AI экономит ресурсы или просто прячет затраты?

Когда компании обсуждают внедрение искусственного интеллекта, чаще всего разговор сводится к производительности. Нейросеть написала текст за две минуты вместо двадцати, подготовила коммерческое предложение за пять минут вместо часа, нашла информацию быстрее сотрудника. На первый взгляд кажется очевидным, что компания начала экономить время и деньги.

Но есть вопрос, который задают значительно реже: действительно ли часть работы исчезла после внедрения AI или она просто переехала к другим людям?

Разница между этими сценариями принципиальна. В одном случае компания действительно становится эффективнее. В другом — работа остаётся внутри системы, но меняет исполнителя.

AI действительно способен экономить ресурсы там, где речь идёт о повторяющихся и хорошо формализованных действиях. Например, сотрудникам больше не нужно вручную искать одни и те же ответы в базе знаний, расшифровывать записи встреч, сортировать обращения клиентов или собирать стандартные документы по шаблону.

Исследование NBER, посвящённое использованию генеративного AI в клиентской поддержке, показало рост производительности сотрудников примерно на 14%. Особенно заметный эффект наблюдался у менее опытных специалистов. Нейросеть помогала быстрее находить нужную информацию и формулировать ответы клиентам.

Похожий результат продемонстрировало исследование MIT, посвящённое профессиональным письменным задачам. Участники, использовавшие ChatGPT, выполняли задания быстрее, а качество результатов по оценке независимых экспертов не снижалось.

В подобных случаях эффект достаточно прозрачен. Нейросеть убирает часть механической работы, которая раньше выполнялась вручную.

Однако далеко не каждая автоматизация приводит к реальному сокращению трудозатрат.

Представим менеджера по продажам, который раньше самостоятельно готовил коммерческое предложение для клиента. На это уходил примерно час. После внедрения AI черновик создаётся за пять минут.

На этом этапе легко сделать вывод, что компания сэкономила 55 минут рабочего времени. Но дальше начинается то, что редко попадает в презентации поставщиков технологий: маркетолог проверяет формулировки, технический специалист уточняет характеристики продукта, финансовый отдел перепроверяет расчёты, юрист проверяет условия договора и риски, руководитель вносит собственные правки.

В итоге документ действительно появился быстрее. Однако часть работы просто переместилась в другие подразделения. Если раньше менеджер тратил час на подготовку предложения, то теперь несколько сотрудников тратят время на проверку и исправление результата, созданного нейросетью.

Возникает закономерный вопрос: где именно произошла экономия?

Подобная ситуация встречается значительно чаще, чем принято считать. Например, AI может подготовить справку по проекту за несколько минут. На первый взгляд это выглядит как существенное ускорение процесса. Но если система использовала устаревшие данные, перепутала контекст или сделала слишком общие выводы, эксперту всё равно приходится заново разбираться в деталях.

Формально работа выполнена, но фактически она только изменила форму.

То же самое происходит с текстами, презентациями и аналитическими материалами. Нейросеть способна быстро создать статью, письмо или отчёт. Однако скорость генерации сама по себе ещё не означает экономию ресурсов. Если специалист затем полностью переписывает структуру текста, исправляет фактические ошибки, убирает пустые формулировки и восстанавливает логику изложения, то значительная часть работы остаётся внутри процесса.

Для подобных ситуаций даже появился отдельный термин — workslop. Так называют контент, который выглядит готовым к использованию, но на практике создаёт дополнительную работу по проверке, исправлению и адаптации.

Проблема усугубляется тем, что результаты работы AI часто выглядят убедительно.

Нейросеть пишет грамотно, использует деловой стиль, структурирует информацию и за счёт этого создаёт впечатление законченного результата. Именно поэтому лишние затраты времени не всегда заметны сразу. Компания видит быстро созданный документ, но не всегда замечает количество ресурсов, которые потом потребуются на его проверку и доработку.

В результате многие организации начинают оценивать эффективность AI по неправильному показателю. Они измеряют количество сгенерированных текстов, отчётов, писем или документов. Но гораздо важнее измерять другое: сколько работы действительно исчезло из системы?

Если после внедрения AI сотрудники стали быстрее доводить задачи до результата, автоматизация работает.

Если же люди начали чаще перепроверять данные, исправлять тексты, уточнять выводы и контролировать ответы нейросети, то компания могла не сократить объём работы, а лишь перераспределить его между отделами.

Поэтому при внедрении AI полезно задавать простой вопрос: что именно исчезнет из процесса после автоматизации? Если на него нет чёткого ответа, существует риск, что технология не устранит работу, а создаст новый этап контроля, согласования и проверки.

Именно здесь проходит граница между реальной автоматизацией и её иллюзией.

Настоящая автоматизация убирает действия из системы. Ложная автоматизация лишь перемещает их от одного сотрудника к другому.

Поэтому оценивать искусственный интеллект стоит не по тому, сколько документов он создал или сколько запросов обработал. Главный показатель гораздо проще: стало ли компании легче достигать результата или она просто получила ещё один слой работы, который теперь тоже необходимо обслуживать.