Давно хотел написать о том, что LLM и агенты очень наглядно показывают, насколько плохо мы порой умеем делегировать.

Мы так привыкли получать быстрые ответы от нейросетей, что иногда воспринимаем их как Гугл на стероидах. Пять слов в промте - и готовый результат. А если получилось не то, значит, нейросеть тупая и проще самому сделать.

Недавно я решил составить себе программу тренировок с помощью нейросети. Казалось бы, плёвая задача: информации полно, миллионы людей уже делали что-то подобное. Но даже промт на полстраницы А4 не дал результата, который меня устроил.

Оказалось, что за простой задачей скрывается масса нюансов, о которых я даже не подумал. Пришлось уточнять контекст, отвечать на вопросы, разбирать варианты и проходить несколько итераций. В итоге получил отличную программу, но передать пришлось гораздо больше информации, чем я ожидал.

А теперь представьте, как часто мы так же ставим задачи людям

Не раз сталкивался с жалобами коллег, что нейросеть пишет ерунду. Просишь показать промпт, а там: “Проанализируй документ на 120 страниц” или “Подбери синонимы”. Без контекста, цели и критериев результата.

Впрочем, с сотрудниками мы поступаем не лучше. В одном из моих проектов с высокой неопределённостью новые участники команды по-разному понимали задачи. Кто-то начинал решать проблему, которую ещё требовалось исследовать, а кто-то уходил в глубокий анализ, хотя общего подхода к решению ещё не было.

И дело не всегда в исполнителе. Мы просто рассчитываем, что человек сам догадается, что именно мы имели в виду.

В своей практике я стараюсь просить сотрудников задавать вопросы, подтверждать понимание задачи и описывать план действий. Важно договориться, какой результат мы хотим получить, а не просто перечислить действия, которые нужно выполнить.

При этом чем опытнее специалист, тем больше неопределённости ему можно делегировать. Иногда достаточно сказать: “Сделай плиз так же, как тогда”. Главное, чтобы у нас действительно было общее понимание, что значит “так же” 😄

И вот здесь LLM и агенты становятся отличным тренажёром управленческих навыков

Работая с ними, я всё чаще задаю роль, передаю контекст, описываю критерии результата и прошу сначала задать уточняющие вопросы. Некоторые агентные системы уже умеют декомпозировать задачи, использовать инструменты и координировать несколько исполнителей, но им всё равно нужно объяснить, какую команду собрать, что считать успехом и как проверить результат.

Есть и обратная сторона. Всё чаще слышу, как сотрудники генерируют тонны кода с помощью клода, считая себя значительно продуктивнее, но не могут объяснить принятые решения. А ведь одну и ту же задачу можно решить разными способами, и популярный вариант далеко не всегда подходит конкретному проекту. Архитектура многогранна 🧠

Похоже, с появлением агентов всем понемногу придётся становиться руководителями

LLM и агенты не доказывают, что мы плохо умеем делегировать. Но они очень наглядно показывают, насколько результат зависит от ясности цели, контекста, критериев и обратной связи. И заодно напоминают, что даже хорошо поставленная задача не отменяет необходимости проверять результат.

И дело не в том, чтобы найти идеальный шаблон промта. Шаблонов полно. Гораздо важнее понимать, почему именно так нужно ставить задачи, и уметь адаптировать подход под свой контекст.

Ведь если мы не умеем объяснить, чего хотим от исполнителя, не стоит удивляться, что он делает совсем не то.