Making AI Work: Leadership, Lab, and Crowd

Как заставить ИИ работать: Leadership, Lab и Crowd

Формула ИИ в компаниях

Компании подходят к ИИ-трансформации с неполной информацией. После множества разговоров с организациями из разных отраслей я думаю, что четыре ключевых факта объясняют, что на самом деле происходит с внедрением ИИ:

ИИ повышает рабочую производительность. Откуда мы это знаем? Во-первых, сами работники определённо так считают. Репрезентативное исследование интеллектуальных работников в Дании показало, что пользователи считают, будто ИИ вдвое сокращает их рабочее время для 41% задач, которые они выполняют на работе, а более свежий опрос американцев показал, что работники сообщают: использование ИИ утроило их продуктивность (сократив 90-минутные задачи до 30 минут). Самоотчёты никогда не бывают полностью точными, но у нас есть и другие данные из контролируемых экспериментов, которые указывают на прирост в области разработки продуктов, продаж и консалтинга, а также у программистов, студентов-юристов и работников колл-центров. Большой процент людей использует ИИ на работе. То датское исследование годичной давности показало, что 65% маркетологов, 64% журналистов и 30% юристов (среди прочих) использовали ИИ на работе. Исследование американских работников показало, что более 30% использовали ИИ на работе в декабре 2024 года, а к апрелю 2025 года эта цифра выросла до 40%. И, конечно, это может быть недооценкой в мире, где ChatGPT — четвёртый по посещаемости сайт на планете. Современные ИИ-системы дают больше трансформационных возможностей, чем большинство сейчас осознаёт. Отчёты Deep Research выполняют многочасовую аналитическую работу за несколько минут (и многие исследователи говорили мне, что проверять такие отчёты гораздо быстрее, чем писать их); начинают появляться агенты, способные выполнять реальную работу; и всё более умные системы могут производить действительно высококачественные результаты. Эти выгоды не улавливаются компаниями. Компании обычно сообщают о небольших или умеренных приростах от ИИ, и по состоянию на конец 2024 года нет значимого влияния на зарплаты или отработанные часы.

Как примирить первые три пункта с последним? Ответ в том, что использование ИИ, повышающее индивидуальную производительность, не превращается естественным образом в улучшение организационной производительности. Чтобы получить организационные выгоды, требуется организационная инновация — переосмысление стимулов, процессов и даже самой природы работы. Но мышцы организационной инновации внутри компаний атрофировались. Десятилетиями компании передавали это на аутсорсинг консультантам или поставщикам корпоративного ПО, которые разрабатывают обобщённые подходы, решающие проблемы многих компаний разом. Здесь это пока не сработает. Ни у кого нет особой информации о том, как лучше всего использовать ИИ в вашей компании, или готового плана интеграции его в вашу организацию. Даже крупные ИИ-компании выпускают модели, не зная, как их можно лучше всего использовать. И уж точно они не знают вашу отрасль, организацию или контекст.

Мы все разбираемся с этим вместе. Поэтому, если вы хотите получить преимущество, вам придётся разобраться быстрее остальных. А для этого вам понадобится задействовать усилия Leadership, Lab и Crowd — трёх ключей ИИ-трансформации.

Leadership

В конечном счёте ИИ начинается как проблема лидерства, когда руководители осознают, что ИИ представляет неотложные вызовы и возможности. Одно крупное изменение с тех пор, как я писал на эту тему несколько месяцев назад, — что всё больше руководителей начинают признавать необходимость заниматься ИИ. Это видно по двум вирусным меморандумам: от CEO Shopify и CEO Duolingo, в которых утверждается важность ИИ для будущего их компаний.

Но одной срочности недостаточно. Эти сообщения хорошо обозначают «почему сейчас», но останавливаются, не нарисовав ту важнейшую, живую картину: как ИИ-будущее на самом деле выглядит и ощущается для вашей организации? Мой коллега Andrew Carton показал, что работники не мотивируются изменениями от заявлений руководства о приростах производительности или прибыли — им нужны ясные и живые образы того, как будет выглядеть будущее: какой будет работа в будущем? Будут ли выигрыши в эффективности превращены в увольнения или их используют для роста организации? Как работников будут вознаграждать (или наказывать) за то, как они используют ИИ? Вам не обязательно знать ответ с уверенностью, но у вас должна быть цель, к которой вы стремитесь и которой готовы поделиться. Работники ждут указаний, и характер этих указаний повлияет на то, как Crowd будет принимать и использовать ИИ.

