Читайте NV в Google
Каждый раз, когда меня спрашивают, что именно AI меняет в бизнесе, я вижу за этим не только интерес к технологии. Часто это вопрос о конкуренции: кто быстрее научится использовать ИИ, тот и выиграет
Но, несмотря на миллиардные инвестиции, настоящее изменение происходит не там, где ожидают громкой революции, а в ежедневной управленческой работе.
Новая единица эффективности
Самое заметное изменение сегодня — резкий рост производительности тех профессионалов, которые умеют работать с искусственным интеллектом. Масштабное исследование Гарварда показало: работа в паре с AI повышает качество результата на 40%, скорость — на 25%. Самые слабые специалисты улучшили свои показатели на 43%. Но больше всего поражает, что этому исследованию уже три года, за которые технологии стали в разы эффективнее.
Но есть важная оговорка: сам доступ к инструменту ничего не гарантирует, решает качество взаимодействия с ним. Это как с языком — можно знать несколько фраз для ресторана, а можно вести переговоры и писать книги. Парадокс в том, что сегодня машина без человека неэффективна, но и человек без машины тоже. Я ставлю задачи, задаю контекст и направление, а цифровой помощник берет на себя рутину. В результате меньше операционки и больше работы с высокой добавленной стоимостью.
Усилитель, а не заменитель
Для большинства CEO AI уже стал рабочим инструментом, и главная задача — найти, где именно он принесет наибольшую управленческую ценность.
И здесь я вижу четкую иерархию. На первом уровне технология усиливает эффективность конкретного человека — это самый базовый вариант. На втором — усиливает рабочие процессы, выполняя отдельные функции вместо человека. Именно так работают AI-агенты. На третьем, пока гипотетическом, уровне — AI может принимать определенные решения на уровне организации.
Посредственных управленцев будут заменять цифровыми агентами
Говорить о полной замене человека на уровне организации пока преждевременно. Бизнес продолжает мыслить категориями функций, и новый инструментарий воспринимается как средство оптимизации того, что происходит внутри этих функций.
Кроме того, нужно понимать, когда уместно использовать AI. Исследования показывают, что когда консультанты использовали технологию для задач за пределами ее возможностей, их результат был на 19% хуже, чем у тех, кто ею вообще не пользовался. Исследователи назвали это «некалиброванным доверием».
По сути, инструмент усиливает и компетенцию, и некомпетентность одновременно.
Стратегическое суждение не делегируется
Стратегически важные решения я не могу делегировать машине. Как бы мы ни пытались передать системе понимание контекста, человек, который находится внутри бизнеса, пока что способен собрать больше информации из окружающей среды, чем мы можем заложить на вход алгоритма.
Приведу пример. Система проанализировала рынок и рекомендует выходить с новым продуктом: спрос есть, маржинальность высокая, конкуренция слабая. Все данные — за. Но я знаю то, чего нет ни в одной базе данных: что ключевой поставщик комплектующих сейчас в конфликте со своим инвестором, что регулятор готовит изменения, которые переформатируют этот рынок за полгода, и что мой лучший менеджер, который должен был бы это возглавить, выгорел. Ни одна модель этого не учтет — потому что этой информации просто нет в данных. Она существует только в голове человека, который ежедневно находится внутри бизнеса.
Экономисты Аджемоглу, Ганс и Голдфарб в книге Prediction Machines предложили элегантную модель, которая объясняет эту динамику: каждое решение состоит из двух компонентов — прогноза (что произойдет) и суждения (что с этим делать). Технология радикально удешевляет прогнозирование. Но именно поэтому человеческое суждение становится ценнее. Чем дешевле и доступнее прогноз, тем больше решает качество человека, который этот прогноз интерпретирует.
Данные без гипотезы — шум
Количество данных, которое формируется сегодня, значительно превышает возможности человека их проанализировать. И здесь интеллектуальные инструменты могут быть чрезвычайно полезными — подсвечивать закономерности, привлекать внимание к тому, что происходит в бизнесе.
Например, если я собираю данные о том, как клиенты принимают решение о покупке, и вижу определенные паттерны — я могу целенаправленно влиять на этот процесс. Банальный пример: «Вместе с этим товаром покупают вот такие товары». Отслеживание подобных закономерностей позволяет увеличивать продажи, но часто является слишком трудоемким для человека.
Успех решения на основе данных зависит не от их объема, а от качества гипотезы. Нужно четко понимать, какие именно разрезы информации нужны, научиться эти данные собирать, и только потом поручать системе анализировать их и искать закономерности.
В управленческой теории это называют «заблуждением Макнамары»: когда организация измеряет только то, что легко измерить, и постепенно начинает считать это полной картиной реальности. Современный бизнес часто попадает в эту же ловушку, когда собирает терабайты данных, но не имеет гипотезы о том, что именно в них искать.
Поэтому эффективность руководителя определяется способностью задать правильный вопрос к данным. А правильные вопросы рождаются на пересечении многих составляющих — понимания клиента, операционных процессов, финансовой логики, управления людьми. Данные без этого контекста остаются шумом.
Способности, а не инструменты
Если смотреть на операционную модель компании, AI стоит оценивать не как отдельный инструмент, а как фактор усиления конкретных управленческих возможностей.
Но именно здесь возникает давление ожиданий — со стороны инвесторов, совета директоров, рынка — и компании начинают сигнализировать внедрение раньше, чем оно реально происходит.
Вместо того чтобы сделать технологию частью существующих процессов, бизнес покупает инструмент и отчитывается о «цифровой трансформации». Результат предсказуем: 95% проектов с генеративными моделями не демонстрируют реального влияния на финансовый результат. 78% работников пользуются собственными инструментами — потому что официальное «внедрение» не работает. 80% проектов терпят неудачу — вдвое больше, чем в традиционных технологических инициативах.
Между наличием технологий и способностью использовать их для управленческих решений — огромное расстояние. Преодолеть его можно только изменением управленческого мышления.
Менеджер будущего
Самое глубокое изменение, которое принесет AI, — это изменение мышления. Дети, которые сейчас пошли в школу и знакомятся с искусственным интеллектом в школьном возрасте, будут значительно лучше во взаимодействии с ним, чем мое поколение. Они интуитивно будут понимать, что именно можно делегировать машине, а что — нет. Их эффективность будет выше.
Разрыв между теми, кто поймет возможности новых инструментов, и теми, кто не до конца это поймет — будет большим. Верхушка станет еще более продуктивной. А остальные будут использовать технологию не в профессиональной сфере.
Среди пяти самых популярных сценариев использования генеративных моделей — терапия, самоорганизация, поиск смысла жизни. Никакого бизнес-применения — ни аналитики, ни оптимизации процессов, ни работы с клиентами. Люди массово не направляют этот ресурс на улучшение себя как профессионалов.
Уже скоро качество решений, которые генерирует алгоритм, станет лучше посредственных управленцев. Их будут заменять цифровыми агентами. Но квалифицированные менеджеры будут оставаться востребованными — потому что именно они будут определять конкурентное преимущество компаний будущего.