Когда опыт мешает управлению
Хороший спортсмен не всегда становится хорошим тренером. То же самое в управлении. Часто предыдущий опыт выполнения задач стреляет в ногу.
Для наглядности упрощу пример из личной практики. Помните, как в анекдоте про Петьку и Чапаева про прибор? Вот здесь, похоже. Техлид приходит к джуну и ставит задачу: «Интегрируй API». Для техлида это просто как марлевые трусы, потому что он это делал много раз. Для джуна — китайская грамота.
Возникает множество вопросов: какой API конкретно? Какие данные нужны? Какой формат ответов? Надо ли писать тесты? Какие? Что, если сервер не отвечает? Нужна ли обработка ошибок? Где документация?
Некоторые руководители считают, что все эти вопросы сотрудник должен задать. А в идеале ничего не спрашивать, а самостоятельно разобраться, пройдя несколько кругов ада.
В той истории техлид была удивлена, когда через неделю получила задачу, которую нужно было переделывать. В её голове решение было очевидным.
Звучит странно, но чем больше разница в опыте между тобой и человеком, тем выше риск того, что ты забудешь, что он не видит или не знает то, что видишь или знаешь ты.
Когда опыт велик, мозг «прыгает» через шаги. Ты не замечаешь промежуточные этапы, потому что твой мозг их пропускает. Для опытного разработчика интеграция API — это один шаг. Для новичка это пять разных задач.
Опасность в том, что часто мы понимаем это потом. Часто, когда времени на переделку уже не остаётся. Ты злишься и выдумываешь какие-то объяснения «наверх». Подчинённый чувствует себя неудачником. Счастье во всём мире никак не наступает.
Как исправить? Когда ставишь задачу, нужно замедлиться, оценить, какого уровня задачи способен делать сотрудник, и написать или сказать вслух:
— Во-первых, не «интегрируй API», а «возьми данные из их /users endpoint и загрузи в нашу базу».
— Во-вторых, как (какие шаги, какой порядок).
— В-третьих, границы (до сюда твоя ответственность, дальше — моя).
Поначалу может выглядеть как чрезмерный контроль. На самом деле это экономия нервов и внимания. Человеку больше не нужно гадать. Он точно знает, что делать. А со временем gap в опыте между руководителем и сотрудником уменьшается, а следом за ним объём описания задачи.
Граница между хорошим лидером и плохим — не в опыте. А в способности понятно поставить задачу сотруднику.
Но даже если ты научился хорошо объяснять, есть ещё один риск. Человек может слепо выполнять твои указания, не думая критически. Парадоксально, но некоторые руководители принимают это за идеальную лояльность.
#метод #управление #менторство
Хороший спортсмен не всегда становится хорошим тренером. То же самое в управлении. Часто предыдущий опыт выполнения задач стреляет в ногу.
Для наглядности упрощу пример из личной практики. Помните, как в анекдоте про Петьку и Чапаева про прибор? Вот здесь, похоже. Техлид приходит к джуну и ставит задачу: «Интегрируй API». Для техлида это просто как марлевые трусы, потому что он это делал много раз. Для джуна — китайская грамота.
Возникает множество вопросов: какой API конкретно? Какие данные нужны? Какой формат ответов? Надо ли писать тесты? Какие? Что, если сервер не отвечает? Нужна ли обработка ошибок? Где документация?
Некоторые руководители считают, что все эти вопросы сотрудник должен задать. А в идеале ничего не спрашивать, а самостоятельно разобраться, пройдя несколько кругов ада.
В той истории техлид была удивлена, когда через неделю получила задачу, которую нужно было переделывать. В её голове решение было очевидным.
Звучит странно, но чем больше разница в опыте между тобой и человеком, тем выше риск того, что ты забудешь, что он не видит или не знает то, что видишь или знаешь ты.
Когда опыт велик, мозг «прыгает» через шаги. Ты не замечаешь промежуточные этапы, потому что твой мозг их пропускает. Для опытного разработчика интеграция API — это один шаг. Для новичка это пять разных задач.
Опасность в том, что часто мы понимаем это потом. Часто, когда времени на переделку уже не остаётся. Ты злишься и выдумываешь какие-то объяснения «наверх». Подчинённый чувствует себя неудачником. Счастье во всём мире никак не наступает.
Как исправить? Когда ставишь задачу, нужно замедлиться, оценить, какого уровня задачи способен делать сотрудник, и написать или сказать вслух:
— Во-первых, не «интегрируй API», а «возьми данные из их /users endpoint и загрузи в нашу базу».
— Во-вторых, как (какие шаги, какой порядок).
— В-третьих, границы (до сюда твоя ответственность, дальше — моя).
Поначалу может выглядеть как чрезмерный контроль. На самом деле это экономия нервов и внимания. Человеку больше не нужно гадать. Он точно знает, что делать. А со временем gap в опыте между руководителем и сотрудником уменьшается, а следом за ним объём описания задачи.
Граница между хорошим лидером и плохим — не в опыте. А в способности понятно поставить задачу сотруднику.
Но даже если ты научился хорошо объяснять, есть ещё один риск. Человек может слепо выполнять твои указания, не думая критически. Парадоксально, но некоторые руководители принимают это за идеальную лояльность.
#метод #управление #менторство
Идеальный исполнитель — самая большая угроза
Идеальный сотрудник — тот, кто иногда тебе перечит. Возможно звучит странно, сейчас поясню.
Возьмём задачу подготовки отчётов с данными. Бывает, что аналитики полностью доверяют руководителю. Менеджер сказал: аналитик делает. Ни вопросов, ни возражений. Казалось бы, идеальный исполнитель. Кстати, аналитик вспомнился как пример, мне попадались с таким подходом и программисты, и дизайнеры, и сотрудники клиентского сервиса. Везде одно и то же. Как там было: «Мама сказала деньги в бидоне».
Менеджер ставит задачу: нужно срочно посчитать конверсию по такой-то метрике для такого-то периода. Аналитик считает ровно как сказано. Собирает дашборд и даже вовремя отправляет заказчику. Тот идёт с ним на встречу с директором. И там выясняется, что метрика была неправильная, период был тот, результаты бессмысленны. Парам-парам-пам!
Самое интересное: аналитик знал, что что-то не так. Видел, что задача странная. И не уточнил. Просто взял и выполнил, как попросили. Потому что так организованы рабочие отношения: менеджер указывает, аналитик делает.
Есть такое понятие — zone of indifference. Это диапазон указаний, которые человек выполняет без критического анализа. Выглядит как идеальная лояльность. Но есть нюанс.
Когда человек перестает думать, ответственность размывается. Менеджер думает: «Я же чётко сказал!» Сотрудник думает: «Я же всё сделал, как ты попросил!». А в результате цель не достигнута.
Или ещё хуже, когда человек долго работает в режиме слепого исполнения, он действительно перестаёт думать. Теряет способность критиковать, предлагать альтернативы, видеть проблемы. Становится инструментом руководителя вместо партнера.
Граница между лояльностью и ответственностью следующая: лояльный подчинённый выполняет задачи. Ответственный сотрудник выполняет поставленные, но с правом на «погоди, а ты уверен?»
Как это организовать? Нужно узаконить право сомневаться и поощрять его. Когда подчиненный спрашивает: «Это точно нужно?» или предлагает другой путь — это не дерзость. Это забота о результате.
Забавно, что когда у тебя такие сотрудники, они работают лучше. Потому что они не просто беспрекословно выполняют задачи, но и понимают зачем. И если есть проблема — они её видят раньше, чем ты.
Лучший сотрудник — не тот, кто всегда согласен. А тот, кто понимает, что иногда надо остановиться, оценить задачу критически и, при необходимости, обсудить с руководителем до начала исполнения.
Окей, ты нашёл тех, кто не боится сказать «погоди». Остаётся вопрос, как ставить задачи так, чтобы человек чувствовал свободу действий, а ты при этом не просыпался в холодном поту с ощущением потери контроля.
#метод #управление #менторство
Идеальный сотрудник — тот, кто иногда тебе перечит. Возможно звучит странно, сейчас поясню.
Возьмём задачу подготовки отчётов с данными. Бывает, что аналитики полностью доверяют руководителю. Менеджер сказал: аналитик делает. Ни вопросов, ни возражений. Казалось бы, идеальный исполнитель. Кстати, аналитик вспомнился как пример, мне попадались с таким подходом и программисты, и дизайнеры, и сотрудники клиентского сервиса. Везде одно и то же. Как там было: «Мама сказала деньги в бидоне».
Менеджер ставит задачу: нужно срочно посчитать конверсию по такой-то метрике для такого-то периода. Аналитик считает ровно как сказано. Собирает дашборд и даже вовремя отправляет заказчику. Тот идёт с ним на встречу с директором. И там выясняется, что метрика была неправильная, период был тот, результаты бессмысленны. Парам-парам-пам!
Самое интересное: аналитик знал, что что-то не так. Видел, что задача странная. И не уточнил. Просто взял и выполнил, как попросили. Потому что так организованы рабочие отношения: менеджер указывает, аналитик делает.
Есть такое понятие — zone of indifference. Это диапазон указаний, которые человек выполняет без критического анализа. Выглядит как идеальная лояльность. Но есть нюанс.
Когда человек перестает думать, ответственность размывается. Менеджер думает: «Я же чётко сказал!» Сотрудник думает: «Я же всё сделал, как ты попросил!». А в результате цель не достигнута.
Или ещё хуже, когда человек долго работает в режиме слепого исполнения, он действительно перестаёт думать. Теряет способность критиковать, предлагать альтернативы, видеть проблемы. Становится инструментом руководителя вместо партнера.
Граница между лояльностью и ответственностью следующая: лояльный подчинённый выполняет задачи. Ответственный сотрудник выполняет поставленные, но с правом на «погоди, а ты уверен?»
Как это организовать? Нужно узаконить право сомневаться и поощрять его. Когда подчиненный спрашивает: «Это точно нужно?» или предлагает другой путь — это не дерзость. Это забота о результате.
Забавно, что когда у тебя такие сотрудники, они работают лучше. Потому что они не просто беспрекословно выполняют задачи, но и понимают зачем. И если есть проблема — они её видят раньше, чем ты.
Лучший сотрудник — не тот, кто всегда согласен. А тот, кто понимает, что иногда надо остановиться, оценить задачу критически и, при необходимости, обсудить с руководителем до начала исполнения.
Окей, ты нашёл тех, кто не боится сказать «погоди». Остаётся вопрос, как ставить задачи так, чтобы человек чувствовал свободу действий, а ты при этом не просыпался в холодном поту с ощущением потери контроля.
#метод #управление #менторство
Структура как путь к свободе
Худшее, что может сделать руководитель при постановке задачи — забить на то, «как» сотрудник собирается достигать результат.