Однако общее видение — этого недостаточно, потому что руководителям нужно начать предвидеть, как изменится работа в мире ИИ. Хотя ИИ в настоящее время не заменяет большинство человеческих профессий, он заменяет конкретные задачи внутри этих профессий. Я говорил с многими юристами, которые видят в нынешнем состоянии инструментов Deep Research возможность взять на себя часть некогда дорогостоящих исследовательских задач. Vibe coding меняет то, как программисты распределяют время и усилия. И трудно не заметить изменений в маркетинге и медиа на фоне быстрого прогресса в ИИ-видео. Например, новый Veo 3 от Google создал этот короткий видеоролик, со звуком и всем прочим, по текстовому запросу: Реклама Cheesey Otters — новой закуски из крекеров в форме выдр. В ролике ребёнок ест их, а мама поднимает упаковку и говорит «otterly great»

Однако умение сделать короткий видеоклип, или кодить быстрее, или получать исследование по запросу не равно приросту производительности. Чтобы это произошло, потребуются решения о том, где Leadership и Lab должны работать вместе над построением и тестированием новых рабочих процессов, интегрирующих ИИ и людей. Это также означает фундаментальное переосмысление того, зачем вы выполняете конкретные задачи. Компании раньше платили десятки тысяч долларов за один исследовательский отчёт, теперь они могут генерировать сотни таких бесплатно. Что это позволяет делать вашим аналитикам и менеджерам? Если сотни отчётов бесполезны, тогда в чём вообще был смысл исследовательских отчётов?

Я всё чаще вижу, как организации начинают экспериментировать с радикально новыми подходами к работе в ответ на ИИ. Например, рассредоточивают команды разработки ПО, выводя их из централизованной IT-функции и помещая их вместо этого в кросс-функциональные команды с экспертами предметной области и маркетинга. Вместе эти группы могут «vibework» и самостоятельно создавать проекты за несколько дней, на которые потребовались бы месяцы координации между отделами. И это всего лишь одно из возможных будущих работы. Руководители должны описать желаемое будущее, но им не обязательно самим генерировать каждую идею для инноваций. Вместо этого они могут обратиться к Crowd и Lab.

Crowd

И инновации, и улучшения производительности происходят в Crowd — у сотрудников, которые разбираются, как использовать ИИ, чтобы помочь себе выполнять свою работу. Поскольку для ИИ нет инструкции (серьёзно, все разбираются с этим вместе), научиться хорошо использовать ИИ — это процесс открытий, который выгоден опытным работникам. Люди с глубоким пониманием своей работы могут легко методом проб и ошибок оценить, когда ИИ полезен для их работы, — так, как не могут посторонние (и даже подкованные в ИИ младшие сотрудники). Опытные пользователи ИИ затем могут делиться своими рабочими процессами и способами применения ИИ так, чтобы это приносило пользу всем.

Соблазнившись этим видением, компании (включая работающие в строго регулируемых отраслях1) всё чаще предоставляют сотрудникам прямой доступ к ИИ-чат-ботам и базовое обучение, надеясь увидеть инновации Crowd. Большинство сталкиваются с одной и той же проблемой: использование официальных ИИ-чат-ботов выходит на плато на уровне примерно 20% работников, а заявленные приросты производительности невелики. При этом более 40% работников признаются, что используют ИИ на работе, и в частном порядке сообщают о больших приростах производительности. Это расхождение указывает на две критические динамики: многие работники скрывают своё использование ИИ, часто по веским причинам, а другие остаются неуверенными в том, как эффективно применять ИИ к своим задачам, несмотря на начальное обучение.

Это проблемы, которые могут быть решены Leadership и Lab.

Решение проблемы скрытого использования ИИ (которое я называю «Secret Cyborgs») — это задача Leadership. Подумайте о стимулах среднего работника. Возможно, ему провели пугающий разговор о том, что неправильное использование ИИ может быть наказано, и он не хочет рисковать. Или, возможно, его на работе считают героем за невероятные результаты с помощью ИИ, но он подозревает, что если расскажет кому-то, что это ИИ, менеджеры перестанут его уважать. Или, возможно, он знает, что компании рассматривают приросты производительности как возможность сократить расходы, и подозревает, что его (или его коллег) уволят, если компания осознает, что ИИ делает часть его работы. Или, возможно, он подозревает, что если он раскроет своё использование ИИ, даже если его не накажут, его и не вознаградят. Или, возможно, он знает, что даже если компании не сокращают расходы и вознаграждают использование ИИ, любые приросты производительности просто превратятся в ожидание, что будет выполняться больше работы. Причин для работников не использовать ИИ публично больше, чем причин использовать его.

