Как не стать зависимым от использования ИИ в работе

Скорость автоматизации растет из-за давления на производительность и дефицита кадров. По российским опросам, о нехватке персонала сообщают около 78% компаний, при этом в 2023–2024 годах доля была выше.

В связи с этим нагрузка на команды повышается, и бизнес все чаще передает алгоритмам те участки работы, где важны стабильность и повторяемость. На этом фоне профессии вынуждены перестраиваться. Уменьшается объем действий, требующих последовательного ручного выполнения, и возрастает значение задач, где необходимо видеть структуру ситуации и принимать решения в изменяющемся контексте.

В таких условиях сотрудники начинают использовать искусственный интеллект (ИИ) как постоянный рабочий инструмент. В России, по исследованию «Яков и Партнеры» и «Яндекса», 71% крупных компаний уже применяют генеративный ИИ хотя бы в одной функции. На глобальном уровне McKinsey в 2024 году фиксировал, что 65% респондентов заявили о регулярном использовании genAI в организациях.

Ассистент ускоряет подготовку материалов, помогает обрабатывать данные и снимает с сотрудника часть мелких операций, которые раньше занимали часы. Темп растет, а вместе с ним — роль навыков, которые определяют качество запроса и способность удерживать контроль над результатом.

Как и зачем создавать правила работы с ИИ

Использование ИИ в компаниях требует четких правил, и формировать их должен бизнес. Модели создают ответы на основе статистических закономерностей в данных, на которых они обучались. Они не проверяют информацию и не соотносят ее с реальностью, поэтому могут уверенно выдавать неточные или устаревшие выводы.

С одной стороны, ИИ сильно ускоряет процессы, но в то же время создает операционные и репутационные риски. Компаниям важно объяснять сотрудникам, как именно устроены ИИ-инструменты, почему результат требует «фактчекинга», какими данными нельзя делиться с открытыми языковыми моделями и какие задачи нужно продолжать делать только вручную. Для этого можно опираться не на ощущения, а на рамки управления рисками: например, NIST описывает риски генеративного искусственного интеллекта — от «галлюцинаций» до работы с чувствительными данными — и предлагает подход, как их контролировать на уровне организации.

Как задать условия, при которых ИИ усиливает, а не ослабляет процессы

Когда компания понимает устройство ИИ и риски его применения, следующий шаг — создать рабочую среду, в которой технология приносит пользу без скрытых последствий. Для этого важно задать несколько базовых параметров взаимодействия с моделями.

Самый очевидный — уровень доступа к данным. ИИ нельзя подключать ко всему подряд, так как часть сведений должна оставаться внутри корпоративного контура, а задачи, связанные с клиентами или финансовыми решениями, требуют особого режима проверки.

Важно разделять публичные чаты и корпоративные контуры. Например, OpenAI прямо пишет, что по умолчанию не использует бизнес-данные для обучения моделей в Enterprise-контуре. А в персональных настройках пользователь может отключить использование своих данных для обучения (это тоже важно проговаривать в политике компании, если сотрудники пользуются личными аккаунтами).

Далее важна сама логика контроля. В процессах, где ошибка может повлиять на дальнейшие шаги команды, вводятся короткие промежуточные проверки. На этих этапах человек оценивает направление, в котором движется модель, и корректирует задачу, если видит отклонения. Такой механизм особенно полезен при аналитических задачах или при работе с большими массивами текстов.

Контрольные точки — это способ снизить риск автоматической ошибки. В исследованиях по automation bias показано, что люди склонны переоценивать подсказки автоматизированных систем — особенно если не обучены работать с ними критически.

Почему ответственность за результат все равно лежит на человеке

Модели создают варианты, которые выглядят убедительно, хотя могут не соответствовать требованиям задачи или логике отрасли. Поэтому качество всегда определяется тем, кто управляет инструментом.

