На днях Марина Могилко опубликовала разговор с Эндрю Ыном — одним из самых известных специалистов по искусственному интеллекту.

В заголовок она вынесла довольно страшную цифру: ИИ может делать 40% вашей работы.
Но внутри разговора мысль гораздо интереснее заголовка.

Ын говорит примерно следующее: профессия состоит из разных задач. В ряде профессий ИИ, возможно, уже способен взять 30–40% из них. Остальная работа остаётся человеку. И по мере того, как первая часть дешевеет и ускоряется, вторая может становиться ещё ценнее.
Мне кажется, для бизнеса отсюда следует очень практический вопрос.

Потому что в штатном расписании этих 40% нет.

Там написано: менеджер по продажам.

Или бухгалтер.

Закупщик.

Юрист.

Специалист службы поддержки.

А внутри каждой такой должности живёт десяток, иногда несколько десятков разных видов работы.

Он ищет информацию о компании перед встречей.
Смотрит историю контактов.
Пытается понять, кто будет принимать решение.
Готовит вопросы.
Разговаривает с клиентом.
Слушает.
Замечает реакцию на цену.
Договаривается о следующем шаге.
Потом пишет письмо.
Вносит информацию в CRM.
Готовит предложение.
Согласовывает условия внутри компании.
Возвращается к клиенту.
Пишет отчёт руководителю.

Формально всё это — одна работа.

По факту перед нами совершенно разные действия.

Для части из них нужен опыт.
Для части — человеческое суждение.
Где-то важны отношения.
Где-то ответственность за решение.

Скорее всего, в обозримой ситуации ответ будет «нет».

Но из этого совершенно не следует, что работа менеджера останется прежней.
Предположим, раньше подготовка к хорошей встрече занимала полтора часа.
Теперь двадцать минут.

Черновик коммерческого предложения готовится за пять минут вместо сорока.

После встречи система сама собирает договорённости и готовит задачи.
История клиента находится за секунды.
Первая версия письма уже написана.
Менеджер всё ещё работает.

Только теперь за тот же день он способен провести больше хороших разговоров. Или глубже подготовиться к самым важным. Или вовремя вернуться к тем клиентам, которые раньше выпадали из внимания.

Должность сохранилась.

Её устройство изменилось.

У Эндрю Ына есть ещё одна хорошая мысль.

Часть профессиональной ценности человека держится на контексте, которого нет у модели.

Сотрудник знает, как в этой компании на самом деле принимаются решения.
Помнит, почему два года назад отказались от похожего проекта.
Понимает, когда клиент говорит «дорого», а думает совсем о другом.
Знает неформальные ограничения.
Чувствует, где стандартная процедура сегодня даст плохой результат.

У хорошего специалиста за годы накапливается огромное количество такого знания.
Оно редко записано.
Иногда человек сам не понимает, сколько знает, пока его не попросишь разобрать собственную работу.

ИИ такого опыта из воздуха не получит.

Зато он может освободить специалиста от части работы вокруг этого опыта.

Собрать материал.
Найти нужные документы.
Поднять похожие случаи.
Проверить полноту.
Подготовить варианты.
Показать противоречия.
А решение оставить человеку.

Допустим, у вас работает очень хороший закупщик.

Половину дня он проводит в таблицах, письмах, поиске условий, сравнении предложений и подготовке документов.

Можно сказать: прекрасно, автоматизируем половину работы и сократим половину закупщиков.
Но это далеко не всегда самый дорогой эффект.

Возможно, гораздо выгоднее дать этому же человеку вдвое больше времени на переговоры с поставщиками.
На поиск новых вариантов.
На анализ рисков.
На работу со сложными закупками.
На то, что требует его опыта и действительно влияет на деньги компании.

В большой организации именно здесь может находиться огромный резерв.

Сильные специалисты часто заняты работой, для которой их квалификация вообще не нужна.

А ещё ИИ способен менять границы самой роли

Есть и второй эффект.

Раньше работа была разделена между людьми во многом потому, что у каждого существовали свои инструменты и знания.

Маркетолог просил аналитика выгрузить данные.
Менеджер просил помощника собрать информацию.
Руководитель отдавал подготовку презентации другому сотруднику.
Специалист готовил техническое задание программисту на маленький внутренний инструмент.

Теперь часть этих границ начинает двигаться.

