Исследование показывает, что мгновенная генерация ответов с помощью ИИ повышает скорость работы, но снижает способность сотрудников к независимым открытиям. Решением может стать дозированное сопротивление.
2 мин
Руководители компаний по всему миру активно внедряют генеративные модели, восхищаясь их способностью мгновенно выдавать готовый код, аналитику и текстовые черновики. Однако недавнее исследование, опубликованное в Harvard Business Review, раскрывает неочевидную проблему. Когда «достаточно хорошие» ответы становятся практически бесплатными, общая продуктивность действительно растет, но уровень независимых исследований падает, а кривая инноваций становится плоской.
Исторически получение знаний и создание базовых решений требовало значительных усилий. Этот процесс поиска, проб и ошибок формировал у специалистов глубокое понимание предметной области. Сегодня большие языковые модели (LLM) сделали переиспользование чужого опыта и знаний абсолютно бесшовным. Сотрудникам больше не нужно тратить часы на изучение проблемы — достаточно правильно сформулировать запрос.
Фундаментальная проблема, которую выделяют исследователи, кроется в снижении так называемой способности к усвоению (absorptive capacity). Это умение критически оценивать, адаптировать и улучшать идеи, а не просто копировать их. Когда переиспользование информации требует усилий, люди невольно учатся. Когда процесс лишен какого-либо трения, мотивация инвестировать время в поиск более эффективных или нестандартных подходов резко снижается. В результате компании получают быстрые, но усредненные результаты.
Изображение из источника
Решение этой проблемы заключается не в том, чтобы замедлить внедрение искусственного интеллекта или отказаться от него. Исследователи предлагают концепцию «калиброванного трения» (calibrated friction). Это означает намеренное встраивание определенных барьеров в рабочие процессы, инструменты и системы оценки персонала.
На практике это может выглядеть как требование к сотрудникам сначала предложить собственное видение или набросок решения, прежде чем обращаться за помощью к алгоритму. Руководителям следует пересмотреть системы оценки: важно анализировать не только финальный продукт, который выдает сотрудник, но и то, как именно он использовал инструменты автоматизации в процессе работы. Поощряться должен оригинальный вклад и критическое осмысление предложенных машиной вариантов.
В долгосрочной перспективе искусственный интеллект способен сделать любую организацию быстрее буквально за одну ночь. Однако главная задача современных лидеров — убедиться, что эта скорость не сделает их команды более поверхностными. Компании, которые смогут найти баланс между автоматизацией рутины и сохранением интеллектуальных усилий при решении сложных задач, получат решающее преимущество на рынке.
Безграничный доступ к готовым ответам от ИИ повышает продуктивность, но убивает инновации, требуя от компаний внедрения искусственных барьеров в рабочие процессы.
Чтобы ИИ приносил долгосрочную пользу, руководителям нужно намеренно усложнять сотрудникам доступ к нему на начальных этапах решения задач, требуя самостоятельных попыток.
