и зачем? Где границы делегированных полномочий? Как выглядит «готово»? Какие конкретные результаты мне нужны? Какие промежуточные результаты мне нужны, чтобы следить за вашим прогрессом? И что вам следует проверить, прежде чем сообщить мне о завершении? Если всё это хорошо прописано, то ИИ, как и человек, с гораздо большей вероятностью сделает работу хорошо.

И, разбираясь в том, как давать эти инструкции ИИ, вы, по сути, заново изобретаете менеджмент.

Управление агентами

Мне любопытно наблюдать, как некоторые из самых известных разработчиков ПО в крупных ИИ-лабораториях отмечают, что их работа меняется: из преимущественно программирования она превращается в преимущественно управление ИИ-агентами. У программирования всегда была очень упорядоченная структура с чётко проверяемыми результатами (код либо работает, либо нет), поэтому оно стало одной из первых областей, где инструменты на базе ИИ достигли зрелости, — и, соответственно, первой профессией, ощутившей эти перемены. Но не последней.

Как профессор бизнес-школы, я считаю, что у многих людей уже есть необходимые навыки — или они могут их освоить, — чтобы работать с ИИ-агентами; это навыки уровня «менеджмент 101». Если вы умеете объяснить, что вам нужно, давать эффективную обратную связь и придумывать способы оценки работы, то вы сможете работать с агентами. Во многих отношениях, по крайней мере в вашей области экспертизы, это куда проще, чем пытаться сочинять хитроумные промпты для выполнения работы, ведь это больше похоже на работу с людьми. При этом менеджмент всегда исходил из дефицита: вы делегируете, потому что не можете всё делать сами, и потому что таланты ограниченны и дороги. ИИ меняет уравнение. Теперь «талант» обилен и дёшев. Дефицитным становится знание того, что именно просить.

Вот почему мои студенты так преуспели. Они не были экспертами по ИИ. Но они годами учились формулировать рамки задач в своих областях экспертизы, определять результаты и распознавать, когда финансовая модель или медицинское заключение «не то». У них были выстраданные на занятиях и в работе фреймворки — и эти фреймворки стали их промптами. Навыки, которые так часто отметают как «мягкие» (soft skills), оказались самыми «жёсткими».

Я не знаю точно, как будет выглядеть работа, когда каждый станет менеджером с армией неутомимых агентов. Но подозреваю, что преуспеют те, кто понимает, как выглядит «хорошо», — и может объяснить это достаточно чётко, чтобы даже ИИ смог это выдать. Мои студенты разобрались в этом за четыре дня. Не потому, что были «рождёнными в эпоху ИИ», а потому, что уже умели управлять. Вся та подготовка, как выяснилось, случайно готовила их именно к этому моменту.

Поделиться