Типичная история. Менеджер передаёт разработчику задачу: «Нужна интеграция платежей в мобильное приложение. Реализуй и скажи, когда будет готово». И идётна очередную встречу по своим менеджерским делам, искренне думаю, что всё в порядке. А на самом деле заложив мину замедленного действия.
Вроде бы ясно, что в итоге должно получиться. Даже описаны критерии приёмки задачи (вот такой менеджер молодец). Но только как достигать результат? Какой платёжный сервис использовать? Какие методы оплаты? Как именно это тестировать? Про это в истории ни слова. Менеджер ждал результата, разработчик шёл к нему окольными путями. Как всегда в наших историях, все недовольны.
Если бы мы спросили менеджера, что он имел в виду, то получили бы ответ: «Интеграцию платежей». Как это может быть неясно?
Как это исправляется
Правильное делегирование задачи выглядит иначе. Ты говоришь не просто про ожидаемый результат, а про результат + план выполнения.
«Нужна интеграция Stripe для покупок в приложении. Поддержка карт и Apple Pay. Работает на боевых данных. Вот как мы это разбиваем: первый шаг — подготовка окружения, второй-третий — интеграция API, четвёртый — разработка UI, пятый — тесты. Синкаемся по статусу на дейликах. Что думаешь, это реально?»
Две большие разницы, как говорят в Одессе. Теперь исполнитель не гадает. Он точно знает, что, как и когда. И если что-то невозможно за два дня, он говорит это сразу, а не через неделю.
Но тут появляется новая опасность: если расписать слишком детально, это может выглядеть как микроменеджмент. Уровень детализации зависит от опыта человека. Если это junior, разбиваем детально. Если middle — блочно. Если senior — просто обозначаешь этапы, он сам разберётся. Хорошая практика — делегировать исполнителю составление плана реализации задачи с последующим утверждением.
Парадокс
Ключевая идея в том, что ты даёшь автономию внутри границ. Не слепую свободу, а структурированную. Звучит противоречиво, но работает лучше всего.
Потому что, когда всё известно с начала, сотрудник спокойнее и быстрее работает. Ему не нужно гадать, что требуется в итоге и как он достигнет цели.
С хорошей структурой задачи приходит новая ответственность: видеть, как это исполняется. И здесь начинается главное — как контролировать, но не давить.
#менторство #метод #управление
Худшее, что может сделать руководитель при постановке задачи — забить на то, «как» сотрудник собирается достигать результат.
Типичная история. Менеджер передаёт разработчику задачу: «Нужна интеграция платежей в мобильное приложение. Реализуй и скажи, когда будет готово». И идёт
Вроде бы ясно, что в итоге должно получиться. Даже описаны критерии приёмки задачи (вот такой менеджер молодец). Но только как достигать результат? Какой платёжный сервис использовать? Какие методы оплаты? Как именно это тестировать? Про это в истории ни слова. Менеджер ждал результата, разработчик шёл к нему окольными путями. Как всегда в наших историях, все недовольны.
Если бы мы спросили менеджера, что он имел в виду, то получили бы ответ: «Интеграцию платежей». Как это может быть неясно?
Как это исправляется
Правильное делегирование задачи выглядит иначе. Ты говоришь не просто про ожидаемый результат, а про результат + план выполнения.
«Нужна интеграция Stripe для покупок в приложении. Поддержка карт и Apple Pay. Работает на боевых данных. Вот как мы это разбиваем: первый шаг — подготовка окружения, второй-третий — интеграция API, четвёртый — разработка UI, пятый — тесты. Синкаемся по статусу на дейликах. Что думаешь, это реально?»
Две большие разницы, как говорят в Одессе. Теперь исполнитель не гадает. Он точно знает, что, как и когда. И если что-то невозможно за два дня, он говорит это сразу, а не через неделю.
Но тут появляется новая опасность: если расписать слишком детально, это может выглядеть как микроменеджмент. Уровень детализации зависит от опыта человека. Если это junior, разбиваем детально. Если middle — блочно. Если senior — просто обозначаешь этапы, он сам разберётся. Хорошая практика — делегировать исполнителю составление плана реализации задачи с последующим утверждением.
Парадокс
Ключевая идея в том, что ты даёшь автономию внутри границ. Не слепую свободу, а структурированную. Звучит противоречиво, но работает лучше всего.
Потому что, когда всё известно с начала, сотрудник спокойнее и быстрее работает. Ему не нужно гадать, что требуется в итоге и как он достигнет цели.
С хорошей структурой задачи приходит новая ответственность: видеть, как это исполняется. И здесь начинается главное — как контролировать, но не давить.
#менторство #метод #управление
Контроль без микроменеджмента
Есть два типа руководителей с точки зрения контроля выполнения задач.
Первый как дятель каждый день должит: «Что ты делал вчера? Что будешь делать сегодня? Почему это решение, а не то? Могу ли я посмотреть код/текст/презу прямо сейчас?». Сотрудник на грани срыва. Ему не дают дышать. Менеджер уверен, что иначе контролировать нельзя, но на самом деле давит. В итоге хорошие ответственные сотрудники покидают компанию.
Второй при постановке задачи: «Результат нужен в пятницу. На сколько ты уверен, что успеешь?». Потом написал в среду. Спросил: «Как идёт? Есть ли проблемы? Чем я могу помочь?». Если что-то встало — помог, подсказал или скорректировал план. Если всё по плану — двигаемся дальше. Сотрудник спокойно заканчивает задачу, менеджер не кормит своих демонов тревожности.
Разница даже не в том, как часто руководитель вмешивается. Разница в том, на ЧТО он смотрит.
Два способа смотреть
Первый тип — контролирует ПРОЦЕСС. Лезет в детали. Заставляет согласовывать каждый шаг. Это может выглядеть как контроль, но на самом деле это давление. Потому что, если ты смотришь, как человек делает каждый шаг — ты начинаешь указывать какие шаги правильные. И потом удивляешься, почему в обратной связи обвинили в микроменеджменте.
Второй тип — контролирует ПРОГРЕСС. Смотрит на вехи: сделан ли первый блок? Есть ли проблемы, которые буксуют? Всё ли по плану или есть отставание? Это тоже контроль. Но другой. Здесь ты не лезешь в процесс, а отслеживаешь достижение результата.
На практике это выглядит следующим образом.
Ты даёшь задачу и договариваешься о контрольных точках. Не ежедневных отчётах. Не еженедельных синхронах. А конкретных вехах. В зависимости от компетенций сотрудника и уровня доверия меняется детализация.
На встречах ты не спрашиваешь: «Почему именно это решение?», а уточняешь: «Что пошло не так? Что из плана изменилось? Как мы адаптируемся? Что надо поменять, чтобы не повторилось в будущем?»
Важно помнить, что планы всегда могут поменяться. Поэтому хороший контроль включает право на адаптацию. Если в процессе выяснилось, что подход неправильный, ты не кричишь: «Почему не по плану!», ты говоришь: «Окей, давай переделаем». Твоя задача — результат, а не контроль плана.
В любом правиле есть исключение
К сожалению, не всегда можно полагаться только на прогресс.
Есть признаки, которые говорят: нужно включить детальный контроль процесса. Сотрудник не отвечает на вопросы или отвечает туманно. Сроки раз за разом съезжают. Человек выглядит потерянным, паникует или вообще молчит. На заре управленческой карьеры я слишком часто верил в исполнительность людей и часто наступал на подобные грабли.
В подобной ситуации ты не становишься микроменеджером, когда включаешь детальный контроль. Ты просто помогаешь человеку выбраться из ямы. Например, я всегда специально предупреждаю сотрудников, что, если план не выполняется, я закатаю рукава и по самое небалуй залезу в их процессы.
Потому что контроль — это не недоверие. Это ответственность. Менеджер отвечает перед компанией за результат, поэтому должен понимать, как он получается. Вопрос, на каком уровне это смотреть. И грамотный управленец определяет это не наугад, а по состоянию задачи и человека.
Легко? Нет. Требует внимания? Да. В итоге каждый сам делает выбор: видеть проблемы до того, как они сломают дедлайн, или паниковать с криками, почему всё развалилось.
Что интересно, все эти принципы доверия, границы, контроль, адаптивность, которые применяются в управлении людьми, оказываются специфичны не только для людей. Это базовые принципы архитектуры управления. И они могут применяться как в управлении людьми, так и ИИ-агентами или в гибридных командах.
#менторство #метод #управление
Есть два типа руководителей с точки зрения контроля выполнения задач.
Первый как дятель каждый день должит: «Что ты делал вчера? Что будешь делать сегодня? Почему это решение, а не то? Могу ли я посмотреть код/текст/презу прямо сейчас?». Сотрудник на грани срыва. Ему не дают дышать. Менеджер уверен, что иначе контролировать нельзя, но на самом деле давит. В итоге хорошие ответственные сотрудники покидают компанию.
Второй при постановке задачи: «Результат нужен в пятницу. На сколько ты уверен, что успеешь?». Потом написал в среду. Спросил: «Как идёт? Есть ли проблемы? Чем я могу помочь?». Если что-то встало — помог, подсказал или скорректировал план. Если всё по плану — двигаемся дальше. Сотрудник спокойно заканчивает задачу, менеджер не кормит своих демонов тревожности.
Разница даже не в том, как часто руководитель вмешивается. Разница в том, на ЧТО он смотрит.
Два способа смотреть
Первый тип — контролирует ПРОЦЕСС. Лезет в детали. Заставляет согласовывать каждый шаг. Это может выглядеть как контроль, но на самом деле это давление. Потому что, если ты смотришь, как человек делает каждый шаг — ты начинаешь указывать какие шаги правильные. И потом удивляешься, почему в обратной связи обвинили в микроменеджменте.
Второй тип — контролирует ПРОГРЕСС. Смотрит на вехи: сделан ли первый блок? Есть ли проблемы, которые буксуют? Всё ли по плану или есть отставание? Это тоже контроль. Но другой. Здесь ты не лезешь в процесс, а отслеживаешь достижение результата.
На практике это выглядит следующим образом.
Ты даёшь задачу и договариваешься о контрольных точках. Не ежедневных отчётах. Не еженедельных синхронах. А конкретных вехах. В зависимости от компетенций сотрудника и уровня доверия меняется детализация.
На встречах ты не спрашиваешь: «Почему именно это решение?», а уточняешь: «Что пошло не так? Что из плана изменилось? Как мы адаптируемся? Что надо поменять, чтобы не повторилось в будущем?»
Важно помнить, что планы всегда могут поменяться. Поэтому хороший контроль включает право на адаптацию. Если в процессе выяснилось, что подход неправильный, ты не кричишь: «Почему не по плану!», ты говоришь: «Окей, давай переделаем». Твоя задача — результат, а не контроль плана.
В любом правиле есть исключение
К сожалению, не всегда можно полагаться только на прогресс.