Leadership может помочь. Вместо расплывчатых разговоров об этике ИИ или пугающих общих политик предоставьте чёткие области, где разрешены любые эксперименты, и склоняйтесь к разрешению людям использовать ИИ там, где это этически и юридически возможно. Руководители также должны рассматривать обучение не как возможность освоить техники промптинга (которые ценны, но становятся менее важными по мере того, как модели лучше понимают намерение), а как шанс дать людям практический опыт работы с ИИ и практику в формулировании своих потребностей для ИИ. И, конечно, вам нужно будет придумать, как заверить ваших работников, что раскрытие приростов производительности не приведёт к увольнениям, потому что часто плохая идея — использовать технологические выгоды для увольнения работников в момент масштабных перемен. Создайте стимулы, даже массивные стимулы (я видел, как компании предлагают отпуска, повышения и крупные денежные вознаграждения), для сотрудников, которые открывают трансформационные возможности применения ИИ. Руководители также могут моделировать использование сами, активно используя ИИ на каждом совещании и рассказывая, как это им помогает.

Даже при правильном видении и стимулах останется значительное число работников, которые не склонны исследовать ИИ и просто хотят чётких сценариев использования и готовых продуктов. Здесь в игру вступает Lab.

Lab

Как бы ни была важна децентрализованная инновация, есть также роль для более централизованных усилий по выяснению того, как использовать ИИ в вашей организации. В отличие от многих исследовательских организаций, Lab является амбидекстерной, занимаясь как исследованием будущего (которое в ИИ может быть всего в нескольких месяцах), так и эксплуатацией — выпуская постоянный поток новых продуктов и методов. Поэтому Lab должна состоять из экспертов предметной области и смеси технологов и не-технологов. К счастью, Crowd предоставляет исследователей, поскольку те энтузиасты, которые разбираются, как использовать ИИ, и с гордостью делятся этим с компанией, часто являются идеальными членами Lab. Их работа будет полностью или преимущественно посвящена ИИ. Вам нужно, чтобы они сосредоточились на построении, а не на анализе или абстрактной стратегии. Вот что они будут строить:

Брать промпты и решения у Crowd и распространять их широко, очень быстро. Crowd будет обнаруживать сценарии использования и проблемы, которые могут быть превращены в немедленные возможности. Стройте быстрые и грубые продукты с кросс-функциональными командами, построенные вокруг простых промптов и агентов. Итерируйте и тестируйте их. Затем выпускайте их в свою организацию и измеряйте, что происходит. Продолжайте это делать. Строить ИИ-бенчмарки для вашей организации. Почти все официальные бенчмарки для ИИ изъяны или сосредоточены на тестах эрудиции, математики или программирования. Они не говорят вам, какой ИИ лучше всего пишет тексты, или лучше всего анализирует финансовую модель, или может лучше всего направлять покупателя при совершении покупок. Вам нужно разработать собственные бенчмарки: насколько хорошо каждая из моделей справляется с задачами, которые вы реально выполняете внутри вашей компании? Как быстро сокращается разрыв? Leadership должно обеспечить некоторые ориентиры, но в конечном счёте Lab должна решить, что измерять и как. Некоторые бенчмарки будут объективными (у Anthropic есть руководство по бенчмаркингу, которое может стать отправной точкой), но также нормально, если некоторые сложные бенчмарки будут «исключительно по ощущениям», основанными на опыте. Например, я «vibe-бенчмаркнул» Manus, ИИ-агента на базе Claude, на способности анализировать новые стартапы, дав ему сложное задание и оценив результаты. Я дал ему короткое описание вымышленного стартапа и подробный набор прогнозируемых финансовых показателей в Excel-файле. Эти материалы взяты из сложной бизнес-симуляции, которую мы построили в Wharton (и никогда не публиковали онлайн), и которая требовала десятков часов работы команд студентов. Мне было любопытно, разберётся ли ИИ. В качестве ориентира я дал ему чек-лист элементов бизнес-модели для анализа, и больше ничего.

