Ключевые инсайты👇

🔠Природа ИИ и его ограничения

🔵Большие языковые модели (LLM) не обладают «интеллектом» в человеческом смысле, они разбивают информацию на токены и выдают вероятностные комбинации. 🔵Возникает феномен неоднозначных возможностей ИИ: ИИ прекрасно справляется с одними задачами, но проваливается в других, например, в игре в крестики-нолики. 🔵Искажения: например, ИИ часто выдает «42» при просьбе сгенерировать случайное число от 1 до 100, потому что он обучен на данных Интернета, а в Интернете 42 появляется гораздо чаще, чем в реальной жизни, благодаря фанатам книги «Автостопом по галактике».

🔠Влияние ИИ на производительность

🔵Эксперимент BCG и Harvard (Dell’Acqua, 2023): ➡️Измерялись 18 задач, от анализа до генерации идей и убеждения. ➡️С ИИ разрыв между лучшими и худшими сотрудниками сократился с 28% до 5%. ➡️В будущем «все будут выше среднего». 🔵Однако: ➡️Со сложными стратегическими задачами ИИ справляется хуже человека. ➡️А комбинация «человек + ИИ» иногда даёт результаты хуже, чем люди без ИИ.

🔠Изменение рынка труда

🔵Повышение среднего уровня производительности, но вот вопрос, кому достанутся выгоды: бизнесу, обществу или отдельным работникам. 🔵Аутсорсинг и офшоринг утратят смысл: компьютеры дешевле людей, нет смысла переносить функции за рубеж. 🔵Сокращение начальных позиций в консалтинге, банкинге и других сферах, где младшие сотрудники занимаются анализом данных и подготовкой документов. 🔵Исчезновение транзакционных работ (колл-центры, кассиры). 🔵Дефицит линейных менеджеров через 4–7 лет: потребность в качественных линейных руководителях резко возрастёт.

🔠Что делать компаниям

🔵Подходить к ИИ как к стажёру: нужны контроль, настройка и обучение. 🔵6 факторов успеха: ✔️Централизовать и очистить данные (помните, что «garbage in – garbage out»). ✔️Развивать навыки статистики и экспериментов (иначе всё остаётся «на уровне вайбов»). ✔️Назначать в командах «AI trailblazer» - ответственного за ИИ, который будет писать отчеты руководителю команды каждую неделю. ✔️Начинать с самой больной точки в бизнес-процессах, и именно туда внедрять ИИ. ✔️Инвестировать в обучение: критически важен метанавык учиться. ➡️Делать способность к обучению критерием найма. ➡️Усилить корпоративное обучение. ✔️Терпение: пример компании J&J, которая экспериментировала 3 года, прежде чем нашла рабочее применение ИИ.

🔠Критика традиционных HR-практик

🔵Многие HR программы строятся на корреляции, а не причинности: ➡️Реферальные бонусы (даже удвоение реферальных бонусов в Google не повлияло на наем). ➡️Фитнес-бонусы (на самом деле ими пользуются те, кто и так мотивирован заниматься спортом). ➡️Наем по престижности вуза (отрицательная корреляция с результатами в продажах). ➡️Большинство обучающих программ (через 6 месяцев после прохождения менеджеры воспринимаются как менее эффективные). ➡️Возврат в офис по требованию CEO, что на самом деле снижает эффективность, в то время как гибрид улучшает удержание и счастье сотрудников без ущерба для продуктивности.

Итого ИИ изменяет саму ткань рынка труда: 📌низкоквалифицированные и рутинные профессии исчезают, 📌он резко сокращает барьеры в производительности, 📌но создаёт риск управленческого вакуума.

Главная задача лидеров заключается не в том, чтобы «догнать технологии», а в том, чтобы создать культуру экспериментов, обучения и разумного управления ИИ, сохраняя баланс между эффективностью и человеческим фактором.