Есть признаки, которые говорят: нужно включить детальный контроль процесса. Сотрудник не отвечает на вопросы или отвечает туманно. Сроки раз за разом съезжают. Человек выглядит потерянным, паникует или вообще молчит. На заре управленческой карьеры я слишком часто верил в исполнительность людей и часто наступал на подобные грабли.
В подобной ситуации ты не становишься микроменеджером, когда включаешь детальный контроль. Ты просто помогаешь человеку выбраться из ямы. Например, я всегда специально предупреждаю сотрудников, что, если план не выполняется, я закатаю рукава и по самое небалуй залезу в их процессы.
Потому что контроль — это не недоверие. Это ответственность. Менеджер отвечает перед компанией за результат, поэтому должен понимать, как он получается. Вопрос, на каком уровне это смотреть. И грамотный управленец определяет это не наугад, а по состоянию задачи и человека.
Легко? Нет. Требует внимания? Да. В итоге каждый сам делает выбор: видеть проблемы до того, как они сломают дедлайн, или паниковать с криками, почему всё развалилось.
Что интересно, все эти принципы доверия, границы, контроль, адаптивность, которые применяются в управлении людьми, оказываются специфичны не только для людей. Это базовые принципы архитектуры управления. И они могут применяться как в управлении людьми, так и ИИ-агентами или в гибридных командах.
#менторство #метод #управление
Вы уже готовы управлять ИИ, но пока не знаете об этом
А что, если в ближайшие два-три года все наши компетенции в управлении понадобятся для организации ИИ-агентов? Точнее, это ужё происходит, но я сохраняю здравый скепсис.
Компании собирают гибридные команды — люди + ИИ-агенты, которые работают вместе. И если управлять ИИ, как завещали последователи регулярного менеджмента, всё работает, если не прекрасно, то как минимум хорошо. А когда применяют подход «Авось. Небось. Как-нибудь. Аврал.» — всё ломается.
Возвращаясь к пяти последним постам.
От «верю в тебя» к «вероятность 90%»: калибровка доверия. Ты научился калибровать доверие через наблюдение. Какие задачи человек делает хорошо, где подводит, на что способен. С ИИ-агентами это будет система Reputation, которая показывает: этот агент справляется с тестированием с вероятностью 95%, а с копирайтингом только 60%. Менеджер будет делать ровно то же самое, что делает сейчас с людьми — давать задачи, в которых агент силён, и не давать те, где он слаб.
Когда опыт мешает управлению. Ты научился давать чёткие указания, чтобы опыт не мешал коммуникации. Разбивать задачу на этапы так, чтобы сотрудник понял. С ИИ это станет явным определением уровня автономии. Сколько решений ИИ-агент может принять сам? Где нужно применить паттерн Human-in-the-Loop, чтобы ИИ уточнял у человека? Эта граница не размыта, как и с людьми, её так же можно заложить в систему. И как и с людьми, чем яснее границы, тем меньше проблем.
Идеальный исполнитель — самая большая угроза. Ты умеешь поощрять здоровый скептицизм. Лучший сотрудник — тот, кто иногда скажет: «Погоди, это не так». С ИИ это будет Safety mechanisms — встроенные системы, заставляющие агента усомниться: «Эта задача опасна? Я должен остановиться и спросить у человека?». Это не замедление работы, а защита.
Структура как путь к свободе. Ты научился разбивать работу на понятные задачи с чёткими границами и детализацией в зависимости от опыта исполнителя. С ИИ это становится ещё критичнее. Важно научиться разбивать задачи на шаги, которые ИИ может выполнить, и границы будут явные: эта часть — ответственность ИИ, эта — моя, а эта — совместная. И если агенту доверяешь (репутация высокая), даёшь только задачу и ожидаемый результат, позволяя самостоятельно декомпозировать и проверяя план перед началом исполнения.
Контроль без микроменеджмента. Руководитель научился различать два способа смотреть на работу. Можно мониторить ПРОЦЕСС (лезть в детали), а можно мониторить ПРОГРЕСС (смотреть на контрольные точки).
С ИИ это различие станет встроенной архитектурой. Ты не будешь смотреть на внутреннее состояние агента (всё равно не поймешь). Ты будешь смотреть на прогресс: контрольные точки, отклонения. А следующим шагом ты дашь агенту право на адаптацию. Если в процессе выяснилось, что подход неправильный — не штрафовать, а переделать. Потому что твоя задача получить результат, а не следование инструкции.
Когда видишь странное поведение агента (молчит, даёт ошибочные ответы, не отвечает на вопросы) — это сигнал, как и у людей. Нужен детальный контроль, нужна помощь. Системы контроля отклонений дадут тебе эти сигналы.
Всё описанное выше не про замену людей, а про расширение. Гибридная команда, где люди и ИИ работают вместе, дополняя друг друга. Люди видят большую картину, ИИ выполняет узкие задачи быстрее и точнее. Люди адаптируют, ИИ работает по структуре.
Есть исследование Intelligent AI Delegation от Google DeepMind. Авторы проанализировали все эти принципы — trust, authority, boundaries, monitoring, responsibility — и показали, что это специфично не только для людей. Это архитектура управления вообще. Применимо к людям, применимо к ИИ, применимо к смешанным командам.
Менеджеры, которые боятся, что «ИИ заберёт мою работу», при этом уже сейчас применяют системный подход в управлении, на самом деле лучше адаптированы к будущему. Весь этот регулярный менеджмент, разработка процессов и регламентов для управления людьми не устареют. Наоборот, станут ещё важнее.
#менторство #метод #управление #команда
А что, если в ближайшие два-три года все наши компетенции в управлении понадобятся для организации ИИ-агентов? Точнее, это ужё происходит, но я сохраняю здравый скепсис.
Компании собирают гибридные команды — люди + ИИ-агенты, которые работают вместе. И если управлять ИИ, как завещали последователи регулярного менеджмента, всё работает, если не прекрасно, то как минимум хорошо. А когда применяют подход «Авось. Небось. Как-нибудь. Аврал.» — всё ломается.
Возвращаясь к пяти последним постам.
От «верю в тебя» к «вероятность 90%»: калибровка доверия. Ты научился калибровать доверие через наблюдение. Какие задачи человек делает хорошо, где подводит, на что способен. С ИИ-агентами это будет система Reputation, которая показывает: этот агент справляется с тестированием с вероятностью 95%, а с копирайтингом только 60%. Менеджер будет делать ровно то же самое, что делает сейчас с людьми — давать задачи, в которых агент силён, и не давать те, где он слаб.
Когда опыт мешает управлению. Ты научился давать чёткие указания, чтобы опыт не мешал коммуникации. Разбивать задачу на этапы так, чтобы сотрудник понял. С ИИ это станет явным определением уровня автономии. Сколько решений ИИ-агент может принять сам? Где нужно применить паттерн Human-in-the-Loop, чтобы ИИ уточнял у человека? Эта граница не размыта, как и с людьми, её так же можно заложить в систему. И как и с людьми, чем яснее границы, тем меньше проблем.
Идеальный исполнитель — самая большая угроза. Ты умеешь поощрять здоровый скептицизм. Лучший сотрудник — тот, кто иногда скажет: «Погоди, это не так». С ИИ это будет Safety mechanisms — встроенные системы, заставляющие агента усомниться: «Эта задача опасна? Я должен остановиться и спросить у человека?». Это не замедление работы, а защита.
Структура как путь к свободе. Ты научился разбивать работу на понятные задачи с чёткими границами и детализацией в зависимости от опыта исполнителя. С ИИ это становится ещё критичнее. Важно научиться разбивать задачи на шаги, которые ИИ может выполнить, и границы будут явные: эта часть — ответственность ИИ, эта — моя, а эта — совместная. И если агенту доверяешь (репутация высокая), даёшь только задачу и ожидаемый результат, позволяя самостоятельно декомпозировать и проверяя план перед началом исполнения.
Контроль без микроменеджмента. Руководитель научился различать два способа смотреть на работу. Можно мониторить ПРОЦЕСС (лезть в детали), а можно мониторить ПРОГРЕСС (смотреть на контрольные точки).
С ИИ это различие станет встроенной архитектурой. Ты не будешь смотреть на внутреннее состояние агента (всё равно не поймешь). Ты будешь смотреть на прогресс: контрольные точки, отклонения. А следующим шагом ты дашь агенту право на адаптацию. Если в процессе выяснилось, что подход неправильный — не штрафовать, а переделать. Потому что твоя задача получить результат, а не следование инструкции.
Когда видишь странное поведение агента (молчит, даёт ошибочные ответы, не отвечает на вопросы) — это сигнал, как и у людей. Нужен детальный контроль, нужна помощь. Системы контроля отклонений дадут тебе эти сигналы.
Всё описанное выше не про замену людей, а про расширение. Гибридная команда, где люди и ИИ работают вместе, дополняя друг друга. Люди видят большую картину, ИИ выполняет узкие задачи быстрее и точнее. Люди адаптируют, ИИ работает по структуре.
Есть исследование Intelligent AI Delegation от Google DeepMind. Авторы проанализировали все эти принципы — trust, authority, boundaries, monitoring, responsibility — и показали, что это специфично не только для людей. Это архитектура управления вообще. Применимо к людям, применимо к ИИ, применимо к смешанным командам.
Менеджеры, которые боятся, что «ИИ заберёт мою работу», при этом уже сейчас применяют системный подход в управлении, на самом деле лучше адаптированы к будущему. Весь этот регулярный менеджмент, разработка процессов и регламентов для управления людьми не устареют. Наоборот, станут ещё важнее.
#менторство #метод #управление #команда
Однажды британцы решили сделать Дмитрию Ивановичу Менделееву богатый podarunek в виде аналитических весов с чашками из золота и алюминия. Тогда ещё не придумали дешёвого получения алюминия, и он стоил дороже золота. Спустя пару десятков лет технология подешевела, и вот уже алюминиевые ложки — прибор бедных.
То же самое произошло с фарфором (когда-то это было дороже золота). Потом фарфоровые заводы наладили массовый выпуск, цена упала. И вдруг авторский фарфор, расписанный вручную, стал люксом.
Плёночная фотография была дорогим ремеслом — цифра её обесценила, но теперь плёнка и ручная обработка снова редкость и стоят дорого. Так было с типографией, механическими часами, пластмассой и многим другим.
Интересно, что произойдёт, когда ИИ сделает механический умственный труд совсем дешёвым и какие человеческие навыки вырастут в цене. Более подробно в понедельник.
#мысльнавыходные
То же самое произошло с фарфором (когда-то это было дороже золота). Потом фарфоровые заводы наладили массовый выпуск, цена упала. И вдруг авторский фарфор, расписанный вручную, стал люксом.
Плёночная фотография была дорогим ремеслом — цифра её обесценила, но теперь плёнка и ручная обработка снова редкость и стоят дорого. Так было с типографией, механическими часами, пластмассой и многим другим.
