{{title}}
{{date}} {{postparts}}
{{text}}
Смотрите также:
HR-КУХНЯ · ИССЛЕДОВАНИЯ · AI В HR
Сотрудники спрашивают AI вместо коллег. Что теряет команда?
Нейросети сокращают время поиска ответа. Но вместе с привычными вопросами из команды могут исчезать наставничество, знания о компетенциях коллег и основания для доверия. Как измерить риск и сохранить пользу AI без потери командной экспертизы.
27 октября 2026 · Редакция HR-КУХНИ
Когда сотрудник спрашивает коллегу, как согласовать нестандартный договор или решить вопрос клиента, он получает не только ответ. Он узнаёт, к кому обращаться в следующий раз, почему в компании действуют именно такие правила и какие исключения действительно возможны. У AI можно получить ответ за минуту. Но из этого взаимодействия компания не узнаёт, что сотрудник нашёл решение, а коллега не узнаёт, какую задачу теперь способен решать его партнёр по команде.
15 октября 2026 года Harvard Business Review опубликовал материал исследователей BetterUp и Stanford Social Media Lab о том, как привычка заменять коллег нейросетями связана с состоянием команд. Первоначальные данные BetterUp Labs опубликованы 14 сентября 2026 года.
49%респондентов говорят, что коллеги стали реже обращаться к ним, выбирая AI
83%сообщают, что AI заменяет обращение к коллеге за быстрым ответом
7,3×выше вероятность сообщить о хорошей координации у тех, кто обращается к коллегам
9,5×выше вероятность сообщить о сильном командном доверии у той же группы
Источник: BetterUp Labs, исследование около 1 000 участников в США. Показатели 7,3 и 9,5 характеризуют относительную вероятность сообщить о хорошей координации и доверии в сравниваемых группах, а не к росту или падению этих характеристик на соответствующее число раз. Данные наблюдательные, причинность не установлена.
Разница между двумя видами замещения принципиальна: 83% опрошенных сообщают о ситуациях, когда AI заменяет обращение к коллеге за быстрой информацией, а 37% — разговор или короткую рабочую сверку с коллегой. Ещё 20% офисных работников сообщили о намерении предпочитать AI коллегам. Последний показатель отражает намерения, а не долю реально исчезнувших разговоров. Источник: BetterUp Labs.
Чего исследование не доказывает. Оно не показывает, что любое обращение к AI ухудшает команду, и не даёт основания считать 49% или 83% российскими показателями. На поведение влияют культура управления, распределённость команд, исходный уровень доверия и характер задач. Результаты важны как сигнал для проверки корпоративных практик, а не как готовый прогноз ущерба.
Три механизма, через которые команда теряет знания о самой себе
Исследователи HBR описывают проблему через понятие трансактивной памяти: участники команды знают не только свою работу, но и то, кому принадлежат другие фрагменты экспертизы. В организации эта «карта компетенций» редко хранится в одном документе. Она формируется через совместную работу, уточняющие вопросы и разбор ошибок.
01. Исчезают сигналы об экспертизе
Раньше короткий вопрос показывал, кто умеет быстро решать определённую задачу. Теперь обмен всё чаще остаётся между сотрудником и моделью.
02. Не обновляется карта компетенций
Коллеги не видят, что человек освоил новый подход или столкнулся с исключением. Представления о навыках друг друга устаревают.
03. Слабее проверяются решения
При отсутствии обсуждений команда реже замечает несовместимые допущения и локальные особенности процесса до запуска результата.
Парадокс AI-команды. В том же исследовании 71% ежедневных пользователей AI оценивают свою команду как высокоспециализированную против 56% среди тех, кто пользуется им редко. Такая оценка не доказывает, что коллеги действительно стали более квалифицированными: впечатление от сильного цифрового помощника может влиять на восприятие экспертизы команды. Ускорение индивидуальной работы не гарантирует улучшения координации.
Постепенное исчезновение повседневных контактов авторы HBR рассматривают как риск ослабления рабочих связей (relationslipping). Речь не о том, что каждое обращение к AI вредно, а о потере естественных поводов узнавать навыки и ограничения коллег.
Есть и важный положительный эффект: AI избавляет экспертов от повторения инструкций и ответов на одни и те же технические вопросы. Не требуется возвращать коллектив к формату, где каждый запрос на форматирование таблицы заканчивается получасовым совещанием. Задача руководителя — сохранить обращения, в которых передаётся контекст, опыт и ответственность за решение.
