Форсайт-центр и Институт искусственного интеллекта и цифровых наук (Институт ИИ) НИУ ВШЭ провели круглый стол «Как меняется работа в эпоху ИИ: опыт бизнеса, науки и госсектора». Представители бизнеса и эксперты обсудили роль руководителя в интеграции ИИ в бизнес-процессы, границы доверия к самостоятельным решениям ИИ-агентов, а также почему пилотные проекты не доходят до внедрения и как справедливо оценить труд сотрудников, чья производительность выросла благодаря использованию ИИ.
Модератором круглого стола выступила заведующая отделом методологии и организации форсайт-исследований ИСИЭЗ НИУ ВШЭ Олеся Майбах. Она отметила, что, по ее наблюдениям, несмотря на то, что пилотные проекты с искусственным интеллектом запускаются повсеместно, заметная часть из них не превращается в повседневную практику. Главный барьер, полагает она, не в технологии как таковой, а в том, что компании пока не готовы менять ради ИИ свои процессы, обучать людей и перестраивать культуру.
«Основные причины низкого уровня внедрения ИИ в рабочие процессы — это в первую очередь высокая цена разработки и интеграции, а затем идут слабая инфраструктурная оснащенность предприятий, нехватка кадров и данных», — подчеркнула Олеся Майбах.
Руководитель департамента цифрового развития и взаимодействия с клиентами компании «Северсталь-инфоком» Владимир Сидоров рассказал, что внедрение ИИ — это точка приложения организационных усилий как руководителей (top-down), так и линейных сотрудников (bottom-up). Без первых лиц запустить ИИ нельзя, уверен он.
«Если топ-менеджмент не использует генеративный ИИ в обычной жизни и на работе, ничего не получится. Руководитель должен пощупать ИИ собственными руками, только тогда появится доверие к тому, что этот ИИ делает. Инициативы снизу без управленческого давления сверху эффектов не приносят», — говорит Владимир Сидоров.
Кроме того, если компания хочет масштаба, ей придется создавать собственные цифровые платформы — готовые, удобные и безопасные. Разрозненные решения не дают нужного эффекта. «Классический ИИ в компании развивается с 2016 года. За это время наш коллектив создал больше сотни моделей разного масштаба — от управления агрегатами до цифрового двойника производства. Генеративный ИИ стал просто следующим слоем этой цифровизации», — поделился опытом спикер.
Андрей Даркшевич, заместитель директора Института ИИ НИУ ВШЭ, отметил, что в современной индустрии от молодых специалистов, помимо навыков использования ИИ, требуется отраслевая экспертиза, понимание экономических и технических законов. По его мнению, звездные стажеры не задерживаются в командах, потому что им интересна идея, а не кропотливая работа по внедрению. Часто приходится слышать жалобы работодателей: «Мы десятилетиями разбираемся с этой темой, и вот пришел математик, чтобы рассказывать, как нужно работать. Но реальные процессы — это не только математика, но и глубокая доменная экспертиза».
Решение проблемы эксперт видит в том, чтобы лабораторные работы в университете проводились на реальных данных, а не на «учебных примерах», это приближает специалистов к более глубокому пониманию бизнес-составляющей. Сейчас информации так много, что без опоры на стандарты и нормы ИТ-решение не поднять.
Андрей Даркшевич также полагает, что благодаря клиповому мышлению, которое принято считать недостатком, молодые специалисты лучше подготовлены к современной работе с данными. Например, они умеют оперативно обрабатывать информацию из разрозненных источников и быстрее принимать решения. «У нас есть два пути: либо нанимать больше людей, чтобы справляться с возрастающим объемом цифровой информации о бизнесе, либо научиться использовать клиповое мышление в работе компаний», — говорит он.
По мнению директора Центра ИИ на транспорте Российского университета транспорта Федора Шкурова, языковые модели и инструменты вайб-кодинга уже способны взять на себя значительную часть работы офисного специалиста или эксперта — от аналитики и подготовки документов до реализации идей. Спикер опирался на личный опыт: если раньше подготовка поправок к нормативному акту или разработка прототипов сервисов по продуктовым гипотезам растягивалась на месяцы, то теперь на это уходят дни, а в некоторых случаях часы. Рутинные задачи в его собственных проектах решаются с помощью ИИ, и это базовое требование к членам команды.
«Я уже не могу ждать день, пока команда оформит результаты совещания, — это нужно через час. А проверку гипотез, прототип, схему и план — на следующий день. Такая скорость становится нормальной. И она создает одновременно и эффекты, и разрывы в производительности труда. Нужен новый подход к созданию ИИ-культуры в организациях: людям надо дать все условия для освоения технологии и встраивания ее в рабочий день», — отметил эксперт.