Интересно, что произойдёт, когда ИИ сделает механический умственный труд совсем дешёвым и какие человеческие навыки вырастут в цене. Более подробно в понедельник.
#мысльнавыходные
Где ИИ бессилен: пять граней человеческой работы
Многие люди боятся ИИ. Временами кажется, ещё чуть-чуть, и он сможет всё. Парадокс, несмотря на оргазмическую агонию людей с диагнозом «GPT головного мозга», даже лучшие системы ИИ не могут главного. Возьмём, к примеру, врачебную диагностику. В ряде задач ИИ неплохо справляется с типичными случаями: он «видел» миллионы рентгеновских снимков, выучил все паттерны (которым его научили). Но когда случай отсутствует в обучающих данных, врач видит то, что ИИ пропустил. Ему помогает интуиция, опыт, умение «увидеть что-то между строк».
Я про что? Есть работа, которую ИИ банально не способен взять. Не потому, что технология ещё не готова. А потому, что эта работа по природе человеческая.
Первый барьер: малые данные
ИИ, «принимая» решения, опирается на статистику. Ему требуется огромное количество примеров, чтобы увидеть закономерности. Но что делать, когда примеров мало? Когда событие редкое или ситуация уникальная? ИИ, как правило, теряется. Люди же работают не только со статистикой, но и с причинно-следственными связями. Невозможно предсказать солнечное затмение по истории затмений (их мало), но можно сделать это, если понимаешь небесную механику. Любой профессионал в первую очередь видит не только паттерны, но и логику за ними.
Второй барьер: экстраполяция
ИИ отлично заполняет пробелы в известных данных (интерполяция). Но предсказать, что будет за пределами обучающих данных, не в его силах. Представьте медицину 2030 года. Появятся возможности, которых ИИ 2026 года никогда не видел. На его графиках произойдёт срыв. А врач, если он разбирается в принципах, сможет переосмыслить и адаптировать. Эта способность генерировать новые решения за пределами известного исключительно человеческая.
Третий барьер: множественные правильные ответы
Порой задача имеет несколько одинаково верных решений. Моральная дилемма или творческая задача. ИИ вынужден выбрать одно (потому что он так устроен), и он может даже не показать альтернативы, которые не менее важны при принятии решения. Человек же способен держать в голове несколько вариантов одновременно, взвешивать не только логику, но и ценности. Это важно, когда решение не сводится к одному правильному ответу. А таких даже в детском саду уже пруд пруди.
Четвёртый барьер: отношения
ИИ распознаёт эмоцию по лицу — это паттерны. Но понять человека — слышать его боль, видеть стыд в молчании, почувствовать, когда он сам себе врёт — это куда более сложная задача. Она требует способности буквально представить внутренний мир другого. Да, ИИ можно научить имитировать эмпатию. Но по-настоящему человеческое понимание — это другое. И в работе, где это нужно (управление, забота, развитие талантов, переговоры, продажи и т. д.), это не подменяемо.
Пятый барьер: убеждения против данных
Самый интересный барьер. Люди умеют принимать верные решения вопреки данным. И я не про съесть ещё два эклера в своё удовольствие, когда цифра на весах приближается к трёхзначному числу. Движение за гражданские права противоречило данным того времени (в данных было зафиксировано неравенство, но это никак не связано со справедливостью). Решение, которое меняет статус-кво, которое видит несправедливость там, где данные показывают «всё нормально», — такие решения в состоянии принять только человек. ИИ может только подготовить и подтвердить данные.
Всё вышеперечисленное не про то, что ИИ плохой. А про то, что есть деятельность, которая по своей природе человеческая. Может ли ИИ рифмовать строки? Безусловно. Способен ли ИИ на страсть, переживание, чтобы написать полноценный стих? Ответ очевиден. Будущее — это не «ИИ вместо людей». Это «ИИ для того, в чём машина лучше. Люди для того, в чём люди лучше». И задача руководителей — научиться отличать первое от второго. Чтобы делегировать задачи тому, кто справляется с ними максимально эффективно.
#ИИ_в_управлении #метод
Многие люди боятся ИИ. Временами кажется, ещё чуть-чуть, и он сможет всё. Парадокс, несмотря на оргазмическую агонию людей с диагнозом «GPT головного мозга», даже лучшие системы ИИ не могут главного. Возьмём, к примеру, врачебную диагностику. В ряде задач ИИ неплохо справляется с типичными случаями: он «видел» миллионы рентгеновских снимков, выучил все паттерны (которым его научили). Но когда случай отсутствует в обучающих данных, врач видит то, что ИИ пропустил. Ему помогает интуиция, опыт, умение «увидеть что-то между строк».
Я про что? Есть работа, которую ИИ банально не способен взять. Не потому, что технология ещё не готова. А потому, что эта работа по природе человеческая.
Первый барьер: малые данные
ИИ, «принимая» решения, опирается на статистику. Ему требуется огромное количество примеров, чтобы увидеть закономерности. Но что делать, когда примеров мало? Когда событие редкое или ситуация уникальная? ИИ, как правило, теряется. Люди же работают не только со статистикой, но и с причинно-следственными связями. Невозможно предсказать солнечное затмение по истории затмений (их мало), но можно сделать это, если понимаешь небесную механику. Любой профессионал в первую очередь видит не только паттерны, но и логику за ними.
Второй барьер: экстраполяция
ИИ отлично заполняет пробелы в известных данных (интерполяция). Но предсказать, что будет за пределами обучающих данных, не в его силах. Представьте медицину 2030 года. Появятся возможности, которых ИИ 2026 года никогда не видел. На его графиках произойдёт срыв. А врач, если он разбирается в принципах, сможет переосмыслить и адаптировать. Эта способность генерировать новые решения за пределами известного исключительно человеческая.
Третий барьер: множественные правильные ответы
Порой задача имеет несколько одинаково верных решений. Моральная дилемма или творческая задача. ИИ вынужден выбрать одно (потому что он так устроен), и он может даже не показать альтернативы, которые не менее важны при принятии решения. Человек же способен держать в голове несколько вариантов одновременно, взвешивать не только логику, но и ценности. Это важно, когда решение не сводится к одному правильному ответу. А таких даже в детском саду уже пруд пруди.
Четвёртый барьер: отношения
ИИ распознаёт эмоцию по лицу — это паттерны. Но понять человека — слышать его боль, видеть стыд в молчании, почувствовать, когда он сам себе врёт — это куда более сложная задача. Она требует способности буквально представить внутренний мир другого. Да, ИИ можно научить имитировать эмпатию. Но по-настоящему человеческое понимание — это другое. И в работе, где это нужно (управление, забота, развитие талантов, переговоры, продажи и т. д.), это не подменяемо.
Пятый барьер: убеждения против данных
Самый интересный барьер. Люди умеют принимать верные решения вопреки данным. И я не про съесть ещё два эклера в своё удовольствие, когда цифра на весах приближается к трёхзначному числу. Движение за гражданские права противоречило данным того времени (в данных было зафиксировано неравенство, но это никак не связано со справедливостью). Решение, которое меняет статус-кво, которое видит несправедливость там, где данные показывают «всё нормально», — такие решения в состоянии принять только человек. ИИ может только подготовить и подтвердить данные.
Всё вышеперечисленное не про то, что ИИ плохой. А про то, что есть деятельность, которая по своей природе человеческая. Может ли ИИ рифмовать строки? Безусловно. Способен ли ИИ на страсть, переживание, чтобы написать полноценный стих? Ответ очевиден. Будущее — это не «ИИ вместо людей». Это «ИИ для того, в чём машина лучше. Люди для того, в чём люди лучше». И задача руководителей — научиться отличать первое от второго. Чтобы делегировать задачи тому, кто справляется с ними максимально эффективно.
#ИИ_в_управлении #метод
Машины готовы, люди застряли — как российская наука теряет время
Как вы, наверное, заметили, в последнее время меня сильно интересует тема автоматизации процессов при помощи ИИ. Точнее, какие задачи стоит ему уже передать и как правильно делегировать эти задачи. Одна из областей, в которой LLM могут значительно повысить эффективность, — это процессы в научных организациях.
Конкретный пример. В одной научной организации (попросили остаться неназванным) сидит учёный с набором исходных данных. Есть спецификация формата. Если не вдаваться в подробности, необходимо написать простенький скрипт на Python и конвертировать всё в Excel. Сколько он ждёт? Иногда год. Потому что программист, который это может сделать за два часа, занят другими проектами. И это только один случай.
Ежу понятно, в науке сейчас никак без данных. Проблема в том, что для получения данных в нужном виде часто не хватает дата-инженеров и дата-аналитиков. Конечно, можно приоритезировать, и проектные офисы в учреждениях делают это. Но в первую очередь директорам важны задачи министерства. А IT-специалисты не рвутся в научные учреждения: деньги мало, удалёнки, как правило, нет. Бюджеты не позволяют обеспечить айтишниками всех учёных.
При этом ряд научных организаций уже потратили деньги на собственные серверы и развернули на них LLM — Qwen, GLM и т. п. И уже сейчас я вижу: делегирование ИИ таких задач, как парсинг, подготовка и анализ данных, может значительно ускорить развитие науки. А если добавить автоматизацию переводов и элементарное проектное управление — будет вообще сказка.
Главное — это уже рабочая история. Технологии готовы для пилота прямо сейчас.
Но так как большинство научных организаций живут на бюджетные деньги и далеки от бизнеса и повышения эффективности, мы ещё не скоро услышим про массовую автоматизацию подобных процессов.
p.s. И да, я понимаю (в отличие от многих внедряющих сейчас ИИ), что считать экономику внедрения ИИ надо с учётом издержек на проверку результата. И что кто-то должен эту самую валидацию проводить, используя хотя бы метод Validation-Driven Delegation (VDD).
Как вы, наверное, заметили, в последнее время меня сильно интересует тема автоматизации процессов при помощи ИИ. Точнее, какие задачи стоит ему уже передать и как правильно делегировать эти задачи. Одна из областей, в которой LLM могут значительно повысить эффективность, — это процессы в научных организациях.
Конкретный пример. В одной научной организации (попросили остаться неназванным) сидит учёный с набором исходных данных. Есть спецификация формата. Если не вдаваться в подробности, необходимо написать простенький скрипт на Python и конвертировать всё в Excel. Сколько он ждёт? Иногда год. Потому что программист, который это может сделать за два часа, занят другими проектами. И это только один случай.
Ежу понятно, в науке сейчас никак без данных. Проблема в том, что для получения данных в нужном виде часто не хватает дата-инженеров и дата-аналитиков. Конечно, можно приоритезировать, и проектные офисы в учреждениях делают это. Но в первую очередь директорам важны задачи министерства. А IT-специалисты не рвутся в научные учреждения: деньги мало, удалёнки, как правило, нет. Бюджеты не позволяют обеспечить айтишниками всех учёных.
