В последние годы искусственный интеллект стремительно меняет облик профессиональной среды и бизнес-процессов. Среди множества направлений развития внимания заслуживает генеративный искусственный интеллект, который благодаря своим возможностям создавать тексты, анализировать данные и предлагать креативные решения становится мощным инструментом для повышения продуктивности на рабочем месте. Однако несмотря на общий интерес к данной технологии, практические данные о её влиянии на сложные и разнообразные виды деятельности остаются ограниченными. Примером тому служит эксперимент Национального банка Словакии, один из первых исследований, детально изучающих работу генеративного ИИ именно в контексте сложной институциональной среды. Эксперимент проводился с участием 101 сотрудника банка из разных департаментов — от исследовательского и монетарного анализа до IT и операций.
Каждому участнику предлагали выполнить набор задач, имитирующих их повседневную работу, с использованием и без помощи модели GPT-4o, доступ к которой предоставлялся случайным образом. Задачи включали как типичные рутинные действия, так и более сложные нетривиальные задачи, требующие глубокой экспертизы в конкретных областях. Результаты оказались впечатляющими — применение генеративного ИИ приводило к увеличению качества выполненной работы на 33-44% и сокращению времени исполнения задач на 21%. При этом наблюдались важные различия в том, как именно различные группы сотрудников использовали эти возможности. Сотрудники с более низким уровнем квалификации демонстрировали заметный рост качества своей работы при поддержке ИИ, зачастую приближаясь к результатам более опытных коллег, тогда как высококвалифицированные специалисты в первую очередь выигрывали за счет экономии времени, выполняя уже качественные задачи намного быстрее.
Такой двукратный эффект — повышение качества и ускорение исполнения — подчеркивает способность генеративного ИИ выступать и в роли инструмента выравнивания квалификационного уровня, и в роли умножителя эффективности. Анализ деталей эксперимента показал, что наиболее значительный эффект был достигнут при выполнении сложных, нестандартных и требующих доменной специализации задач. Например, на рутинных задачах производительность увеличивалась примерно на четверть, тогда как для нетривиальных и специализированных задач — на 58% и более чем вдвое соответственно. Это подтверждает теорию, что генеративный ИИ наиболее полезен тогда, когда сочетается с экспертизой и когнитивной сложностью, и менее эффективен при автоматизации однообразных, механических операций. Еще одним важным открытием стало выявление так называемого «несовпадения» между теми задачами, по которым ИИ дает наибольший эффект, и теми, кто эти задачи выполняет.
Например, сотрудники, занятые преимущественно рутинной работой, получали максимальную пользу от повышения качества, но сами задачи были менее чувствительны к эффекту ИИ. В то же время более сложные задачи, где отдача от ИИ была выше, зачастую выполнялись коллегами, у которых генеративный ИИ не приносил столь значительного прироста. Авторы эксперимента смоделировали альтернативную организацию работы с учетом того, кому ИИ приносит наибольшую выгоду, и пришли к выводу, что без изменения количества сотрудников и общего объема работы можно повысить производительность на 7,3% только за счет более грамотного распределения задач с учетом преимуществ ИИ. Выводы исследования имеют серьезное значение для управленцев и организаций, стремящихся максимально эффективно внедрять искусственный интеллект. Во-первых, важно не просто предоставлять инструменты, а обеспечивать обучение с учетом разных уровней сотрудников и типов задач, выделяя особое внимание и поддержку тем, кто извлекает из ИИ разные выгоды — повышение качества для менее опытных и ускорение работы для более квалифицированных.
Во-вторых, необходимо переосмыслить подход к распределению задач, чтобы концентрировать усилия на тех, где ИИ показывает максимальную отдачу, что уже требует трансформации традиционных ролей и функций. Кроме того, ИИ должен рассматриваться не как отдельный программный продукт, а как инфраструктурный элемент, интегрированный в систему оценки эффективности, развития карьеры и командной работы. Лишь тогда можно добиться полного раскрытия потенциала новой технологии и избежать ситуации, когда значительная часть преимуществ так и остается нереализованной. Наконец, важна осторожность в управлении рисками — ускорение процессов с помощью ИИ сокращает время на проверку и контроль, что может привести к ошибкам и излишней доверчивости к результатам модели. Внедрение надежных механизмов проверки, таких как экспертный ревью, красные команды и автоматические системы верификации фактов, становится необходимостью для сохранения качества и надежности.
Опыт Национального банка Словакии демонстрирует, что генеративный искусственный интеллект способен значительно повысить эффективность и качество работы в сложных институциональных условиях, однако успех при этом зависит не только от технологии, но и от способности организаций адаптировать свои рабочие процессы, распределять задачи и управлять человеческим капиталом. Рост производительности требует комплексного подхода: от правильного выбора задач и обучения сотрудников до интеграции ИИ в систему мотивации и контроля качества. В эпоху цифровой трансформации именно такие стратегии позволят использовать потенциал генеративного ИИ максимально эффективно, поддерживая инновации и развитие профессиональной среды.