Всего за пару промптов Manus разработал сайт, презентацию PowerPoint, анализ бизнес-модели и проверку финансовых допущений на основе рыночного исследования. Вы можете увидеть его работу здесь. В моих оценках работы 45-страничный анализ бизнес-модели был очень солидным. Он не был полностью свободен от ошибок, но содержит гораздо меньше ошибок и гораздо более тщательный, чем то, что я бы ожидал от талантливых студентов. Я также получил первоначальный черновик сайта, запрошенную презентацию PowerPoint и глубокий разбор финансовых допущений. Просмотр этого помог мне найти слабые места — генерацию изображений, склонность экстраполировать ответы, не спрашивая меня, — и сильные стороны. Теперь каждый раз, когда выходит новая агентная система, я могу сравнить её с Manus и увидеть, куда движется дело.

Идти дальше бенчмарков и строить то, что пока не работает. Как бы это выглядело, если бы вы использовали ИИ-агентов для выполнения всей работы по ключевым бизнес-процессам? Постройте это и посмотрите, где оно сломается. Затем, когда выйдет новая модель, подключите её к тому, что вы построили, и посмотрите, стало ли лучше. Если темпы прогресса сохранятся, это даёт вам возможность первыми увидеть, куда движется дело, и иметь готовый к развёртыванию прототип в самый первый момент, когда ИИ-модели улучшатся за критические пороги. Строить провокации. Многие люди по-настоящему не сталкивались с потенциалом ИИ. Демонстрации и осязаемые опыты, которые встряхивают людей и заставляют их понять, как ИИ может трансформировать вашу организацию, или даже немного выводят их из зоны комфорта, имеют огромную ценность для пробуждения любопытства и преодоления инерции. Покажите то, что сегодня кажется невозможным, но завтра может стать обыденностью.

Пересмотр организации

Правда в том, что даже этого фреймворка может быть недостаточно. Наши организации — от их структур до процессов и целей — были построены вокруг человеческого интеллекта, потому что это всё, что у нас было. ИИ изменяет этот фундаментальный факт: теперь мы можем получать интеллект, в некотором роде, по запросу, что требует от нас глубже задуматься о природе работы. Когда исследование, которое раньше занимало недели, теперь занимает минуты, узкое место — уже не само исследование, а понимание того, какое исследование проводить. Когда код можно написать быстро, ограничение — это не скорость программирования, а понимание того, что строить. Когда контент можно генерировать мгновенно, ограничение — не производство, а знание того, что действительно будет важно людям.

И темпы изменений не замедляются. Каждые несколько месяцев (недель? дней?) мы видим новые возможности, которые заставляют переосмысливать, что возможно. Модели становятся лучше в сложных рассуждениях, в работе с данными, в понимании контекста. Они начинают уметь самостоятельно планировать и действовать. Каждое продвижение означает, что организациям нужно адаптироваться быстрее, экспериментировать больше и мыслить шире о том, что ИИ значит для их будущего. Вызов состоит не столько во внедрении ИИ, сколько в трансформации того, как выполняется работа. И эта трансформация должна происходить, пока сама технология продолжает развиваться.

Ключ в том, чтобы рассматривать внедрение ИИ как вызов организационного обучения, а не просто технический. Успешные компании выстраивают петли обратной связи между Leadership, Lab и Crowd, которые позволяют им учиться быстрее своих конкурентов. Они переосмысливают фундаментальные предположения о том, как выполняется работа. И, что критически важно, они не отдают этот вызов на аутсорсинг и не игнорируют его.

Время начинать — не когда всё прояснится, а сейчас, пока всё ещё хаотично и неопределённо. Преимущество достаётся тем, кто готов учиться быстрее всех.

Поделиться

Когда я говорю с компаниями, офис General Counsel часто оказывается узким местом, определяющим успех ИИ. Многие фирмы по-прежнему запрещают использование ИИ по устаревшим причинам приватности (ни одна крупная модель не обучается на корпоративных данных или данных API, и можно получить полностью HIPAA-совместимые и т. п. версии). Хотя любое облачное ПО не лишено рисков, есть риски и в бездействии: теневое использование ИИ почти повсеместно, и все эксперименты и обучение остаются в секрете, когда компания не разрешает использование ИИ. К счастью, есть множество образцов для подражания, включая компании в строго регулируемых отраслях, которые внедряют ИИ во все функции своей фирмы.