ИИ-инструменты повысили продуктивность — и создали новую управленческую слепую зону

Проще всего посчитать то, что не имеет самостоятельной ценности

Количество презентаций, писем или подготовленных предложений легко показать на дашборде. Гораздо сложнее оценить, помогла ли презентация принять решение, уменьшило ли предложение неопределенность клиента и не создало ли письмо новую ошибку.

Именно здесь возникает управленческая слепая зона. Автор материала ускорился, а его получатель получил больше работы. Личный показатель улучшился, командный результат остался прежним или ухудшился.

Не стоит делать из этого вывод, что ИИ «портит мышление». Для такого общего утверждения нужны отдельные доказательства. Зато в своей компании можно непосредственно наблюдать, понимает ли автор содержание, может ли объяснить предположения и способен ли исправить ошибку без повторного обращения к инструменту.

NIST описывает риски генеративного ИИ, в частности ложное содержание и чрезмерное доверие к результату системы. Для менеджмента это основание встроить проверку в процесс, а не считать готовый текст доказательством правильности. NIST Generative AI Profile.

Смоделированная ситуация: быстрое коммерческое предложение

Представим агентство, которое готовит предложения для корпоративных клиентов. Это смоделированная ситуация, не клиентский кейс. Менеджеры используют разрешенный ИИ-инструмент для первой версии документа. Число отправленных предложений растет.

Руководительница производственной команды замечает другое: в текстах появляются формулировки об услугах, которые компания не включала в расчет. Менеджеры считают их красивым описанием. Клиенты читают как обязательство.

После нескольких возвратов агентство меняет единицу измерения. Теперь это согласованное предложение, которое можно выполнить в рамках утвержденной экономики, а не файл, отправленный клиенту. В шаблоне отдельно отмечают объем, исключения и непроверенные предположения. ИИ остается в процессе, но его вклад оценивают после проверки.

Условный пример не доказывает, что инструмент неэффективен. Он показывает, почему скорость автора нельзя автоматически называть продуктивностью компании.

Паспорт качества одного процесса с ИИ

Возьмите повторяющуюся задачу, в которой уже используют ИИ. Запишите начало и конец полного цикла. Например, от получения брифа до принятия документа внутренним заказчиком. Если завершением считать лишь создание черновика, скрытая переделка снова выпадет из поля зрения.

Затем установите критерии приемлемости. Для предложения это могут быть соответствие брифу, проверенные факты, корректный объем работ и отсутствие несогласованных обещаний. Критерии должны быть понятны двум независимым проверяющим, а не только автору.

Третье поле — происхождение важных утверждений. Где источник? Кто его проверил? Когда данные потребуется обновить? Не каждый стилистический абзац требует ссылки, но цифры, ограничения и обязательства должны иметь опору.

Четвертое — способ исправления. Кто возвращает работу, кто дорабатывает и как фиксируется причина? Без этого команда будет видеть лишь общее недовольство качеством и начнет спорить о личных вкусах.

Четыре показателя вместо одного счетчика

Первый показатель — время до приемлемого результата. Учитывайте подготовку, использование инструмента, проверку человеком, возвраты и повторную работу. Это не означает слежку за каждой минутой сотрудника. Для диагностики достаточно прозрачного учета выбранной серии задач.

Второй — доля результатов, принятых без существенного возврата. Заранее определите, что считается существенным: изменение логики, исправление факта или устранение несогласованного обязательства. Редактирование запятой и ошибочный расчет не должны попадать в одну категорию.

Третий — нагрузка на получателя. Стало ли ему легче использовать материал? Если старший специалист тратит больше времени на проверку, это часть стоимости процесса, даже когда автор экономит часы.

Четвертый — результат для бизнеса, связанный с задачей. Например, стали ли решения на основе отчета точнее. Причинную связь нужно оценивать осторожно: одновременно могли измениться сложность клиентских задач, состав команды или сам процесс. Рост показателя после внедрения еще не доказывает, что причиной был ИИ.

