Самый быстрый способ получить неверное решение — поручить задачу ИИ и принять убедительный ответ за проверенный. Текст выглядит профессионально, аргументы выстроены, вывод сформулирован уверенно. Осталось заметить, что система решала не ту задачу. Или опиралась на предположение, которое в вашей компании не работает.
В сентябрьском исследовании IBM Institute for Business Value 71% опрошенных HR-руководителей назвали умение контролировать, проверять и при необходимости отклонять результаты ИИ важнейшим навыком сотрудников. При этом только 29% работников отнесли самостоятельное суждение к важным умениям. Эти показатели отражают ответы на разные вопросы, поэтому напрямую сравнивать их нельзя. Но они дают повод проверить, одинаково ли руководители и команды понимают требования к работе с ИИ.
Для HR-директора, собственника и руководителя обучения отсюда возникает практическая задача: научить людей определять, где инструмент помогает, а где предлагает красивую ошибку. Разберём, как встроить проверку в рабочий процесс, кому дать право остановить неверное решение и что учитывать при оценке результата..
Сначала определить задачу, потом писать запрос
Представим учебную ситуацию. Руководитель просит ИИ составить программу развития менеджеров по продажам. Через минуту получает аккуратный план: переговоры, работа с возражениями, презентация продукта. На первый взгляд всё подходит. Но продажи могут снижаться из-за задержек поставок, неудобной системы согласования скидок или неверного распределения клиентов. Тренинг не устранит эти причины.
Ошибка возникает ещё до генерации ответа: руководитель заранее решил, что проблема связана с навыками. ИИ лишь придал этому предположению убедительную форму. Поэтому обучение работе с инструментом стоит начинать с постановки задачи. Сотруднику нужно отделять наблюдение от объяснения: «доля повторных покупок снизилась» — наблюдение; «менеджеры плохо поддерживают контакт» — версия, которую предстоит проверить.
Перед обращением к ИИ предложите команде ответить на четыре вопроса:
- Какой результат нас не устраивает и где это видно?
- Что мы знаем наверняка, а что только предполагаем?
- Каких данных не хватает для решения?
- По каким признакам мы поймём, что предложение подходит?
Такой разбор удобно встроить в обучение критическому мышлению. Возьмите реальную рабочую задачу, уберите конфиденциальные сведения и попросите участников сначала сформулировать проблему самостоятельно. Затем сравните их версии с ответом ИИ. Обсуждайте прежде всего различия в исходных предположениях.
Для российской компании полезен и отдельный вопрос о применимости рекомендации. Учитывает ли она распределённую сеть филиалов, сменный график, доступ сотрудников к компьютерам, порядок согласования решений? Универсальный совет «проводите еженедельные онлайн-сессии» мало помогает подразделению, где людей трудно одновременно освободить от работы. Контекст нужно задавать и проверять.
Проверка ответа — отдельный навык
Указание «проверяйте всё, что выдал ИИ» звучит разумно, но почти не объясняет сотруднику, что делать. Проверить орфографию? Пересчитать показатели? Найти первоисточник? Согласовать вывод с руководителем? Без конкретного порядка действий каждый понимает проверку по-своему, а компания получает непредсказуемое качество.
Разделите проверку на три уровня:
- Факты. Существуют ли упомянутые документы, совпадают ли даты и цифры, можно ли открыть источник?
- Логика. Следует ли вывод из данных, рассмотрены ли другие объяснения?
- Применимость. Подходит ли предложение конкретной команде, клиенту и рабочей ситуации?
Например, ИИ предлагает сократить вводное обучение новичков, поскольку они быстро проходят итоговый тест. Проверка фактов подтвердит результаты тестирования. Проверка логики поставит следующий вопрос: измеряет ли тест готовность работать самостоятельно? Проверка применимости потребует посмотреть, как новички справляются с реальными задачами и сколько помощи получают от наставников.
На занятии можно дать участникам два коротких ответа: гладкий, но с пропущенным условием, и менее эффектный, зато с явными ограничениями. Попросите выбрать основу для решения и объяснить выбор. После этого разберите, какую проверку участники действительно провели и какие слова просто вызвали доверие.
Оценивайте наблюдаемые действия: сотрудник заметил недостающий контекст, сверился с источником, предложил альтернативу, отказался от вывода при нехватке данных. Формулировка «умеет работать с ИИ» слишком широка для обратной связи. Формулировка «проверяет источник показателя перед включением в отчёт» уже позволяет договориться о стандарте.
