ENG
Главная ошибка технологичного бизнеса сегодня — считать внедрение технологии завершённым, когда выбран сервис, запущен пилот или создано новое подразделение. В действительности в этот момент трансформация только начинается. Технология меняет не отдельную операцию, а связи между задачами, людьми, данными, критериями качества и ответственностью за результат. Наиболее же яркая тенденция состоит в том, что большинство пользователей доступных ИИ (больших языковых моделей, чатов) не определяются работодателем с точки зрения «как используют в работе и для чего». То есть даже бизнес, официально не использующий ИИ, использует его на уровне рядовых действий сотрудников, обращающихся к ИИ хаотично, без корпоративного регламента и понимания зон рисков.
Первая распространённая ошибка — начинать с возможностей технологии, а не с устройства работы. Вопрос «где нам применить ИИ?» почти неизбежно порождает коллекцию несвязанных пилотов. Гораздо продуктивнее разобрать конкретный процесс: где возникают задержки, на каком этапе теряется качество, какое решение принимает человек и какие данные для этого использует. После такого анализа становится понятно, где ИИ действительно создаёт ценность, а где только добавляет ещё один интерфейс. Этот подход заложен в сильнейших программах по ИИ в бизнесе сейчас (Оксфорд, МИТ и другие).
Вторая ошибка — автоматизировать профессии и подразделения, не разбирая их на задачи. У ИИ нет единого уровня интеллекта: он может прекрасно выполнить одну операцию и провалить внешне похожую. Исследователи называют это «рваной технологической границей». Поэтому нельзя в общем виде утверждать, что ИИ «умеет анализировать», «заменяет маркетолога» или «готовит управленческие решения». Его возможности необходимо проверять на конкретных данных, операциях и критериях качества. Проектирование этих действий обязательно проходит стадию пилота, но важнее (и это постепенно формирует внутри среды конкретной компании системное мышление и внутреннее понимание) — что мы можем делегировать ИИ, а что нет. Если делегируем, то какие рамки (метрики) мы используем?
Третья ошибка — масштабировать технологию раньше, чем организация определила новую роль человека. ИИ способен подготовить прогноз, вариант или рекомендацию, но профессиональное суждение, выбор и ответственность остаются человеческими функциями. Если не установить, кто проверяет исходные данные, замечает пропуски, принимает решение и отвечает за последствия, ускорение работы может одновременно означать ускорение ошибок. Этот пункт на самом деле опровергает часть «страхов» о том, что ИИ оставит нас без работы. Тех, кто продолжает наращивать компетентность в своем деле, не оставит. ИИ способен оптимизировать нашу работу по ряду направлений, но контрольные точки и ценность без человеческого эксперта не появится.
Избежать этих проблем помогает последовательность: сначала исследовать реальный процесс, затем провести ограниченный эксперимент, измерить не только скорость, но и качество, ошибки и нагрузку на людей — и лишь после этого масштабировать решение. Одновременно необходимо развивать компетенции сотрудников: умение ставить задачу, проверять результат ИИ, видеть альтернативы и объяснять собственное решение. Общая грамотность и цифровая устойчивость частно, для каждого сотрудника, сейчас является важнейшим вызовом для общества. Необходимо постепенно выравнивать наше общее понимание, что за технология способна так сильно влиять на социум, и не только в корпоративной среде.
Российский технологичный бизнес сейчас находится не в точке упадка, а в сложном и перспективном переходе от демонстрационных проектов к регулярному использованию технологий. По данным Банка России, ИИ уже применяет каждое седьмое предприятие, однако зрелость практик сильно различается. Это естественный этап: инфраструктура развивается быстрее, чем управленческие модели и навыки.
Позитивная перспектива состоит в том, что рынок начинает взрослеть. Компании всё чаще спрашивают не «какую нейросеть купить», а «как перестроить работу и получить проверяемый эффект». Конкурентное преимущество получат не те, у кого больше инструментов, а те, кто быстрее научится превращать технологические возможности в устойчивую организационную компетенцию: экспериментировать, сохранять профессиональное суждение, развивать людей и отвечать за результат.
Я вижу здесь особую возможность для российского бизнеса. Россия не была первой страной, начавшей массово создавать большие языковые модели и экспериментировать с генеративным ИИ. Но более поздний вход может стать преимуществом: нам уже доступно поколение значительно более производительных систем, а также накопленные мировой практикой знания об их ошибках, ограничениях и влиянии на работу человека.
У российского бизнеса есть сильная традиция фундаментальной подготовки, инженерного мышления и способности действовать в условиях ограничений. Однако сами по себе эти качества преимущества не гарантируют. Его необходимо создать — начать внедрение ИИ не с гонки инструментов, а с развития мышления, профессионального суждения и новой культуры ответственности.
Возможно, миссия российского технологического бизнеса сейчас — не повторить чужой путь от технологической эйфории к осознанию рисков, а сразу войти в эпоху ИИ более зрелым способом. Не только создавать собственные модели и платформы, но одновременно проектировать новую совместную работу человека и технологии. Если мы начнём с мышления, у нас есть шанс оказаться среди лидеров не по количеству ранних экспериментов, а по качеству реального применения.