При этом ряд научных организаций уже потратили деньги на собственные серверы и развернули на них LLM — Qwen, GLM и т. п. И уже сейчас я вижу: делегирование ИИ таких задач, как парсинг, подготовка и анализ данных, может значительно ускорить развитие науки. А если добавить автоматизацию переводов и элементарное проектное управление — будет вообще сказка.
Главное — это уже рабочая история. Технологии готовы для пилота прямо сейчас.
Но так как большинство научных организаций живут на бюджетные деньги и далеки от бизнеса и повышения эффективности, мы ещё не скоро услышим про массовую автоматизацию подобных процессов.
p.s. И да, я понимаю (в отличие от многих внедряющих сейчас ИИ), что считать экономику внедрения ИИ надо с учётом издержек на проверку результата. И что кто-то должен эту самую валидацию проводить, используя хотя бы метод Validation-Driven Delegation (VDD).
Почему эмпатия важнее программирования
Джозеф Вейценбаум ещё в конце 70-х годов прошлого столетия писал об этом. Есть что-то в человеке, что нельзя реализовать в двоичной системе исчисления, даже если кажется, что это технически возможно. Прошло пятьдесят лет, а его рассуждения до сих пор актуальны.
Люди десятилетиями мечтают научить ИИ эмпатии, суждению, креативности. Думают — вот-вот и разберёмся. (Хотя пока ещё даже философы не договорились о том, что же есть сознание.). Ясно одно: научить ИИ soft-скиллам невозможно.
Руководитель без эмпатии? Люди выгорают и уходят. Лидер без видения и навыков донести его до команды? Танцующий самовлюблённый бабуин. Продакт без креативности? Копирование конкурентов.
Понятно, что сейчас рынок трясёт, и у бизнеса две мысли: когда оно закончится и как дожить до этого момента. Но я думаю, в эпоху внедрения ИИ в рабочие процессы всё ценнее и дороже будут становиться именно «мягкие» навыки. Потому что это не опция, а база.
Вопрос в одном: как выбрать, где машине хватит возможностей, а где потребуется человек? Это основа управления в эпоху ИИ.
#ИИ_в_управлении #команда #метод
Джозеф Вейценбаум ещё в конце 70-х годов прошлого столетия писал об этом. Есть что-то в человеке, что нельзя реализовать в двоичной системе исчисления, даже если кажется, что это технически возможно. Прошло пятьдесят лет, а его рассуждения до сих пор актуальны.
Люди десятилетиями мечтают научить ИИ эмпатии, суждению, креативности. Думают — вот-вот и разберёмся. (Хотя пока ещё даже философы не договорились о том, что же есть сознание.). Ясно одно: научить ИИ soft-скиллам невозможно.
Руководитель без эмпатии? Люди выгорают и уходят. Лидер без видения и навыков донести его до команды? Танцующий самовлюблённый бабуин. Продакт без креативности? Копирование конкурентов.
Понятно, что сейчас рынок трясёт, и у бизнеса две мысли: когда оно закончится и как дожить до этого момента. Но я думаю, в эпоху внедрения ИИ в рабочие процессы всё ценнее и дороже будут становиться именно «мягкие» навыки. Потому что это не опция, а база.
Вопрос в одном: как выбрать, где машине хватит возможностей, а где потребуется человек? Это основа управления в эпоху ИИ.
#ИИ_в_управлении #команда #метод
Инструмент для оценки: какие задачи делегировать ИИ, а какие — нет
Вы помните это чувство, когда впервые садитесь за ChatGPT? Кажется, он может всё. А когда переходите на Claude, подключаете MCP и создаёте первые скиллы, возникает ощущение, что волшебный мир будущего из книг фантастов наступил. Кто не пытался запихнуть в ИИ всё подряд, скорее всего, запихивал в два раза больше. Я не исключение и проходил эти стадии от «вот тебе вижн» до системы с бэклогом/спринтлогом, критериями приёмки задачи и отдельным ИИ-агентом delivery-manager, который имеет право запускать что-то в работу.
В какой-то момент я понял, что у меня нет системы для выбора, какую задачу можно сразу делегировать ИИ, а над которой сначала требуется поработать самому — только ощущения. В итоге то даю ИИ работу, которую потом полдня переделываю. То остерегаюсь дать то, с чем он с лёгкостью бы справился. Причём каждый раз решаю это как-то по-новому, что неэффективно.
В итоге поботал и начал собирать структуру. Один из первых инструментов — EPOCH-скоринг. Пять вопросов о делегируемой задаче, которые показывают, где передавать рискованно, где безопасно, а где подходит режим коллаборации.
Пять параметров (EPOCH)
Для каждой задачи нужно оценить по шкале 1–5:
E — Empathy and Emotional Intelligence (Эмпатия и эмоциональный интеллект). Нужно ли чувствовать эмоции конкретного человека?
Примеры: обратная связь сотруднику, разговор с недовольным клиентом.
P — Presence, Networking, and Connectedness (Присутствие, нетворкинг и связность). Нужна ли личная встреча, доверие, нетворкинг?
Примеры: переговоры, критичные разговоры, подписание контракта.
O — Opinion, Judgment, and Ethics (Суждение, оценка и этика). Нужна ли оценка при неполных данных?
Примеры: выбор стратегии, приоритизация, этические решения.
C — Creativity and Imagination (Креативность и воображение). Нужна ли новая идея или достаточно комбинировать известное?
Примеры: новая концепция продукта vs доработка существующего решения.
H — Hope, Vision, and Leadership (Надежда, видение и лидерство). Нужна ли мотивация людей или стратегическое видение?
Примеры: смена курса компании, запуск направления, вдохновение в кризис.
Как считать результат
Максимальный балл из пяти — зона делегирования:
🟢 Баллы 1–2 (Автоматизация) — ИИ делает сам, ты проверяешь.
Пример: выгрузка данных, форматирование.
🟡 Баллы 3 (Усиление) — ИИ делает черновик, ты дорабатываешь.
Пример: письмо, идеи контента, первый вариант плана.
🟠 Баллы 4 (Коллаборация) — ты создаёшь, ИИ помогает по запросу.
Пример: приоритизация, выбор стратегии.
🔴 Баллы 5 (Только человек) — ИИ максимум готовит вводные.
Пример: сложные переговоры, решения этических вопросов, предоставление обратной связи сотруднику.
Как использовать?
1. Возьми задачу.
2. Оцени по пяти параметрам.
3. Возьми максимальный балл — получи зону делегирования.
Правило 3 секунд: Если за 3 секунды не можешь решить между оценками — ставь 3 и двигайся дальше. Перфекционизм в скоринге не добавляет точности.
Интерактивная карта (Google Sheets): Заполняешь 5–7 своих задач → таблица автоматически определяет зону для каждой.
Карта делегирования задач ИИ
#ИИ_в_управлении #метод
Вы помните это чувство, когда впервые садитесь за ChatGPT? Кажется, он может всё. А когда переходите на Claude, подключаете MCP и создаёте первые скиллы, возникает ощущение, что волшебный мир будущего из книг фантастов наступил. Кто не пытался запихнуть в ИИ всё подряд, скорее всего, запихивал в два раза больше. Я не исключение и проходил эти стадии от «вот тебе вижн» до системы с бэклогом/спринтлогом, критериями приёмки задачи и отдельным ИИ-агентом delivery-manager, который имеет право запускать что-то в работу.
В какой-то момент я понял, что у меня нет системы для выбора, какую задачу можно сразу делегировать ИИ, а над которой сначала требуется поработать самому — только ощущения. В итоге то даю ИИ работу, которую потом полдня переделываю. То остерегаюсь дать то, с чем он с лёгкостью бы справился. Причём каждый раз решаю это как-то по-новому, что неэффективно.
В итоге поботал и начал собирать структуру. Один из первых инструментов — EPOCH-скоринг. Пять вопросов о делегируемой задаче, которые показывают, где передавать рискованно, где безопасно, а где подходит режим коллаборации.
Пять параметров (EPOCH)
Для каждой задачи нужно оценить по шкале 1–5:
E — Empathy and Emotional Intelligence (Эмпатия и эмоциональный интеллект). Нужно ли чувствовать эмоции конкретного человека?
Примеры: обратная связь сотруднику, разговор с недовольным клиентом.
P — Presence, Networking, and Connectedness (Присутствие, нетворкинг и связность). Нужна ли личная встреча, доверие, нетворкинг?
Примеры: переговоры, критичные разговоры, подписание контракта.
O — Opinion, Judgment, and Ethics (Суждение, оценка и этика). Нужна ли оценка при неполных данных?
Примеры: выбор стратегии, приоритизация, этические решения.
C — Creativity and Imagination (Креативность и воображение). Нужна ли новая идея или достаточно комбинировать известное?
Примеры: новая концепция продукта vs доработка существующего решения.
H — Hope, Vision, and Leadership (Надежда, видение и лидерство). Нужна ли мотивация людей или стратегическое видение?
Примеры: смена курса компании, запуск направления, вдохновение в кризис.
Как считать результат
Максимальный балл из пяти — зона делегирования:
🟢 Баллы 1–2 (Автоматизация) — ИИ делает сам, ты проверяешь.
Пример: выгрузка данных, форматирование.
🟡 Баллы 3 (Усиление) — ИИ делает черновик, ты дорабатываешь.
Пример: письмо, идеи контента, первый вариант плана.
🟠 Баллы 4 (Коллаборация) — ты создаёшь, ИИ помогает по запросу.
Пример: приоритизация, выбор стратегии.
🔴 Баллы 5 (Только человек) — ИИ максимум готовит вводные.
Пример: сложные переговоры, решения этических вопросов, предоставление обратной связи сотруднику.
Как использовать?
1. Возьми задачу.
2. Оцени по пяти параметрам.
3. Возьми максимальный балл — получи зону делегирования.
Правило 3 секунд: Если за 3 секунды не можешь решить между оценками — ставь 3 и двигайся дальше. Перфекционизм в скоринге не добавляет точности.
Интерактивная карта (Google Sheets): Заполняешь 5–7 своих задач → таблица автоматически определяет зону для каждой.
Карта делегирования задач ИИ
#ИИ_в_управлении #метод
ИИ поверх хаоса — позолоченный хаос
Deloitte выпустили Global Human Capital Trends 2026 — ежегодный отчёт про то, как меняется мир труда и организации.
7 из 10 первых лиц компаний называют «быть быстрым и адаптивным» главным конкурентным приоритетом на следующие три года. Хотя, мне кажется, об этом уже лет 10 говорят каждый год. Поэтому звучит скорее как то, что произносят на конференциях между глотками воды. Следующая цифра интереснее.
59% компаний берут tech-focused подход к ИИ — кладут (хотя здесь уместнее использовать «ложут») его поверх существующих процессов, не перепроектируя взаимодействие людей и машин. По данным Deloitte, такие компании в 1,6 раза чаще не окупают инвестиции в ИИ. Я в феврале писал, что ИИ-трансформация у большинства захлебнётся — приятно, чёрт возьми, осознавать, что смотрим на одну проблему с разных сторон.