Ответственность требует права изменить решение
В исследовании IBM 43% сотрудников сообщили, что при ошибках ИИ обвиняют их. Сам по себе этот ответ не раскрывает обстоятельства каждого случая. Для руководителя он ставит конкретный вопрос: совпадает ли ответственность работника с его полномочиями?
Представим, что система рекомендует последовательность обработки обращений. Специалист замечает: срочный запрос постоянного клиента оказался в конце очереди. Если за отклонение от рекомендации нужно писать объяснительную, а за задержку ответа отвечать лично, возникает противоречие. Компания требует самостоятельного суждения, но делает его применение неудобным.
Для каждого процесса полезно заранее описать три режима работы:
- ИИ готовит материал. Сотрудник проверяет его и принимает решение до следующего действия.
- ИИ выполняет ограниченную операцию. Команда задаёт допустимые условия, контролирует результат и определяет исключения.
- Человек ведёт задачу. ИИ помогает собирать варианты или структурировать информацию, но не определяет итог.
Это рабочая схема для обсуждения, а не универсальная классификация. В одной задаче могут сочетаться разные режимы. Например, инструмент собирает черновик отчёта автоматически, аналитик проверяет расчёты, а руководитель решает, какие действия предпринять. Важно обозначить переходы между этапами и назвать ответственного за каждый из них.
Добавьте короткое правило остановки: при каких признаках сотрудник прекращает выполнение, кому передаёт вопрос и что фиксирует. Разберите на командной встрече один пример обоснованного отказа от рекомендации ИИ. Руководителю нужно показать, какой ход рассуждений он считает качественным, даже если проверка заняла дополнительное время.
Считать время до готового результата
Черновик коммерческого предложения появился за две минуты. Раньше на него уходило полчаса. Можно ли записать в экономию двадцать восемь минут? Пока рано: сотруднику ещё предстоит проверить условия, убрать неподходящие обещания и согласовать нестандартные формулировки.
Для оценки выберите полный рабочий цикл: от получения задачи до результата, который можно использовать. Запишите время на подготовку, проверку, исправления и согласование. Отдельно отметьте возвраты на доработку. Тогда станет видно, где инструмент действительно ускоряет процесс, а где переносит нагрузку на другой этап или другого человека.
Допустим, в условном пилоте подготовка текста сократилась с тридцати до десяти минут, но проверка выросла с пяти до пятнадцати. Общая экономия составляет десять минут. Это может быть хорошим результатом, если качество сохранилось. Но планировать загрузку команды исходя из трёхкратного ускорения было бы ошибкой.
Не превращайте учёт в посекундное наблюдение за сотрудниками. Для первого разбора достаточно небольшой выборки сопоставимых задач и понятных категорий времени. Обсудите с участниками, что именно вы измеряете и зачем. Иначе они могут записывать только время генерации, потому что именно эту цифру ждёт руководитель.
Результаты такого разбора помогут точнее спланировать развитие управленческих навыков. Если основная задержка возникает при согласовании, команде может понадобиться ясный порядок принятия решений. Если сотрудники долго исправляют фактические ошибки, стоит пересмотреть типы задач для ИИ и научить людей проверять конкретные данные.
Учить на рабочих решениях и возвращаться к ним
После вводного занятия сотрудник может знать ограничения ИИ и всё равно принимать первый ответ в условиях дедлайна. Поэтому проверять обучение только тестом по терминологии недостаточно. Нужна практика, похожая на работу: неполные данные, несколько разумных вариантов, ограниченное время и необходимость объяснить выбор.
Соберите несколько обезличенных кейсов вместе с руководителями подразделений. Для HR это может быть план адаптации, для продаж — подготовка к встрече, для операционной команды — разбор повторяющегося сбоя. У каждого кейса должны быть исходные данные, критерии приемлемого результата и хотя бы одно условие, которое легко упустить.
Попросите участника сначала предложить собственный ход решения, затем использовать ИИ и отметить, что изменилось. Какие идеи он принял? Какие отклонил? Где запросил дополнительные сведения? Такой формат позволяет увидеть самостоятельное рассуждение и сделать обратную связь предметной.
