2 часов назад
1
Компании, которые глубоко внедрили генеративные ИИ-инструменты для повышения производительности и снижения зависимости от человеческого труда, столкнулись с системной проблемой, которую в деловой аналитике всё чаще называют «workslop» — потоком низкокачественного, плохо проверенного ИИ-контента, стопорящего рабочие процессы.
Исследование издания Harvard Business Review отмечает, что в стремлении ускорить работу и продемонстрировать технологическую конкурентоспособность компании нередко создают обратный эффект: формируется «деградация знаний» — постепенное ухудшение качества корпоративной информации. Под этим понимается ситуация, когда сотрудники начинают терять навыки, а организации опираются на устаревшие или искажённые процедуры принятия решений.
В основе проблемы лежит цепочка, которую описывает HBR: сотрудники используют ИИ для генерации рабочих материалов, эти материалы часто содержат ошибки или «галлюцинации», коллеги вынуждены тратить дополнительное время на проверку, доверие к внутренним данным падает, а накопленные знания постепенно теряют ценность.
На уровне отдельных подразделений эффект усиливается и начинает разрушать качество итоговых бизнес-результатов. Уже на ранних этапах распространения генеративного ИИ эксперты отмечали, что сотрудники часто тратят больше времени на поиск и исправление ошибок, чем получили бы экономии от автоматизации. В некоторых компаниях даже появились роли сотрудников, занятых исключительно исправлением ошибок, созданных ИИ.
Иллюстрация: Nano Banana
Параллельно усиливается кризис доверия к информации внутри организаций. Когда ошибки становятся регулярными, сотрудники начинают сомневаться не только в ИИ-инструментах, но и в самих рабочих процессах, через которые проходят данные.
Отдельно подчёркивается влияние на рынок труда и найм: внедрение ИИ усложняет подбор специалистов, а взаимодействие между кандидатами и работодателями становится менее надёжным из-за автоматизированных этапов, которые дополнительно искажают информацию и ожидания сторон.
В результате компании оказываются в ситуации, где каждое применение публичных больших языковых моделей требует дополнительного слоя проверки и верификации, что увеличивает нагрузку на сотрудников и снижает общую эффективность. Параллельно фиксируются случаи сопротивления сотрудников навязанному использованию ИИ, включая намеренное ухудшение качества его внедрения в рабочих процессах.
В качестве возможного выхода HBR указывает на необходимость более точного разделения задач: генеративный ИИ должен использоваться только там, где он действительно добавляет ценность, а не автоматически во всех этапах работы. Отдельно подчёркивается, что публичные модели часто создают шаблонные и ошибочные тексты, тогда как специализированные или обученные на внутренних данных системы могут быть более полезны.
Итоговая проблема заключается в том, что первоначальный нарратив о «безусловном росте производительности» за счёт ИИ начинает сталкиваться с реальностью: компании, массово внедрившие генеративные модели без чётких ограничений, вынуждены компенсировать возникающие ошибки ростом ручной работы и проверок, фактически создавая новую нагрузку вместо её снижения.
© iXBT
English (US) · 
Russian (RU) ·