Второй тезис разворачивается в отдельную главу: конкурентное преимущество создаётся не самой технологией, а тем, как спроектировано взаимодействие человека и ИИ. Большинство до сих пор проектируют их отдельно. Тот, кто проектирует совместно, обгоняет. Одна цифра показывает масштаб: только 14% лидеров считают себя готовыми к решению этой задачи. Я писал об этом иначе — что главная преграда для ИИ-трансформации в головах, а не в системах.
Третье — оркестрация людей и ИИ-агентов. Умение перераспределять ресурсы под конкретную задачу, а не под оргструктуру. Авторы считают, что статичные функциональные структуры слишком медленны для нынешнего темпа изменений. Я и сам думал об этом, что управленческие компетенции, которыми многие обладают, в гибридных командах применяются по-другому.
Последнее, что зацепило, — ИИ накапливает культурный долг точно так же, как плохой код накапливает технический. Когда внедряют быстро и не разбираются с тем, как это меняет нормы и ответственность, долг копится. Вопросы «кто решает?», «кто отвечает?», «что вообще считать работой?» начинают размываться. Потом больнее разгребать. Пока большинство компаний этим не занимаются.
Отчёт подтверждает, что разрыв между теми, кто купил доступ к LLM, и теми, кто выстроил систему делегирования, будет только расти.
#b2b #ИИ_в_управлении
Deloitte выпустили Global Human Capital Trends 2026 — ежегодный отчёт про то, как меняется мир труда и организации.
7 из 10 первых лиц компаний называют «быть быстрым и адаптивным» главным конкурентным приоритетом на следующие три года. Хотя, мне кажется, об этом уже лет 10 говорят каждый год. Поэтому звучит скорее как то, что произносят на конференциях между глотками воды. Следующая цифра интереснее.
59% компаний берут tech-focused подход к ИИ — кладут (хотя здесь уместнее использовать «ложут») его поверх существующих процессов, не перепроектируя взаимодействие людей и машин. По данным Deloitte, такие компании в 1,6 раза чаще не окупают инвестиции в ИИ. Я в феврале писал, что ИИ-трансформация у большинства захлебнётся — приятно, чёрт возьми, осознавать, что смотрим на одну проблему с разных сторон.
Второй тезис разворачивается в отдельную главу: конкурентное преимущество создаётся не самой технологией, а тем, как спроектировано взаимодействие человека и ИИ. Большинство до сих пор проектируют их отдельно. Тот, кто проектирует совместно, обгоняет. Одна цифра показывает масштаб: только 14% лидеров считают себя готовыми к решению этой задачи. Я писал об этом иначе — что главная преграда для ИИ-трансформации в головах, а не в системах.
Третье — оркестрация людей и ИИ-агентов. Умение перераспределять ресурсы под конкретную задачу, а не под оргструктуру. Авторы считают, что статичные функциональные структуры слишком медленны для нынешнего темпа изменений. Я и сам думал об этом, что управленческие компетенции, которыми многие обладают, в гибридных командах применяются по-другому.
Последнее, что зацепило, — ИИ накапливает культурный долг точно так же, как плохой код накапливает технический. Когда внедряют быстро и не разбираются с тем, как это меняет нормы и ответственность, долг копится. Вопросы «кто решает?», «кто отвечает?», «что вообще считать работой?» начинают размываться. Потом больнее разгребать. Пока большинство компаний этим не занимаются.
Отчёт подтверждает, что разрыв между теми, кто купил доступ к LLM, и теми, кто выстроил систему делегирования, будет только расти.
#b2b #ИИ_в_управлении
Когда автоматизация делает тебя слабее
На панели управления самолётом все системы зелёные. Автопилот работает безупречно. И вот случается мелкий отказ датчиков. Самолёт Air France 447 в 2009 году потерял скорость. Два опытнейших пилота попытались взять управление. И не смогли. В итоге три часа они только наблюдали и комментировали. 228 человек погибли, потому что экипаж потерял навык.
Случай не уникальный, а вполне закономерный. И в контексте массового делегирования задач LLM как никогда актуальный. Когда ты даёшь ИИ простую работу, то экономишь время. Всё логично. Рутину передаём машине, сами занимаемся сложными задачами. Проблема следующая: сложное случается редко. И когда наконец случается, человек уже несколько недель не решал простое. Не видел паттерны. Потерял навык решения задачи самостоятельно.
Врачи, которые работали с ИИ-ассистентами при эндоскопии, начали видеть предраковые поражения хуже. С AI выявляли 28%, без ИИ — 22%. Люди буквально разучились видеть то, что видели раньше. Разработчики, которые полагаются на ChatGPT, критически думают медленнее. Когда ИИ лежит — работа встаёт.
Как это решается?
Первое. Регулярно давать людям задачи, которые может сделать ИИ. Не ради эффективности — это, наоборот, неэффективно. Ради страховки. Например, junior-разработчик пишет код, который ИИ-шка могла бы написать за две минуты. Зачем? Потому что через год этот junior должен будет проверить код, который писал ИИ. Без подобного опыта не проверит.
Второе. Спланировать отказ заранее. Перед тем как запускать делегирование задач ИИ-агентам, спроси себя: если она откажет завтра в самый неудачный момент, готовы ли мы её заменить? Если нет — заново анализируем, что готовы отдать на выполнение ИИ. Возможно, не всё пока можно отдавать машине.
Третье. Требовать объяснений. Когда получаешь результат от сотрудника, попроси объяснить. Какие риски? Что может пойти не так? Это держит мозг в тонусе. Исследования показывают — когда люди сопровождают свои решения рассуждениями, они остаются когнитивно включённы.
ИИ может делать нас более уязвимыми. Потому что чем лучше машина работает, тем больше мы теряем навык. Это не причина бежать от ИИ. Лишь причина помнить о хрупкости. Специально создавать трение. Научиться выбирать, где можно отдать контроль, а где оставить за собой.
#ИИ_в_управлении #метод
На панели управления самолётом все системы зелёные. Автопилот работает безупречно. И вот случается мелкий отказ датчиков. Самолёт Air France 447 в 2009 году потерял скорость. Два опытнейших пилота попытались взять управление. И не смогли. В итоге три часа они только наблюдали и комментировали. 228 человек погибли, потому что экипаж потерял навык.
Случай не уникальный, а вполне закономерный. И в контексте массового делегирования задач LLM как никогда актуальный. Когда ты даёшь ИИ простую работу, то экономишь время. Всё логично. Рутину передаём машине, сами занимаемся сложными задачами. Проблема следующая: сложное случается редко. И когда наконец случается, человек уже несколько недель не решал простое. Не видел паттерны. Потерял навык решения задачи самостоятельно.
Врачи, которые работали с ИИ-ассистентами при эндоскопии, начали видеть предраковые поражения хуже. С AI выявляли 28%, без ИИ — 22%. Люди буквально разучились видеть то, что видели раньше. Разработчики, которые полагаются на ChatGPT, критически думают медленнее. Когда ИИ лежит — работа встаёт.
Как это решается?
Первое. Регулярно давать людям задачи, которые может сделать ИИ. Не ради эффективности — это, наоборот, неэффективно. Ради страховки. Например, junior-разработчик пишет код, который ИИ-шка могла бы написать за две минуты. Зачем? Потому что через год этот junior должен будет проверить код, который писал ИИ. Без подобного опыта не проверит.
Второе. Спланировать отказ заранее. Перед тем как запускать делегирование задач ИИ-агентам, спроси себя: если она откажет завтра в самый неудачный момент, готовы ли мы её заменить? Если нет — заново анализируем, что готовы отдать на выполнение ИИ. Возможно, не всё пока можно отдавать машине.
Третье. Требовать объяснений. Когда получаешь результат от сотрудника, попроси объяснить. Какие риски? Что может пойти не так? Это держит мозг в тонусе. Исследования показывают — когда люди сопровождают свои решения рассуждениями, они остаются когнитивно включённы.
ИИ может делать нас более уязвимыми. Потому что чем лучше машина работает, тем больше мы теряем навык. Это не причина бежать от ИИ. Лишь причина помнить о хрупкости. Специально создавать трение. Научиться выбирать, где можно отдать контроль, а где оставить за собой.
#ИИ_в_управлении #метод
Когда ИИ умеет всё, а рынок труда не заметил
Anthropic выпустил отчёт «Labour Market Impacts of AI: A New Measure and Early Evidence». Сделали интересную вещь: проанализировали не, что языковые модели могут теоретически, а взяли реальные задачи, которые пользователи приносят в Claude. Написать код, разобрать документ, ответить на запрос клиента и т. п. После проверили: в каких случаях Claude мог бы выполнить задачу целиком, без участия сотрудника?
97% таких задач попадают в зону автоматизации или усиления по EPOCH-скорингу, о котором я писал недавно. Проще говоря, ИИ мог бы делать их вместо человека или почти без него.
Казалось бы, занятость в этих профессиях должна была упасть. Авторы сопоставили с данными Бюро статистики труда США за три года. Ни-че-го. Никакого роста безработицы. Найм не изменился.
Я, в целом, не удивлён. Писал об этом ещё в феврале. Среднестатистический сотрудник при виде любой инновации задаёт два вопроса: не отнимет ли это место и не добавит ли работы. Купить подписку или поднять сервер — это одно. Перестроить процесс, убедить команду, взять на себя риск — совсем другое. Между «технически возможно» и «кто-то принял решение» — огромная дистанция. И дистанция эта не технологическая.
Ещё одно ожидаемое число из отчёта. 30% рабочей силы США не испытывают воздействия ИИ вообще. Это повара, механики, электрики, бармены. Не потому, что ИИ не умеет, а потому, что у него нет физического входа в эти профессии. Треть рынка труда целиком за пределами этой истории.
Оба нарратива, которые сейчас в ходу, — «ИИ заберёт всю работу» и «ИИ уже всё делает сам» — не стыкуются с данными из исследования Anthropic. Технология опережает применение и это не проблема ИИ-моделей. Это сложная интересная задача для руководителей.
#ИИ_в_управлении #метод
Anthropic выпустил отчёт «Labour Market Impacts of AI: A New Measure and Early Evidence». Сделали интересную вещь: проанализировали не, что языковые модели могут теоретически, а взяли реальные задачи, которые пользователи приносят в Claude. Написать код, разобрать документ, ответить на запрос клиента и т. п. После проверили: в каких случаях Claude мог бы выполнить задачу целиком, без участия сотрудника?
97% таких задач попадают в зону автоматизации или усиления по EPOCH-скорингу, о котором я писал недавно. Проще говоря, ИИ мог бы делать их вместо человека или почти без него.
Казалось бы, занятость в этих профессиях должна была упасть. Авторы сопоставили с данными Бюро статистики труда США за три года. Ни-че-го. Никакого роста безработицы. Найм не изменился.