После занятия договоритесь о коротком разборе рабочих примеров с руководителем. Достаточно выбрать одну задачу и обсудить путь от первого ответа до финального решения. Зафиксируйте полезный приём: например, проверять исходную единицу измерения или перечислять условия, при которых рекомендация перестаёт работать.
Для оценки результатов корпоративного обучения сопоставляйте похожие задания до программы и после неё. Смотрите на качество аргументации, замеченные ошибки, обоснованность отказа от ответа и время до готового результата. Если задачи различаются по сложности, прямо отмечайте это ограничение: иначе цифры создадут видимость точного сравнения.
Практические рекомендации
Начните с одного процесса, где команда уже использует ИИ. Ниже — пример двухнедельного пилота. Срок можно изменить под рабочий цикл подразделения; задача пилота — проверить порядок работы на конкретных случаях.
- Выберите повторяющуюся задачу. Например, подготовку внутренних информационных материалов. Опишите готовый результат и критерии качества. Назначьте руководителя пилота и сотрудников, которые будут разбирать примеры.
- Соберите исходные данные. Возьмите несколько недавних сопоставимых задач. Зафиксируйте затраченное время, типичные замечания и возвраты на доработку. Не восстанавливайте точные минуты по памяти: пометьте приблизительные оценки.
- Составьте памятку проверки. Включите в неё только вопросы, нужные для выбранного процесса: подтверждены ли факты, учтены ли условия, понятен ли следующий шаг. Для каждого пункта приведите пример ошибки.
- Распределите полномочия. Укажите, кто проверяет материал, кто утверждает результат и в каких случаях сотрудник останавливает работу. Согласуйте, кому передавать спорный случай, чтобы задача не зависала.
- Проведите практический разбор. Дайте команде один обезличенный кейс с пропущенным условием. Сначала попросите участников поработать самостоятельно, затем обсудите расхождения и дополните памятку.
- Подведите итоги на реальных задачах. Сравните время полного цикла и качество. Соберите замечания участников. Решите, что сохранить, что изменить и каких данных пока недостаточно для расширения практики.
По итогам подготовьте короткое описание процесса: задача, роль ИИ, порядок проверки, ответственные и условия остановки. Такой документ легче использовать в ежедневной работе, чем длинную презентацию с общими принципами.
Заключение
Ценность обучения работе с ИИ проявляется в момент выбора: принять ответ, исправить его, запросить данные или отказаться от предложения. Чтобы сотрудник сделал этот выбор осмысленно, ему нужны понятные критерии, практика и полномочия.
Начать можно с небольшой рабочей задачи. Определите стандарт качества, проверьте полный цикл и обсудите ошибки без попытки спрятать их за скоростью генерации. Так у компании появятся основания решать, где расширять использование ИИ и чему учить команду дальше.
Часто задаваемые вопросы
Нужно ли сначала обучить всех сотрудников написанию запросов?
Базовое знакомство полезно, но программу лучше строить вокруг задач конкретных ролей. Сразу соединяйте составление запроса с проверкой ответа. Сотрудник должен понимать, какой результат ему нужен и как оценить его пригодность.
Как проверять ответы, если сотруднику не хватает экспертизы?
Заранее определите доступные источники и человека, которому можно передать спорный вопрос. Если сотрудник не способен проверить существенную часть ответа, одного его одобрения недостаточно для использования результата. Учитывайте это при распределении задач.
Нужно ли вручную проверять каждую операцию ИИ?
Порядок контроля зависит от задачи и последствий ошибки. Для ограниченных повторяющихся операций можно обсудить выборочную проверку и контроль исключений. Для решений с существенными последствиями установите более строгую проверку до действия.
Как понять, что критическое мышление действительно развивается?
Наблюдайте за действиями на сопоставимых кейсах. Замечает ли сотрудник недостающие данные, проверяет ли основания вывода, рассматривает ли альтернативы? Просите объяснить решение: правильный ответ без понятного рассуждения мало говорит о навыке.
Можно ли перенести выводы исследования IBM на российскую компанию?
Используйте их как вопросы для собственной диагностики. Глобальный опрос не описывает автоматически вашу команду. Проверьте, как сотрудники понимают ответственность, какие ответы перепроверяют и сколько времени занимает подготовка пригодного результата.
Источник статистики: исследование IBM Institute for Business Value, пресс-релиз от 21 сентября 2026 года. Исследование основано на опросах 1500 HR-руководителей и 8800 сотрудников. Примеры и практические рекомендации в статье — редакционные предложения.