Владение инструментами ИИ со временем выравняется у всех, а решающими останутся доменные знания, умение проверить результат, созданный алгоритмом. «Узким местом становится приемка, а не генерация», — считает эксперт. ИИ увеличивает производительность специалистов с собственной экспертизой в разы: один человек превращается в «завод продуктов». «Те же, кто применяет ИИ поверх пустоты в голове, без экспертизы, и принимает выдачу модели на веру, часто производят брак, который невозможно исправить», — добавил спикер. По его мнению, эффективность команд следует измерять долей результата, прошедшего экспертную проверку и внедренного в бизнес-процессы организации.
Ключевым недостатком молодых специалистов является нехватка компетенций 4К (коммуникация, командная работа, креативность и критическое мышление), полагает Сергей Колесников, руководитель образовательных проектов Cloud.ru. В качестве примера решения этой проблемы он привел внутренний опыт компании, где для сотрудников проводятся специальные курсы, направленные на совместную генерацию идей и развитие гибких навыков.
Об опасности некритичной коммуникации с ИИ рассказала Анна Гребенюк, заместитель директора Форсайт-центра ИСИЭЗ НИУ ВШЭ. Она описала распространенную ошибку, которая может снизить ценность использования ИИ. «Мы сразу идем в искусственный интеллект, для себя не продумывая задачу, и, когда нам модель подает какой-то ответ, мы начинаем думать в парадигме LLM». Особенно уязвимы школьники, у них навык самостоятельной постановки задачи еще не сформирован.
Эту мысль продолжил Илья Бердыш, директор по продукту компании Mymeet.ai, применительно к найму разработчиков. Начинающим специалистам, по его опыту, полезнее сначала разобраться в основах — функциональном программировании и системной архитектуре, а уже потом опираться на языковые модели. «Когда LLM под рукой, легко сразу перейти к вопросу, как это сделать, и модель охотно задает рамку. А полезнее сделать шаг назад, посмотреть шире и подумать системно», — считает он. Отсюда и подход к работе с ИИ-агентами: «Инженер, который понимает архитектуру, может вести сразу несколько агентов и отвечать за результат. Поэтому мы вкладываемся в фундамент, а не только в умение работать с моделями».
Елена Колесникова, директор по развитию производства и повышению эффективности дивизиона «Композитные технологии» ГК «Росатом», сместила фокус дискуссии на реальный сектор и производственные процессы. Она рассказала, что обилие предложений на рынке ИИ-продуктов — от видеоаналитики средств индивидуальной защиты до машинного зрения — часто подталкивает компании к неоправданным расходам. По словам спикера, аудит реальных процессов нередко показывает, что дорогостоящая автоматизация не нужна: детальное описание функционала сотрудников иногда показывает более высокую эффективность классической организации труда.
Елена Колесникова отметила, что искусственный интеллект — это лишь инструмент, который не должен заменять критическое мышление. Задача вузов — научить студентов целеполаганию, чтобы они понимали, ради чего внедряется технология, будь то снижение затрат, удобство или безопасность, и умели подбирать оптимальные решения. Это поможет избежать хаотичной цифровизации.
Константин Вишневский, директор Центра стратегической аналитики и больших данных ИСИЭЗ НИУ ВШЭ, рассказал, что сегодня ключевой вызов — это не дефицит информации, а дефицит доверия. «Мы на грани нового разрыва между людьми, но только разрыв будет не между теми, кто умеет пользоваться или не умеет, а между теми, кто просто доверяет искусственному интеллекту и кто умеет ставить ответ под сомнение, каким бы правдоподобным он ни казался». Причина — в экономике: современные модели обвалили стоимость ответа, и теперь важен не доступ к информации, а то, кто и на каком основании может подтвердить ее достоверность. Так возникает дефицит доверия.
Этот вывод подтвердил и собственный опыт Центра стратегической аналитики и больших данных, который разработал мультиагентную ИИ-платформу iFORA. Прототип аналитической платформы клиенты оценили высоко, но именно как чат-бота, тогда как реальное преимущество оказалось в другом — в методологии, проверенных источниках и человеческой экспертизе, которые стоят за ответом, а не в самом инструменте.
Закрывая дискуссию, Олеся Майбах призналась, что хорошая встреча оставляет больше вопросов, чем ответов, и у нее их теперь стало больше, чем было.