Как провести честное сравнение

Сравнивайте похожие задачи по одинаковым критериям качества. Отмечайте сложность и нетипичные обстоятельства. Не сопоставляйте простые тексты с новым инструментом и самые трудные старые проекты без него: для пилота ИИ нужна сопоставимая исходная база.

По возможности оценивайте результат, не подсказывая, как именно его создали. Это помогает уменьшить предвзятость и сторонников, и противников технологии. Окончательный вывод должен учитывать ограничения выборки и риск: успех на безопасных черновиках не подтверждает готовность к автоматическим кадровым рекомендациям.

Отдельно учтите затраты на обучение, поддержку, доступы и обновление правил. Не все расходы будут повторяться еженедельно, но скрывать их при первоначальном решении не стоит.

Где накапливается долг понимания

«Долг понимания» здесь — авторское рабочее название ситуации, когда команда использует выводы, но уже не может восстановить их логику. Это не диагноз и не стандартизированная научная метрика.

Проверить его можно простым вопросом: что изменится в выводе, если главное предположение окажется ложным? Если автор не может ответить, материал еще не готов поддерживать важное решение.

Полезно сохранить в команде короткие разборы сложных задач без инструмента: объяснить выбор, показать источник, назвать альтернативу. Цель — сохранить способность судить о результате, а не доказывать моральное превосходство ручной работы.

Не превращайте измерение в соревнование сотрудников

Цель первой проверки — понять процесс. Если сразу привязать премию к числу материалов, созданных с ИИ, люди получат стимул дробить задачи и демонстрировать выпуск, даже когда качество не изменилось. Если наказывать за возвраты, переделка уйдет в личные сообщения и исчезнет из отчета.

Обсудите с командой, зачем собирают данные, кто их видит и какое решение по ним будут принимать. Дайте людям возможность отметить нетипичную сложность. При этом не принимайте любое объяснение без проверки: прозрачность нужна в обе стороны. Хороший обзор заканчивается изменением шаблона, критериев или проверки, а не рейтингом «современности» сотрудников.

С чего начать без большой программы внедрения ИИ

Спросите себя: у кого после ускорения прибавилось работы? Какой дефект мы замечаем слишком поздно? Что считаем завершением? Может ли автор обосновать содержание, не ссылаясь на ответ системы?

Такие вопросы уместно включать во внедрение системы менеджмента isokol.consulting: инструмент нужно связать с качеством, ролями и планом-фактом. На ближайшем обзоре выберите один процесс с ИИ и добавьте к скорости показатель приемлемости результата и стоимость переделки.

FAQ

Первый обзор лучше проводить вместе с авторами и получателями материалов. Они видят разные части цикла, поэтому один руководитель может не заметить переноса работы между ролями.

Является ли число запросов к ИИ показателем продуктивности?

Нет, само по себе оно показывает активность использования. Для продуктивности нужна связь с приемлемым результатом, затраченными ресурсами и качеством. Большее число запросов может означать как полезную работу, так и неудачные повторные попытки.

Нужно ли проверять каждое предложение?

Глубина проверки зависит от риска. Факты, расчеты и обязательства требуют особого внимания. Для черновиков с низким риском можно установить другой режим, но его нужно определить явно.

Как считать скрытую переделку?

Фиксируйте возвраты после первой готовой версии, причины и привлеченных людей. Начните с выбранного процесса, чтобы учет не стал тяжелее самой проблемы. Важно видеть нагрузку всех участников, а не только автора.

Когда стоит отказаться от ИИ в задаче?

Когда при приемлемом уровне контроля инструмент не обеспечивает нужного качества или создает неприемлемый риск. Отказ от отдельного сценария не означает отказа от технологии в целом.

Следующий отчет о продуктивности начните со строки «принято без существенной переделки». Она может сказать о пользе ИИ больше, чем число сгенерированных страниц.