Похожий вывод делает и Организация экономического сотрудничества и развития (OECD). В аналитике по теме AI and work организация подчеркивает, что в большинстве отраслей ИИ меняет содержание ролей, а не устраняет их полностью: автоматизируются отдельные функции, тогда как ответственность за результат, работу с исключениями и принятие решений остается за человеком. Именно поэтому в компаниях растет спрос не на исполнителей операции, а на специалистов, которые понимают процесс целиком и способны управлять автоматизированными системами.

Сотрудник должен ясно понимать, какой итог он хочет получить, какими критериями будет оценивать точность и что станет основанием для доработки. Такой подход требует профессиональной подготовки: человек, который сам не умеет хорошо выполнять задачу, не сможет корректно использовать ИИ, потому что не заметит расхождения между формально правильным ответом и тем, что действительно решает проблему.

В отчете Agents, robots, and us аналитики отмечают, что основной потенциал автоматизации сегодня содержится не на уровне профессий, а отдельных задач: по их оценке, до 60–70% рабочих операций в большинстве ролей могут быть автоматизированы частично. В результате наиболее устойчивой становится модель, при которой человек не конкурирует с ИИ напрямую, а управляет автоматизированными агентами, контролирует качество и принимает финальные решения. В этом смысле ИИ усиливает настоящего эксперта, а не заменяет его — он увеличивает производительность там, где у человека есть собственная опора на навыки и опыт.

Как формулировать задачи, которые ИИ способен выполнить качественно

Чтобы ИИ давал полезный результат, важна точная постановка задачи. Модель нужно вести: объяснять контекст, цель, формат ожидаемого ответа. Она не ориентируется в нюансах профессии и не выбирает стратегию решения самостоятельно. В распознавании закономерностей она сильна, но в понимании сути ограничена. Поэтому надежнее относиться к ИИ как к сотруднику уровня junior+ или middle-.

Если задача сформулирована размыто, модель начнет заполнять пробелы собственными догадками, и итог окажется далеким от замысла. Когда же цель и критерии заданы четко, ИИ помогает пройти длинный подготовительный участок работы быстрее и аккуратнее. Он собирает черновой материал, предлагает несколько вариантов структуры, подсказывает направления, которые можно проверить дальше. Однако именно человек решает, какой из этих вариантов соответствует задаче и стоит дальнейшей разработки.

Практическое правило для рабочих задач — фиксировать, что считаем хорошим ответом до запроса: формат, ограничения, источники, критерии проверки. Это снижает риск того, что модель достроит недостающие условия за вас.

Эффект смещения: что происходит с навыками при частом использовании ИИ

Появление ИИ меняет распределение труда внутри профессий. Задачи, которые раньше требовали длительной ручной работы, теперь выполняются значительно быстрее, и человек смещается в сторону контроля и интерпретации результатов. Это создает новую динамику: чем чаще сотрудник передает операции модели, тем меньше практики остается у него самого.

Навык постепенно теряет остроту, и возвратиться к самостоятельному выполнению задачи становится сложнее. Мозг придерживается привычной схемы — если автоматизация работает, он с готовностью отдает ей все больше шагов и перестает глубоко включаться в процесс.

У этого эффекта есть доказательная база. Например, в исследовании на тему «эффекта Google» показано, что, когда человек ожидает легкий доступ к информации извне, он хуже запоминает саму информацию и чаще просто фиксирует, где ее можно найти. Это и есть когнитивный оффлоадинг — перенос части функции памяти наружу.

Такое явление особенно заметно в творческих и интеллектуальных профессиях. Автор, который работает с ИИ ежедневно, постепенно превращается не в создателя текста, а в редактора машинных заготовок. Он проверяет структуру, корректирует смысловые переходы, восстанавливает интонацию. Производительность растет, но одновременно с этим снижается гибкость мышления: без регулярной самостоятельной практики становится сложнее формулировать идеи и разворачивать аргументацию.

Похожая ситуация возникает у аналитиков. ИИ быстро собирает справки и предлагает варианты выводов, однако, если полагаться на эти подсказки слишком часто, исчезает навык удерживать всю конструкцию анализа в голове — тот самый скилл, который и отличает специалиста высокого уровня.