Я, в целом, не удивлён. Писал об этом ещё в феврале. Среднестатистический сотрудник при виде любой инновации задаёт два вопроса: не отнимет ли это место и не добавит ли работы. Купить подписку или поднять сервер — это одно. Перестроить процесс, убедить команду, взять на себя риск — совсем другое. Между «технически возможно» и «кто-то принял решение» — огромная дистанция. И дистанция эта не технологическая.
Ещё одно ожидаемое число из отчёта. 30% рабочей силы США не испытывают воздействия ИИ вообще. Это повара, механики, электрики, бармены. Не потому, что ИИ не умеет, а потому, что у него нет физического входа в эти профессии. Треть рынка труда целиком за пределами этой истории.
Оба нарратива, которые сейчас в ходу, — «ИИ заберёт всю работу» и «ИИ уже всё делает сам» — не стыкуются с данными из исследования Anthropic. Технология опережает применение и это не проблема ИИ-моделей. Это сложная интересная задача для руководителей.
#ИИ_в_управлении #метод
Давайте похлопаем Васе — он написал свой первый промпт
Регулярно наблюдаю за активностями обучения по работе с ИИ. Как это выглядит с моей строны: «Хей, ребята, давайте быстренько откроем консоль! Смотрите, пишем промпт — вау! Можно сделать несколько агентов — ого! Агенты через MCP-сервер заходят на почту — ну, ващее! А ещё можно собрать интерфейс в Lovable — АААааа!!!111 Я кончил(а)!»
А я смотрю иоху удивляюсь: почти всё, что заявляют и показывают можно базово освоить за пару выходных самостоятельно. В том же Claude есть инструкция на 15-20 страниц, как создавать skills и как их отлаживать. А можно ещё проще: открой диалог с LMM и попроси на основе обсуждения собрать агента. Просто как кусок хозяйственного мыла.
Двадцать пять лет назад мы изучали программирование и Unix. У нас не было YouTube, курсов, телеграм-каналов и мастер-классов. Были Кнут, Вирт, Страуструп, какое-то руководство по Си, учебники (часто середины 80-х), RFC и команда man в консоли. И бесконечное количество экспериментов. Учились, потому что было интересно и любопытно. Знаете, какой кайф — без документации настроить подключение домашней FreeBSD через PPP-протокол к мобильному интернету на Siemens C60?
Такое ощущение, что в последние 10-15 лет образование, особенно дополнительное, превратилось в какой-то entertainment. Люди собираются не чтобы научиться (для этого как правило надо обладать навыком чтения), а чтобы их развлекли, уделяли внимание, натаскали на навык, заставили (как в школе или универе) что-то выполнить.
При я этом регулярно слышу и читаю, что главный навык двадцать первого, мать его, века — умение учиться. А факты говорят о том, что большинство людей этим навыком не обладают. Они напоминают шеали из «Спектра» Лукьяненко. Пока молоды, то невероятно любознательны и способны усваивать любые знания. А как только достигают зрелости, разум «застывает». С этого момента они больше не могут научиться ничему новому, изменить свои убеждения или даже понять новую концепцию. Взрослая особь живет с багажом знаний, полученных в юности.
Мой совет — прежде чем бежать на очередной мастер-класс по промптам, вспомнить одну вещь: ты разумное существо, и ты умеешь учиться. Миллионы лет эволюции на твоей стороне. Отложи сериал, закрой соцсети, сядь на выходных и разберись сам в том, что интересно. Ведь любопытство — единственная вещь, которая работает в образовании.
#метод #мысльнавыходные
Регулярно наблюдаю за активностями обучения по работе с ИИ. Как это выглядит с моей строны: «Хей, ребята, давайте быстренько откроем консоль! Смотрите, пишем промпт — вау! Можно сделать несколько агентов — ого! Агенты через MCP-сервер заходят на почту — ну, ващее! А ещё можно собрать интерфейс в Lovable — АААааа!!!111 Я кончил(а)!»
А я смотрю и
Двадцать пять лет назад мы изучали программирование и Unix. У нас не было YouTube, курсов, телеграм-каналов и мастер-классов. Были Кнут, Вирт, Страуструп, какое-то руководство по Си, учебники (часто середины 80-х), RFC и команда man в консоли. И бесконечное количество экспериментов. Учились, потому что было интересно и любопытно. Знаете, какой кайф — без документации настроить подключение домашней FreeBSD через PPP-протокол к мобильному интернету на Siemens C60?
Такое ощущение, что в последние 10-15 лет образование, особенно дополнительное, превратилось в какой-то entertainment. Люди собираются не чтобы научиться (для этого как правило надо обладать навыком чтения), а чтобы их развлекли, уделяли внимание, натаскали на навык, заставили (как в школе или универе) что-то выполнить.
При я этом регулярно слышу и читаю, что главный навык двадцать первого, мать его, века — умение учиться. А факты говорят о том, что большинство людей этим навыком не обладают. Они напоминают шеали из «Спектра» Лукьяненко. Пока молоды, то невероятно любознательны и способны усваивать любые знания. А как только достигают зрелости, разум «застывает». С этого момента они больше не могут научиться ничему новому, изменить свои убеждения или даже понять новую концепцию. Взрослая особь живет с багажом знаний, полученных в юности.
Мой совет — прежде чем бежать на очередной мастер-класс по промптам, вспомнить одну вещь: ты разумное существо, и ты умеешь учиться. Миллионы лет эволюции на твоей стороне. Отложи сериал, закрой соцсети, сядь на выходных и разберись сам в том, что интересно. Ведь любопытство — единственная вещь, которая работает в образовании.
#метод #мысльнавыходные
Сделал мини-курс про работу с ИИ с точки зрения руководителя.
Давно об этом пишу: про делегирование, про то, какие и как отдавать задачи машине, а какие нет. Собрал базу в формате шести историй.
Скоро выйдет полная методология делегирования задач ИИ, курс идёт как её часть.
После промптов. Шесть историй о том, как работать с ИИ по-настоящему.
Давно об этом пишу: про делегирование, про то, какие и как отдавать задачи машине, а какие нет. Собрал базу в формате шести историй.
Скоро выйдет полная методология делегирования задач ИИ, курс идёт как её часть.
После промптов. Шесть историй о том, как работать с ИИ по-настоящему.
Методологии делегирования задач ИИ.
Фреймворк помогает понять, какие части процессов стоит передавать ИИ, как их декомпозировать и описывать, из чего складывается экономика и как не потерять контроль при внедрении.
Мне интересно провести митап и рассказать, какая логика заложена и как использовать методологию. Создал группу для тех, кому интересна тема делегирования задач ИИ. Если наберётся хотя бы 10 человек, планирую собраться онлайн в конце апреля.
#ИИ_в_управлении #метод
Фреймворк помогает понять, какие части процессов стоит передавать ИИ, как их декомпозировать и описывать, из чего складывается экономика и как не потерять контроль при внедрении.
Мне интересно провести митап и рассказать, какая логика заложена и как использовать методологию. Создал группу для тех, кому интересна тема делегирования задач ИИ. Если наберётся хотя бы 10 человек, планирую собраться онлайн в конце апреля.
#ИИ_в_управлении #метод
Gallup: главная преграда ИИ — это менеджер
Gallup выпустил State of the Global Workplace 2026 — ежегодное исследование вовлечённости в 160 странах. Подзаголовок в этом году: «The Human Side of the AI Revolution». Результаты так себе.
Начнём с денег. Глобально вовлечены 20% сотрудников. 64% ходят на работу, потому что надо. 16% активно вредят. Вовлечённость падает второй год подряд и вернулась к уровню 2020 года. Каждый процентный пункт — 21 млн человек. В деньгах — $10 трлн в год, 9% мирового ВВП. На всякий случай: вовлечённость — это не только метрика из HR-дашборда, а в первую очередь экономика чистой воды. Бизнес и общество недополучают от людей, которые почему-то перестают стараться.
Ясен пень, в наше время главный ответ на кризис в компании — купить ИИ. Исследователи MIT подсчитали: около $40 млрд вложено в корпоративный ИИ, но 95% организаций не замечают измеримого эффекта на прибыль. При этом только 12% сотрудников в компаниях с внедрённым ИИ уверены, что он изменил то, как работа устроена в их организации. Но не качество модели решают, приживётся ли ИИ. Оказалось, что сотрудники, чей менеджер активно поддерживает ИИ в команде, в 8,7 раза чаще говорят, что технология трансформировала их работу. При этом меньше трети сотрудников в США полностью согласны, что их руководитель активно поддерживает использование ИИ командой. Кстати, именно поэтому я создал методологию делегирования задач ИИ как управленческий, а не технический инструмент — что отдать, как проверить результат, как не потерять контроль. Впрочем, судя по количеству людей, заинтересованных про неё послушать, боюсь представить, какая доля руководителей поддерживает использование ИИ на земле русской.
Отдельно про удалёнку. Данные снова расходятся с тем, что делают крупные компании, возвращая сотрудников в офис. По данным отчёта, работающие исключительно удалённо вовлечены вдвое больше по сравнению с теми, чьим начальникам важно считать жопо-часы, проведённые в офисе — 30% против 17%. Мы с Софией Романовой, кстати, ещё полтора года назад разбирали особенности работы в онлайн и как её организовать эффективнее.
И последнее — самое неожиданное (для тех, кто считает, что управлению не надо учиться). Исследователи Gallup обнаружили два фактора, которые устойчиво предсказывают вовлечённость во всех 160 странах. Первое, сотрудник видит смысл в том, что делает, и понимает, как это влияет на других. Второе, у него есть выбор в том, как делать работу. Оба фактора бесплатные и полностью зависят от менеджера.
Я, честно говоря, не знаю, что должно произойти, чтобы компании перестали лечить вовлечённость сотрудников деньгами. Gallup много пишет про ИИ, а на самом деле снова про то, что большинство руководителей не умеет работать с людьми.
#b2b #процессы #ИИ_в_управлении
Gallup выпустил State of the Global Workplace 2026 — ежегодное исследование вовлечённости в 160 странах. Подзаголовок в этом году: «The Human Side of the AI Revolution». Результаты так себе.
Начнём с денег. Глобально вовлечены 20% сотрудников. 64% ходят на работу, потому что надо. 16% активно вредят. Вовлечённость падает второй год подряд и вернулась к уровню 2020 года. Каждый процентный пункт — 21 млн человек. В деньгах — $10 трлн в год, 9% мирового ВВП. На всякий случай: вовлечённость — это не только метрика из HR-дашборда, а в первую очередь экономика чистой воды. Бизнес и общество недополучают от людей, которые почему-то перестают стараться.
