Истории про адвоката с выдуманными делами читать приятно: там кто-то поленился, а мы бы так не сделали. Эта статья про другое — про случаи, где человек сделал всё по учебнику. Выбрал подходящую задачу, написал внятный запрос, проверил результат, не отправил ничего лишнего. И не получил ничего.
Такие случаи почти не обсуждают: рассказывать про них неловко, а обвинить некого. Но именно они происходят с большинством, кто честно попробовал.
История первая: ускорили не то
Сотрудник «Маяка» готовит еженедельную сводку по продажам. Раньше уходило полтора часа: свести цифры, написать выводы, оформить. Он делает всё грамотно: берёт повторяемую задачу с проверяемым результатом, собирает карточку по ЗКВОФП, запрещает выдумывать показатели, сохраняет инструкцию, тестирует на двух наборах данных. Время написания падает до двадцати минут.
Через месяц руководитель спрашивает: сводка стала приходить раньше? Нет. Приходит в тот же четверг, что и раньше.
Потому что путь сводки выглядит так: три дня ждём выгрузку из соседнего отдела, полтора часа пишем, день лежит на согласовании. Ускорили середину — общий срок не изменился.
Что здесь пошло не так. Ничего в работе с моделью. Ошибка сделана раньше: процесс не был размечен целиком. Человек оптимизировал тот шаг, который делал сам и видел, а не тот, который определял срок.
Это самая частая причина, по которой удачные пилоты не превращаются в пользу. Прежде чем ускорять шаг, посмотрите на весь путь от начала до результата и найдите, где он реально стоит. Обычно это ожидание, а не работа.
В рабочем калькуляторе полного цикла выберите «Редкая презентация»: с учётом настройки, проверки и переделок активное время становится на три минуты больше. Калькулятор не измеряет дни ожидания из истории выше — их нужно добавить на карту процесса отдельно. Значения в примере вымышлены; замените их своими замерами без названий клиентов и сотрудников.
История вторая: артефакт получился, понимание пропало
Аналитик каждый месяц писал обзор по клиентской базе. Работа скучная: выгрузить, посчитать, описать, что видно. Он поручил описательную часть модели — с проверкой каждого числа, со сверкой выводов, всё по правилам.
Обзоры стали ровнее и выходили быстрее. А на квартальной встрече он впервые не смог ответить на вопрос «почему во втором регионе провал» — и понял, что не знает, потому что в этот раз не смотрел цифры глазами, а проверял чужой текст.
Что здесь пошло не так. Задача выглядела как «написать документ». На самом деле она была «разобраться в цифрах, а документ — след этого разбора». Модель прекрасно сделала след и не сделала разбор.
Проверить это на своей задаче можно одним вопросом: что останется у меня в голове после того, как работа будет сдана? Если ничего — вы делегировали не оформление, а мышление, и заметите это только когда вас спросят.
Лечится не отказом от ИИ, а сменой роли: пусть модель считает, сравнивает и задаёт вам вопросы, а выводы формулируйте сами. Дольше на десять минут, зато вы остаётесь тем, кто понимает.
История третья: ассистент отличный, им никто не пользуется
В отделе поддержки собрали помощника для типовых ответов: инструкция, карточки знаний, правила отказа, двадцать тестов, честное «нет данных» вместо выдумок. По всем меркам курса — образцовая работа.
Через месяц им пользуется один человек — тот, кто его собрал.
Причины, которые выяснились позже, не имеют отношения к качеству: у половины отдела не было доступа к сервису и никто не подал заявку; помощник жил в отдельной вкладке, а работа — в другом окне, и переключаться было лень; двое попробовали, получили «нет данных» на свой первый вопрос и решили, что «он ничего не знает».
Что здесь пошло не так. Решение было техническим, а препятствие — организационным. Никто не спросил заранее: кто именно будет этим пользоваться, что у них уже открыто на экране, что они увидят в первую минуту.
Правило простое: инструмент, который требует изменить привычку, должен экономить заметно больше, чем стоит эта привычка. Экономия в две минуты привычку не перебивает. И одна вещь бесплатная: покажите новичку не самый сложный сценарий, а тот, где помощник точно ответит.
История четвёртая: отчёт, который никому не был нужен
Самая обидная. Сотрудник автоматизировал ежемесячный отчёт: инструкция, проверки, замеры до и после — экономия сорок минут в месяц, всё честно.
На третий месяц он из любопытства спросил, кто этот отчёт читает. Выяснилось: его перестали читать полтора года назад, после смены руководителя. Файл исправно уходил в папку.
Что здесь пошло не так. Опять ничего в работе с моделью — и всё в постановке. Автоматизация не спрашивает, зачем существует работа. Она делает её быстрее, в том числе если работа не нужна.
У этой истории есть неожиданно хорошая сторона: сорок минут в месяц он всё-таки сэкономил — насовсем, потому что отчёт отменили. Иногда лучший результат пилота — обнаружить, что задачу можно не делать вовсе.
Что из этого следует
Четыре вопроса, которые стоит задать до того, как браться за автоматизацию задачи. Все четыре — про процесс и людей, ни одного про промпты:
- Где узкое место? Разметьте путь целиком, с ожиданиями и согласованиями. Ускорять имеет смысл только то, что определяет срок.
- Что останется у меня в голове? Если ценность задачи — в понимании, отдавайте расчёты и вопросы, а выводы оставляйте себе.
- Кто этим будет пользоваться и что у них открыто на экране? Спросите до того, как соберёте, а не после.
- Кому нужен результат? Найдите живого читателя. Не нашли — это и есть результат работы.
И общий вывод, ради которого стоило всё это описывать: неудача в этих историях — не про ИИ. Модель работала как надо. Не сработали привычные вещи: непонятый процесс, неучтённые люди, задача без заказчика. Нейросеть их не создаёт — она их обнажает, потому что убирает ту часть работы, за которой они раньше прятались.
Это, пожалуй, самая полезная её функция. И единственная, которая работает без проверки фактов.
