Три человека и четыре агента: почему руководителям нужно уметь управлять не только людьми, но и роботами

Искусственный интеллект постепенно перестает быть инструментом только для автоматизации рутинных задач и все чаще становится помощником в принятии управленческих решений. Но готовы ли к этому сами управленцы?

Павел Никифоров — директор по коммуникациям в СберМобайле, преподаватель и член Альянса в сфере искусственного интеллекта, в котором занимается разработкой методологии оценки готовности компаний к внедрению ИИ. В колонке для Reminder он рассказал, как работает его команда после найма ИИ-агентов, какая функция нейросетей оказалась для него как для руководителя самой полезной и как решить, кто ответственен за результат и ошибки в такой гибридной схеме.

Бок о бок с ИИ

Подход к карьере в эпоху нейросетей меняется. Еще пару лет назад фраза «у меня в команде ИИ-агент» прозвучала бы как странная метафора. Но сегодня это описание реальной рабочей модели. 

Мы привыкли считать сильным специалистом того, кто качественнее пишет текст, быстрее собирает отчет или анализирует данные. Но с развитием ИИ отдельные операции становятся все доступнее — важнее оказывается способность спроектировать работу так, чтобы люди и алгоритмы делали то, в чем силен каждый, и несли ответственность каждый за свою часть работы.

Сегодня, когда кандидаты приходят устраиваться ко мне в отдел, некоторые сразу говорят, например: «У меня есть своя команда из трех человек и четырех агентов». И я спрашиваю не только о людях, но и об агентах: как кандидат их обновляет, как ставит задачи, как проверяет результат и сколько эта цифровая часть команды стоит. Это полноценные игроки.

Один из таких случаев произошел, когда я нанимал PR-менеджера. Большим преимуществом кандидата оказалась собственная фабрика по производству контента: несколько агентов работали с источниками информации, писали и корректировали тексты, а сам специалист подключался на финальном этапе и просматривал результат.

Сегодня я учитываю эту систему, когда поручаю ему задачи. Я понимаю, что работа, на которую у другого могло бы уйти два часа, займет у него 15–20 минут. То есть я оцениваю уже не только личную скорость сотрудника, но и производительность собранной им связки из человека и агентов.

Границы дозволенного

ИИ берет на себя рутинные операции, но не избавляет от ответственности. Более того, появляется новый тип решений: не только что делать, но и кому это поручить — человеку, ИИ или обоим сразу — определить, кто проверит результат, какая ошибка допустима и в какой момент работу нужно остановить. Поэтому я отношусь к ИИ-агентам как к отдельной управленческой единице. У нее есть роль, стоимость, правила постановки задач, режим обновления и необходимость контроля.

Цифрового исполнителя легко запустить — и велик соблазн оставить без контроля. К агенту применимы те же управленческие вопросы, что и к человеку. Какую проблему он закрывает? Кто принимает работу? По каким признакам результат признавать надежным? Что произойдет при ошибке и когда от решения следует отказаться?

Бывает, что иногда дешевле поручить задачу человеку, например, стажеру. Пусть и потратить чуть больше времени на то, чтобы его проверить. Это разрушает миф о дешевой автоматизации. Считать нужно не сам факт использования ИИ, а ценность результата и полную нагрузку на команду.

Так, однажды мы поручили ИИ-агенту отвечать на комментарии и не проконтролировали выполнение. Агент ответил на все комментарии, накопившиеся за два года, и израсходовал все наши токены. Формально он выполнил поставленную задачу — просто в том объеме, который мы не предусмотрели. 

Именно поэтому стоимость агента определяется не только тарифом. Если руководитель не ограничил период работы, объем операций, бюджет и условия остановки, автоматизация может оказаться дорогой именно потому, что система сделала все, что ей позволили.

Как это работает на практике

В моей команде уже работают несколько агентов, и у каждого своя задача. Один круглосуточно следит за информационным полем: собирает отраслевые новости, публикации конкурентов и важные инфоповоды, а затем готовит короткую сводку. Второй помогает видеть состояние проектов: отслеживает статусы задач, загрузку менеджеров, дедлайны и возможные узкие места.

Еще у меня есть мини-редакция. В ней один агент предлагает темы на основе трендов, второй собирает фактуру и структурирует ее, третий готовит черновик, четвертый адаптирует материал под публикацию в СМИ, пост, блог или корпоративные коммуникации. Такой конвейер снимает повторяющиеся операции и оставляет людям постановку задачи, проверку фактов, редакционный выбор и финальное решение. Но не дает готовый к публикации текст по нажатию кнопки.

Алгоритм просматривает массив информации и предлагает варианты; человек понимает контекст и берет итоговую ответственность на себя.

Самую заметную оптимизацию ИИ привнес в мою управленческую работу. Я перестал вести и контролировать задачи в Excel-таблицах и таск-трекерах. Когда задач много, а приоритеты постоянно меняются, ручной контроль сам по себе становится отдельной задачей. Теперь ИИ держит в поле зрения сроки, напоминает о договоренностях. В результате выросло качество управления: дедлайны больше не теряются.

Это меняет и коммуникацию с сотрудниками. Команда понимает, что задача не исчезнет из-за того, что руководитель отвлекся или забыл о ней. У сотрудников тоже появляется ясность: договоренность не потеряется в потоке текущих дел, мы видим, что задача останется в зоне контроля до исполнения. Для меня такая система напоминаний оказалась одним из самых полезных применений ИИ.

