- В статье анализируется парадокс эпохи ИИ: многие компании вкладывают огромные средства в ИИ, но продолжают использовать традиционные показатели, такие как производительность, объем выполненной работы и эффективность для оценки персонала. Это приводит к тому, что люди, тратящие время на проверку, исправление ошибок или критику результатов ИИ, могут оцениваться ниже тех, кто просто генерирует больше единиц работы.
- Опрос «Data and AI Leadership» показывает, что 91% организаций увеличивают инвестиции в ИИ, 99% считают ИИ стратегическим приоритетом, но только 18% заявили, что получили измеримую ценность для бизнеса от этих вложений.
- Автор утверждает, что системы управления эффективностью имели много недостатков еще до появления генеративного ИИ. По данным Gallup, только 2% HR-директоров компаний из списка Fortune 500 верят, что текущие системы оценки стимулируют развитие сотрудников.
- Deloitte также отмечает, что 84% предприятий не пересмотрели роли, рабочие процессы или карьерные пути для адаптации к ИИ. Только 30% компаний имеют механизмы поощрения, основанные на эффективности использования ИИ.
- Другой опрос показал, что 10% сотрудников признались в манипулировании данными с целью снижения эффективности ИИ из-за опасений, что он заменит их или повлияет на оценку их достижений.
- Исследование более 750 работников интеллектуального труда показало, что GPT-4 помогает увеличить скорость работы более чем на 25%, но это касается только задач, соответствующих возможностям модели.
- Однако, когда задачи выходят за рамки возможностей ИИ, пользователи ИИ дают правильные ответы на 19% реже, чем те, кто его не использует. Это проявление «зубчатой технологической границы» (jagged technological frontier).
- ИИ повышает среднюю производительность на 14%, но выгоду получают в основном малоопытные сотрудники. У опытных экспертов качество работы может снижаться, так как ИИ трудно заменить их способность оценивать контекст и находить исключения.
- Статья предупреждает о появлении «workslop» — контента, созданного быстро, но имеющего низкое качество, что подрывает качество сотрудничества в компании.
- С распространением ИИ-агентов оценка эффективности усложняется, так как результат — это продукт координации человека и машины. Компании должны четко определить ответственность каждой стороны в случае ошибок.
- Автор предлагает трехуровневую структуру оценки: 1) вклад человека (умение видеть границы ИИ, проверка результатов); 2) оценка самой системы ИИ (доля ошибок, объяснимость); 3) эффективность взаимодействия (добавленная стоимость от человека).
- Автор рекомендует начать с конкретных процессов, таких как поддержка клиентов или разработка ПО, и отделить данные для обучения сотрудников от данных для принятия решений о премиях, чтобы избежать чувства слежки.
📌 Инвестиции в ИИ приносят преимущество только при одновременном изменении управления эффективностью. Несмотря на то что 91% компаний наращивают вложения, лишь 18% получают результат. Бизнесу нужно перейти от оценки скорости к оценке качества суждений, навыков верификации, уровня координации человека с ИИ и механизмов прозрачной ответственности.