Ясен пень, в наше время главный ответ на кризис в компании — купить ИИ. Исследователи MIT подсчитали: около $40 млрд вложено в корпоративный ИИ, но 95% организаций не замечают измеримого эффекта на прибыль. При этом только 12% сотрудников в компаниях с внедрённым ИИ уверены, что он изменил то, как работа устроена в их организации. Но не качество модели решают, приживётся ли ИИ. Оказалось, что сотрудники, чей менеджер активно поддерживает ИИ в команде, в 8,7 раза чаще говорят, что технология трансформировала их работу. При этом меньше трети сотрудников в США полностью согласны, что их руководитель активно поддерживает использование ИИ командой. Кстати, именно поэтому я создал методологию делегирования задач ИИ как управленческий, а не технический инструмент — что отдать, как проверить результат, как не потерять контроль. Впрочем, судя по количеству людей, заинтересованных про неё послушать, боюсь представить, какая доля руководителей поддерживает использование ИИ на земле русской.
Отдельно про удалёнку. Данные снова расходятся с тем, что делают крупные компании, возвращая сотрудников в офис. По данным отчёта, работающие исключительно удалённо вовлечены вдвое больше по сравнению с теми, чьим начальникам важно считать жопо-часы, проведённые в офисе — 30% против 17%. Мы с Софией Романовой, кстати, ещё полтора года назад разбирали особенности работы в онлайн и как её организовать эффективнее.
И последнее — самое неожиданное (для тех, кто считает, что управлению не надо учиться). Исследователи Gallup обнаружили два фактора, которые устойчиво предсказывают вовлечённость во всех 160 странах. Первое, сотрудник видит смысл в том, что делает, и понимает, как это влияет на других. Второе, у него есть выбор в том, как делать работу. Оба фактора бесплатные и полностью зависят от менеджера.
Я, честно говоря, не знаю, что должно произойти, чтобы компании перестали лечить вовлечённость сотрудников деньгами. Gallup много пишет про ИИ, а на самом деле снова про то, что большинство руководителей не умеет работать с людьми.
#b2b #процессы #ИИ_в_управлении
Ключевая проблема ИИ в текущем состоянии в контексте внедрения в бизнес-процессы — он не умеет загоняться.
Откуда происходит большинство прорывов в бизнесе? Начальник меня не ценит, а я ему докажу. Женщина игнорирует, докажу и ей. Родители не замечают моих успехов, буду впахивать как вол. Преодолевать отсутствие процессов, нечёткие цели, начальника-мудака.
Потому всемирная ИИзация требует либо ИИ с комплексом неполноценности и потребности в поддержании самооценки, либо руководителей, которые смиренно умеют чётко ставить задачи.
Откуда происходит большинство прорывов в бизнесе? Начальник меня не ценит, а я ему докажу. Женщина игнорирует, докажу и ей. Родители не замечают моих успехов, буду впахивать как вол. Преодолевать отсутствие процессов, нечёткие цели, начальника-мудака.
Потому всемирная ИИзация требует либо ИИ с комплексом неполноценности и потребности в поддержании самооценки, либо руководителей, которые смиренно умеют чётко ставить задачи.
Три БЕСПЛАТНЫХ места на менторство
В прошлом году, в июне я писал, что буду открывать набор раз в год, но ресурс освободился раньше. Потому буду рад помочь кому-то сделать level-up или, наоборот, понять, что управление — это та вещь, на которую не стоит тратить жизнь.
Все детали о том, чем я могу быть полезен как ментор и какой формат работы в исходном посте. Вынесу сюда только описание тех, с кем интересно поработать.
→ Руководители (в найме или собственники), которым надоело постоянно тушить пожары и которым это мешает тратить время на создание чего-то ценного.
→ Продакты/проджекты от middle и выше, которые недавно совершили level-up и судорожно соображают, что же теперь со всем этим делать и за что хвататься в первую очередь.
Чтобы попробовать попасть ко мне на менторство, надо простонакрыть поляну написать мне в личку в свободной форме.
#менторство
В прошлом году, в июне я писал, что буду открывать набор раз в год, но ресурс освободился раньше. Потому буду рад помочь кому-то сделать level-up или, наоборот, понять, что управление — это та вещь, на которую не стоит тратить жизнь.
Все детали о том, чем я могу быть полезен как ментор и какой формат работы в исходном посте. Вынесу сюда только описание тех, с кем интересно поработать.
→ Руководители (в найме или собственники), которым надоело постоянно тушить пожары и которым это мешает тратить время на создание чего-то ценного.
→ Продакты/проджекты от middle и выше, которые недавно совершили level-up и судорожно соображают, что же теперь со всем этим делать и за что хвататься в первую очередь.
Чтобы попробовать попасть ко мне на менторство, надо просто
#менторство
Пока все красили забор быстрее, умные его снесли
Исследователи INSEAD и Harvard Business School провели эксперимент, о котором стоит знать всех, кто интересуется внедрением ИИ в бизнесе.
Взяли 515 стартапов, случайно разделили на контрольную и экспериментальную группы. Каждому выдали $25 000на девок румяных в API-кредитах, доступ к лучшим моделям, еженедельно трёхчасовые практические занятия от MIT. Контрольную группу учили по стандартной программе: кастеды, портреты клиентов, дизайн гипотез и прочая lean-светотень. Экспериментальную учили картировать процессы, показывали опыт других AI-native стартапов по реорганизации производственных циклов вокруг технологий ИИ, демонстрировали возможности реструктуризации или полной автоматизации цепочек создания от начала до конца.
К концу программы при одинаковом финансировании, одинаковых инструментах и одинаковом штате — экспериментальная группа заработала на 90% больше. Вероятность получить платящего клиента выше на 18%. Потребность в инвестициях ниже на 40%.
Логика простая, как марлевые трусы. Если взять процесс из 10 шагов и при помощи ИИ удвоить скорость одного, весь процесс станет быстрее на... 5%. Вместо трансформации бизнеса просто ускоряем очередь к следующему узкому месту.
В этой точке застревает большинство компаний, начинающих AI-трансформацию. Маркетинг автоматизирует написание текстов. HR-обработку резюме. Поддержка, анализ тикеты. В итоге все кайфуют и ждут прихода. А сверху всё чаще раздаётся: «Где деньги, Зин?».
Четыре приёма, которые повторялись в кейсах исследования: убрать ручные передачи между людьми и системами, запустить несколько вариантов параллельно вместо одного, перевести людей с рутины на разбор исключений, добавить точки оценки и контроля результата. Если ваша ИИ-инициатива не делает ни одного из этих четырёх, это локальная оптимизация, а не редизайн бизнес-процессов.
Разные роли в компании получают разную ценность. Операционный руководитель ищет «человеческий клей» — сотрудника, который служит живым мостом между системами: выгружает из Excel, вносит в CRM, вручную пишет письмо на основе трёх разных источников. Продакт-менеджер перестаёт месяцами полировать один прототип — запускает три варианта параллельно и тестирует. CEO меняет фокус в «кого нанять следующим» на «какое узкое место всё ещё требует человеческого суждения». Это ровно то, с чего начинается методология делегирования задач ИИ: не выбор инструментов, а анализ процесса — где стоит оставить человека и какую роль он должен выполнять.
Автор исследования в своих рассуждениях идёт дальше. После перепроектирования процессов возникает логичный вопрос: «Зачем вообще нужна привычная структура компании, если координация стала дешёвой»». Исторически средний менеджмент был «человеческим API» — агрегировал данные снизу, транслировал решения сверху. Когда большую часть этих задач берёт на себя ИИ, иерархия уплощается. Команда из трёх человек с роем агентов сможет делать то, что раньше делал отдел в 300. Впрочем, стоит не забывать, что иерархия не в последнюю очередь решает задачу ощущения власти. Именно это является большим камнем преткновения для делегирования управленческих задач машине.
Поэтому при развитии процессов внедрения ИИ должен стоять не «какой новый ИИ-инструмент купить», а «куда узкое место переехало после нашего последнего внедрения». Потому автоматизация без переоценки процессов и организационной структуры всё лишь сдвигает бутылочное горлышко на один шаг правее.
#метод #ИИ_в_управлении #b2b
Исследователи INSEAD и Harvard Business School провели эксперимент, о котором стоит знать всех, кто интересуется внедрением ИИ в бизнесе.
Взяли 515 стартапов, случайно разделили на контрольную и экспериментальную группы. Каждому выдали $25 000
К концу программы при одинаковом финансировании, одинаковых инструментах и одинаковом штате — экспериментальная группа заработала на 90% больше. Вероятность получить платящего клиента выше на 18%. Потребность в инвестициях ниже на 40%.
Логика простая, как марлевые трусы. Если взять процесс из 10 шагов и при помощи ИИ удвоить скорость одного, весь процесс станет быстрее на... 5%. Вместо трансформации бизнеса просто ускоряем очередь к следующему узкому месту.
В этой точке застревает большинство компаний, начинающих AI-трансформацию. Маркетинг автоматизирует написание текстов. HR-обработку резюме. Поддержка, анализ тикеты. В итоге все кайфуют и ждут прихода. А сверху всё чаще раздаётся: «Где деньги, Зин?».
Четыре приёма, которые повторялись в кейсах исследования: убрать ручные передачи между людьми и системами, запустить несколько вариантов параллельно вместо одного, перевести людей с рутины на разбор исключений, добавить точки оценки и контроля результата. Если ваша ИИ-инициатива не делает ни одного из этих четырёх, это локальная оптимизация, а не редизайн бизнес-процессов.
Разные роли в компании получают разную ценность. Операционный руководитель ищет «человеческий клей» — сотрудника, который служит живым мостом между системами: выгружает из Excel, вносит в CRM, вручную пишет письмо на основе трёх разных источников. Продакт-менеджер перестаёт месяцами полировать один прототип — запускает три варианта параллельно и тестирует. CEO меняет фокус в «кого нанять следующим» на «какое узкое место всё ещё требует человеческого суждения». Это ровно то, с чего начинается методология делегирования задач ИИ: не выбор инструментов, а анализ процесса — где стоит оставить человека и какую роль он должен выполнять.
Автор исследования в своих рассуждениях идёт дальше. После перепроектирования процессов возникает логичный вопрос: «Зачем вообще нужна привычная структура компании, если координация стала дешёвой»». Исторически средний менеджмент был «человеческим API» — агрегировал данные снизу, транслировал решения сверху. Когда большую часть этих задач берёт на себя ИИ, иерархия уплощается. Команда из трёх человек с роем агентов сможет делать то, что раньше делал отдел в 300. Впрочем, стоит не забывать, что иерархия не в последнюю очередь решает задачу ощущения власти. Именно это является большим камнем преткновения для делегирования управленческих задач машине.
Поэтому при развитии процессов внедрения ИИ должен стоять не «какой новый ИИ-инструмент купить», а «куда узкое место переехало после нашего последнего внедрения». Потому автоматизация без переоценки процессов и организационной структуры всё лишь сдвигает бутылочное горлышко на один шаг правее.
#метод #ИИ_в_управлении #b2b