Почему бизнес этим не пользуется

По данным McKinsey, только 1% опрошенных руководителей считают внедрение генеративного ИИ в своих компаниях зрелым — то есть таким, при котором технология полностью встроена в рабочие процессы и приносит существенные бизнес-результаты. Вообще-то компании охотно экспериментируют с ИИ, но между автоматизацией отдельных операций и реальной перестройкой бизнес-процессов — пропасть.

Я часто бываю на профильных конференциях. Люди там очень воодушевлены тем, как ИИ упрощает работу. Но пока все происходит, что называется, на уровне перекладывания бумажек. Например, автоматизация, о которой мне с восторгом рассказывали, — транскрибация видеовстреч. Не сильно впечатляет, правда?

Одна из причин в том, что во многих компаниях сами процессы описаны неточно, данные разрознены. 

Показательный пример произошел с Gemini в 2024 году. Чтобы генератор изображений не воспроизводил гендерные и этнические стереотипы, разработчики настроили его показывать людей разного пола и происхождения. Однако это правило сформулировали слишком широко: система применяла его даже к запросам, связанным с конкретными историческими обстоятельствами. В результате она создавала фактически недостоверные изображения, стараясь обеспечить разнообразие там, где оно противоречило контексту.

ИИ в данном случае следовал заложенной в него логике. Проблема возникла на этапе постановки задачи: разработчики задали полезное в общем случае правило, но не предусмотрели исключений для исторических и культурных сюжетов. В Google признали проблему, временно отключили генерацию изображений людей и отправили функцию на доработку.

Другая причина в том, что внедрением ИИ чаще всего занимается исключительно IT-департамент. Технические специалисты интегрируют модель, но результат, ограничения и критерии качества лучше понимает владелец продукта или процесса — чаще всего руководитель.

Именно он должен быть ответствен за внедрение. Не нужно учиться писать код или глубоко разбираться в устройстве модели. Но именно руководитель обязан сформулировать задачу, описать ожидаемый результат и наладить обратную связь с айтишниками. Потому что важно не только один раз настроить, но и обеспечить постоянную работу.

Хорошо описанный процесс становится для агента аналогом понятной должностной инструкции. Нельзя требовать надежности, если никто не договорился о том, что считать правильным ответом. Нельзя называть автоматизацией ситуацию, в которой сотрудники постоянно исправляют результат, а затраты на проверку никто не считает.

Пять вопросов перед делегированием

Чтобы понять, что делегировать агенту, а что оставить человеку, стоит задать себе пять управленческих вопросов:

1. Можно ли достаточно точно описать ожидаемый результат?
2. Есть ли у системы актуальные данные и понятный процесс, на который она будет опираться?
3. Что именно делает агент, а что обязательно проверяет человек?
4. Насколько обратима ошибка и какова цена ее последствий?
5. Кто принимает финальное решение и отвечает за результат?

Чем яснее ответы, тем больше пространства для автоматизации.

Рутинные операции нужно по-максимуму автоматизировать. ИИ можно поручить анализ переписки, помощь с планированием, сбор информации и варианты маркетингового креатива. Мы с командой работаем по десять часов в день, и к вечеру у нас часто нет сил на поиск идей. Здесь ИИ помогает: дает заготовки, от которых можно оттолкнуться.

Но чем выше цена ошибки и чем труднее откатить решение, тем важнее человеческое участие. Есть сферы, где делегирование ИИ не просто неэффективно, а рискованно: решения, связанные с репутацией, увольнениями, переговорами, ценностями компании, этическими дилеммами. Здесь ИИ может только помочь собрать информацию, найти закономерности, предложить сценарии и подсветить риски.

В 2025 году исследователи MIT выделили пять качеств, которые в обозримом будущем не появятся у ИИ: 

• эмпатия (empathy), 
• присутствие (presence), 
• независимое мнение/суждение (opinion / judgment), 
• истинное творчество (creativity),
• надежда (hope). 

Там, где важны эти качества, последнее слово должно оставаться за человеком.

Самый сложный вопрос возникает в случае ошибки. Если агент дал неверный результат, виноватыми можно назвать разработчика, менеджера, который принял ответ, или поставщика модели. Но в конечном итоге за результат отвечает руководитель. Ему платят не только за то, чтобы работа была организована, но и за готовность отвечать за последствия.

Это не значит, что руководитель все должен проверять лично. Но в компании должны быть заранее разделены роли: кто производит результат, проверяет, утверждает и действует при сбое. Без таких правил агент остается источником неопределенности. 

А чем выше позиция сотрудника, тем выше ценится не скорость, а навык правильно поставить задачу, подобрать исполнителя, проверить и быть готовым взять на себя ответственность. ИИ это здорово подсветил.

Вопрос «какими ИИ-инструментами вы пользуетесь?» быстро устаревает. О зрелости говорят другие: что кандидат автоматизировал и почему, как измерил эффект, какую задачу не отдал агенту, где проверил и как действовал после ошибки. Ответы на эти вопросы показывают умение управлять.

Границе между автоматизацией и личной ответственностью пока почти не учат. Но практика уже требует этого навыка. Через несколько лет фраза «у меня работают три человека и четыре агента» перестанет удивлять. Удивлять будет другое: если руководитель не знает, зачем ему каждый из этих семи исполнителей, сколько они стоят, кто проверяет их работу и где проходит граница их полномочий. Карьерное преимущество получит тот, кто умеет собрать из людей и алгоритмов надежную систему — и не прятаться за нее, когда приходит время отвечать за результат.