Але попри мільярдні інвестиції, справжня зміна відбувається не там, де очікують гучної революції, а в щоденній управлінській роботі.
Нова одиниця ефективності
Найпомітніша зміна сьогодні — різке зростання продуктивності тих професіоналів, які вміють працювати зі штучним інтелектом. Масштабне дослідження Гарварду показало: робота в парі з AI підвищує якість результату на 40%, швидкість — на 25%. Найслабші фахівці покращили свої показники на 43%. Та найбільше вражає, що цьому дослідженню вже три роки, за які технології стали в рази ефективнішими.
Але є важливе застереження: сам доступ до інструменту нічого не гарантує, вирішує якість взаємодії з ним. Це як з мовою — можна знати кілька фраз для ресторану, а можна вести переговори й писати книги. Парадокс у тому, що сьогодні машина без людини неефективна, але й людина без машини теж. Я ставлю задачі, задаю контекст і напрям, а цифровий помічник бере на себе рутину. У результаті менше операційки та більше роботи з високою доданою вартістю.
Підсилювач, а не замінник
Для більшості CEO AI вже став робочим інструментом, і головне завдання — знайти, де саме він принесе найбільшу управлінську цінність.
І тут я бачу чітку ієрархію. На першому рівні технологія підсилює ефективність конкретної людини — це найбазовіший варіант. На другому — підсилює робочі процеси, виконуючи окремі функції замість людини. Саме так працюють AI-агенти. На третьому, поки що гіпотетичному, рівні — AI може приймати певні рішення на рівні організації.
Посередніх управлінців замінятимуть цифровими агентами
Говорити про повну заміну людини на рівні організації поки що передчасно. Бізнес продовжує мислити категоріями функцій, і новий інструментарій сприймається як засіб оптимізації того, що відбувається всередині цих функцій.
Крім того, потрібно розуміти, коли доречно використовувати AI. Дослідження показують, що коли консультанти використовували технологію для задач за межами її можливостей, їхній результат був на 19% гіршим, ніж у тих, хто нею взагалі не користувався. Дослідники назвали це «некаліброваною довірою».
По суті, інструмент підсилює і компетенцію, і некомпетентність одночасно.
Стратегічне судження не делегується
Стратегічно важливі рішення я не можу делегувати машині. Як би ми не намагалися передати системі розуміння контексту, людина, яка знаходиться всередині бізнесу, поки що здатна зібрати більше інформації з навколишнього середовища, ніж ми можемо закласти на вхід алгоритму.
Наведу приклад. Система проаналізувала ринок і рекомендує виходити з новим продуктом: попит є, маржинальність висока, конкуренція слабка. Всі дані — за. Але я знаю те, чого немає в жодній базі даних: що ключовий постачальник комплектуючих зараз у конфлікті зі своїм інвестором, що регулятор готує зміни, які переформатують цей ринок за пів року, і що мій найкращий менеджер, який мав би це очолити, вигорів. Жодна модель цього не врахує — бо цієї інформації просто немає в даних. Вона існує тільки в голові людини, яка щодня знаходиться всередині бізнесу.
Економісти Аджемоглу, Ганс і Голдфарб у книзі Prediction Machines запропонували елегантну модель, яка пояснює цю динаміку: кожне рішення складається з двох компонентів — прогнозу (що станеться) і судження (що з цим робити). Технологія радикально здешевлює прогнозування. Але саме тому людське судження стає ціннішим. Чим дешевший і доступніший прогноз, тим більше вирішує якість людини, яка цей прогноз інтерпретує.
Дані без гіпотези — шум
Кількість даних, яка формується сьогодні, значно перевищує можливості людини їх проаналізувати. І тут інтелектуальні інструменти можуть бути надзвичайно корисними — підсвічувати закономірності, привертати увагу до того, що відбувається в бізнесі.
Наприклад, якщо я збираю дані про те, як клієнти приймають рішення про купівлю, і бачу певні патерни — я можу цілеспрямовано впливати на цей процес. Банальний приклад: «Разом із цим товаром купують ось такі товари». Відстеження подібних закономірностей дозволяє збільшувати продажі, але часто є надто трудоємним для людини.
Успіх рішення на основі даних залежить не від їхнього обсягу, а від якості гіпотези. Потрібно чітко розуміти, які саме розрізи інформації потрібні, навчитися ці дані збирати, і лише потім доручати системі аналізувати їх і шукати закономірності.
В управлінській теорії це називають «хибністю Макнамари»: коли організація вимірює лише те, що легко виміряти, і поступово починає вважати це повною картиною реальності. Сучасний бізнес часто потрапляє в цю саму пастку, коли збирає терабайти даних, але не має гіпотези про те, що саме в них шукати.
Тому ефективність керівника визначається здатністю поставити правильне запитання до даних. А правильні питання народжуються на перетині багатьох складових — розуміння клієнта, операційних процесів, фінансової логіки, управління людьми. Дані без цього контексту залишаються шумом.
Спроможності, а не інструменти
Якщо дивитися на операційну модель компанії, AI варто оцінювати не як окремий інструмент, а як фактор посилення конкретних управлінських спроможностей.
Але саме тут виникає тиск очікувань — з боку інвесторів, ради директорів, ринку — і компанії починають сигналізувати впровадження раніше, ніж воно реально відбувається.
Замість того щоб зробити технологію частиною існуючих процесів, бізнес купує інструмент і звітує про «цифрову трансформацію». Результат передбачуваний: 95% проєктів із генеративними моделями не демонструють реального впливу на фінансовий результат. 78% працівників користуються власними інструментами — бо офіційне «впровадження» не працює. 80% проєктів зазнають невдачі — удвічі більше, ніж у традиційних технологічних ініціативах.
Між наявністю технологій і здатністю використовувати їх для управлінських рішень — величезна відстань. Подолати її можна лише зміною управлінського мислення.
Менеджер майбутнього
Найглибша зміна, яку принесе AI, — це зміна мислення. Діти, які зараз пішли в школу і знайомляться зі штучним інтелектом у шкільному віці, будуть значно кращими у взаємодії з ним, ніж моє покоління. Вони інтуїтивно розумітимуть, що саме можна делегувати машині, а що — ні. Їхня ефективність буде вищою.
Розрив між тими, хто зрозуміє можливості нових інструментів, і тими, хто не до кінця це зрозуміє — буде великим. Верхівка стане ще продуктивнішою. А решта використовуватимуть технологію не в професійній сфері.
Серед п’яти найпопулярніших сценаріїв використання генеративних моделей — терапія, самоорганізація, пошук сенсу життя. Жодного бізнес-застосування — ні аналітики, ні оптимізації процесів, ні роботи з клієнтами. Люди масово не спрямовують цей ресурс на покращення себе як професіоналів.
Вже скоро якість рішень, які генерує алгоритм, стане кращою за посередніх управлінців. Їх замінятимуть цифровими агентами. Але кваліфіковані менеджери залишатимуться в попиті — бо саме вони визначатимуть конкурентну перевагу компаній майбутнього.