Изменения происходят и в сферах, далеких от офисной работы. Сотрудникам сервисных профессий ИИ подсказывает шаги общения с клиентом, помогает формулировать ответы и фиксирует за них информацию. При длительном использовании человек начинает опираться на подсказки настолько часто, что спонтанный диалог дается тяжелее.

В инженерных и технических ролях ситуация напоминает работу с навигатором: ИИ подбирает решения, рассчитывает параметры, предлагает готовые схемы. Со временем специалист реже проводит расчеты вручную и теряет внимательность к деталям, которая нужна в нестандартных ситуациях или во время отказов систем.

Можно провести аналогию с GPS-зависимостью. Например, в Scientific Reports показывали, что у людей с большим опытом использования GPS хуже работает пространственная память при навигации без подсказок.

Во всех этих случаях автоматизация приносит ощутимую пользу, однако требует аккуратного баланса — если полностью уйти в режим проверки готовых ответов, снижается способность решать задачи, которые не вписываются в привычный рабочий сценарий.

Нужно ли быть независимым от ИИ

Вопрос о независимости от ИИ звучит резонно только на первый взгляд. ИИ встроился в рабочие процессы так же надолго, как когда-то электричество или связь. Его присутствие уже стало частью производственной среды: нейросети ускоряют поиск информации, помогают разбирать большие объемы данных, экономят силы на рутинных действиях. Отказ от таких возможностей лишил бы человека существенной части инструментария, а не вернул бы его к более надежному режиму работы.

Поэтому разговор о «независимости» смещается к другому содержанию — к умению управлять технологией и сохранять собственные навыки в рабочем состоянии. На уровне рынка это уже обязательная программа. Например, WEF в Future of Jobs Report 2025 пишет, что к 2030 году, по ожиданиям работодателей, 39% ключевых навыков изменятся — то есть учиться придется большинству, независимо от профессии.

Эта задача ближе к гигиене профессиональной формы, чем к попытке выйти из технологической среды. Человек должен удерживать способность понимать процесс, даже если значительная часть операций выполняется автоматически. Электричество не сделало нас слабее, потому что мы научились с ним жить и понимаем, что происходит при сбое. С ИИ ситуация аналогична. Технология будет укрепляться и проникать в новые области, поэтому важнее выстроить с ней устойчивые отношения: использовать как средство ускорения, а не как замену опыта. Такой подход сохраняет автономность мышления — ту самую способность продолжать работать, даже если инструмент на время недоступен.

Можно ли сохранить профессиональную форму при постоянной работе с ИИ

Чтобы не раствориться в режиме проверки готовых ответов, нужно вводить новые механизмы тренировки профессиональных навыков. Один из них — собственный ИИ-агент, который отслеживает движение отрасли, разъясняет смысл изменений и собирает сигналы, на которые стоит обратить внимание. Такой инструмент работает как расширение профессионального поля зрения.

Примеры того, как компании переводят людей в режим управления системой, а не ручного исполнения, можно увидеть в кейсах customer support. Klarna сообщала, что их AI-ассистент в первый месяц обрабатывал две трети чатов службы поддержки — по сути, закрывая типовые запросы и разгружая людей для более сложных случаев.

Эти данные подтверждал и независимый разбор Reuters: агентство отмечало, что подобные внедрения позволяют компаниям перераспределять нагрузку — оставляя людям более сложные и нестандартные случаи, но одновременно требуют пересмотра навыков сотрудников, чтобы избежать потери экспертизы.

Второй механизм связан с образованием. Когда часть практики исчезает из ежедневной рутины, ее приходится восстанавливать осознанно. Профессиональный рост начинает напоминать тренировочный цикл: человек планирует, какие компетенции требуют развития, какие навыки нуждаются в ручной проработке, какие задачи стоит выполнить самостоятельно, даже если ИИ справится быстрее. Можно ввести простое правило «70/20/10»: 70% — делаю быстро с ИИ, 20% — делаю сам, поддерживаю себя в форме, 10% — разбираю ошибки (свои и модели) и делаю чек-лист для проверки.