Человек получает возможность самостоятельно сделать то, для чего раньше требовался второй специалист.

Свежие данные OpenAI показывают любопытную картину: среди профессиональных запросов к ChatGPT значительная доля уже относится к задачам за пределами привычной профессии пользователя. Люди с помощью ИИ начинают заходить на соседние территории.

Для компании это означает, что старое описание должности постепенно перестаёт точно описывать работу.

И тогда появляется вопрос посложнее:

Вот это уже серьёзный управленческий вопрос.

Что искать внутри массовой роли

Я бы разбирала работу сотрудника и раскладывала её на пять разных типов.

1. Человек принимает решение. Здесь нужны опыт, ответственность, переговоры, профессиональное суждение, понимание контекста.
2. ИИ помогает человеку решить лучше или быстрее. Собирает информацию, предлагает варианты, проверяет полноту, ищет противоречия, готовит материал.
3. Повторяющееся исполнение можно отдать машине почти целиком. Подготовка типовых документов, перенос данных, регулярная обработка информации и другие действия с понятными правилами.
4. ИИ здесь вообще вторичен. Сначала надо починить процесс, данные или связь между системами.
5. Работу лучше пока оставить как есть. Цена ошибки высока, выигрыш мал или сама работа помогает человеку сохранять нужное понимание ситуации.

После такого разбора разговор об ИИ становится гораздо спокойнее.

Мы уже не ищем место, куда бы его внедрить.

Мы смотрим на работу.

Предположим, в компании 300 человек выполняют одну и ту же функцию.

Мы нашли у одного сотрудника 45 минут ежедневной работы, которую можно снять или сильно ускорить.

Это пока гипотеза.

Дальше надо посмотреть нескольких людей с той же ролью.
Может оказаться, что один сотрудник давно придумал хороший способ и тратит на задачу десять минут, а остальные — сорок.

Прекрасно.

Тогда, возможно, ИИ вообще не первая находка. Сначала стоит распространить хорошую практику.

Может оказаться, что все 300 человек каждый день вручную делают одно и то же.
Вот здесь уже есть кандидат на централизованное решение.

Может оказаться, что главная потеря времени возникает из-за плохих данных.
Тогда лечим данные.

А может выясниться, что ИИ действительно снимает по полчаса в день с каждого человека.
Тогда начинаем считать масштаб.

300 сотрудников × 30 минут — это 150 часов в день.
Около 3 000 часов в месяц.

И вот теперь имеет смысл обсуждать инвестиции.

Оно начинается с технологии.

Я бы начинала с производительности работы.
Что происходит сегодня?
Где теряется время?
Где возникают ошибки?
Почему сильный сотрудник справляется лучше среднего?
Какую часть его способа работы можно передать другим?
Что можно поручить ИИ?
Где человеку нужен лучший доступ к данным?
Какие действия вообще пора убрать?

И только после этого выбирать инструменты.

Иногда решение окажется очень простым.
Иногда потребуется корпоративная система.
Иногда интеграция.
Иногда обучение.
Иногда перестройка процесса.

Мы сейчас именно так и предлагаем начинать работу в ЧЕЛОВЕК++.

Берём одного сотрудника и за семь дней разбираем его реальную работу.

Несколько часов разговариваем с человеком: что он делает, на что уходит время, какие действия повторяются, где нужны данные, где он готовит материал, где принимает решение.

После этого появляется карта роли.

В ней видно:
где ИИ может помочь уже сейчас;
что сотрудник сможет делать сам после короткого обучения;
какую работу имеет смысл автоматизировать централизованно;
где сначала придётся разобраться с процессом или данными;
какие места лучше пока оставить человеку.

Первый разбор стоит 60 000 рублей.

Для средней или большой компании я бы рассматривала его как разведку.

Если интересного эффекта нет, мы узнаем это до начала большого проекта.
Если эффект есть, следующим шагом можно проверить его на нескольких сотрудниках той же роли, увидеть разброс и посчитать масштаб.

А потом уже решать, стоит ли распространять решение на 30, 300 или 3 000 рабочих мест.
Мне кажется, это гораздо разумнее, чем начинать со слов «давайте внедрим ИИ».

Начать можно с одного вопроса:
из чего на самом деле состоит рабочий день этого человека?

И где-то внутри ответа, скорее всего, лежат те самые 30–40%.

Но гораздо интереснее другое.