Цена потерянных разговоров: что считать бизнесу
Количество сообщений в корпоративном мессенджере не является показателем эффективной команды. Тысяча сообщений не лучше ста, если девятьсот из них посвящены поиску актуальной версии файла. Однако резкое исчезновение содержательных консультаций способно приводить к скрытым затратам, которые не отражаются в статистике использования AI.
| Зона потерь | Что может происходить | Как измерять |
|---|---|---|
| Повторная работа | Две функции независимо решают похожую проблему или создают несовместимые решения. | Часы переделок; повторяющиеся проекты; случаи дублирования |
| Согласование | Ответ модели выглядит убедительно, но противоречит ограничениям смежной команды. | Доля возвратов на доработку; время согласования; дефекты передачи |
| Наставничество | Новичок знает процедуру, но не понимает исключений и неписаных правил работы. | Время до самостоятельного решения; ошибки; обращения с повторными вопросами |
| Качество решений | Слабее используются внутренний опыт и знания конкретного бизнеса. | Ошибки в проектах; случаи пересмотра решений; эскалации |
| Удержание экспертов | Снижается востребованность носителей знаний и видимость их вклада. | Опрос о признании экспертизы; внутренние переходы; текучесть ключевых ролей |
Как посчитать стоимость повторной работы
Зафиксируйте часы исправления ошибок и переделок по сопоставимым проектам до и после изменения практик работы с AI. Умножение часов на полную стоимость часа даёт оценку потребления ресурсов, но не автоматически денежную экономию: для финансового эффекта требуется показать, какие оплачиваемые расходы исчезли или какой дополнительный результат получен.
Условный пример расчёта
Команда тратила на переделки 120 часов в месяц, после изменения практик — 80 часов. При полной стоимости часа 2 500 ₽ высвобожденный ресурс равен 40 × 2 500 = 100 000 ₽ в месяц. Это иллюстрация метода, а не реальный кейс или подтверждённая экономия: финансовый результат возникает лишь при сокращении расходов либо доказанном дополнительном выпуске.
В модели BetterUp также приводится оценка потенциальных затрат на увольнения в крупной компании. Она зависит от отдельных допущений авторов и не предназначена для расчёта российского бюджета без локальных данных. Для управленческого решения полезнее начать со своих потерь на переделках и адаптации, где есть фактическая база.
Новые сотрудники: быстрые ответы не равны полноценной адаптации
Новичок может получить от AI описание регламента, пример письма и инструкцию по CRM. Но ему всё равно нужно понять, почему финансовый директор не согласует определённую схему платежа, к кому обращаться с нестандартным заказом и какие риски руководитель считает критичными. Эти знания редко существуют в виде универсальной инструкции.
Поэтому полезно различать два результата адаптации: способность самостоятельно выполнить типовую задачу и способность правильно действовать в неоднозначной ситуации. Первый показатель AI может ускорить, второй по-прежнему требует контактов с наставником, руководителем и смежными экспертами.
Оставить AIПоиск регламентов, первичные инструкции, терминология, шаблоны, подготовка вопросов к встрече.
Оставить человекуОбсуждение исключений, обратная связь по реальному случаю, знакомство с экспертами и согласование решений с последствиями для бизнеса.
В программе наставничества имеет смысл оценивать не количество встреч, а качество самостоятельных решений новичка, ширину его рабочих связей и скорость выхода на целевые показатели. Наставник не должен становиться круглосуточной справкой, но и исчезать после выдачи логина в корпоративный чат ему рано.
Российский контекст: в каких командах риск особенно заметен
Данные BetterUp собраны не в России, поэтому говорить о масштабе замещения коллег отечественными пользователями пока преждевременно. Но проблема имеет практическое значение для российских компаний, которые параллельно внедряют корпоративных AI-ассистентов, перестраивают обучение и оптимизируют численность экспертных подразделений.
Российский контекст неоднороден. В производстве значительная часть знаний закреплена в технологических картах и инструкциях, но работа со сложными отклонениями часто зависит от опыта мастеров. В банках и сервисных организациях решающим бывает знание внутренних исключений и последовательности согласований. В IT-командах — понимание истории архитектурных решений. Генеративная модель может помочь найти правила, но не всегда знает, почему конкретный обходной путь был запрещён после предыдущего инцидента.
| Сегмент | Где AI помогает | Что нельзя потерять |
|---|---|---|
| Производство и логистика | Инструкции, поиск причин типовых отклонений | Практический опыт мастеров, безопасность, передача смен |
| Розница и филиальные сети | Ответы на стандартизированные вопросы | Обучение руководителей точек, локальный опыт и оперативную эскалацию |
| Банки и финансовые сервисы | Навигация по регламентам, подготовка документов | Контекст рисков, согласования, экспертизу комплаенса |
| IT и продуктовые команды | Код, тесты, документация, идеи решений | Архитектурную память, ревью, ответственность за изменения |
| HR и L&D | Шаблоны, анализ обезличенных данных, подготовка программ | Понимание бизнеса, неформальные связи и знания руководителей о командах |
Для российской практики добавляется вопрос информационной безопасности. Корпоративные знания, персональные данные и коммерчески чувствительные документы не должны бесконтрольно передаваться во внешние сервисы. Политика AI должна одновременно описывать безопасные источники информации, проверку ответов и ситуации, когда обязательно подключать внутреннего специалиста.
Показательный, но не прямо сопоставимый пример — опрос НИУ ВШЭ 1 209 российских учёных, проведённый в мае 2026 года. Среди респондентов, применяющих генеративный ИИ, 71% отмечали сокращение времени поиска научной литературы, однако 47% не наблюдали позитивного влияния на качество научных результатов. Это иллюстрирует различие между ускорением отдельной операции и итоговым качеством; показатели не описывают командное доверие и не распространяются на всех работников России.
Что можно считать подтверждённым в России. Есть исследования использования генеративного ИИ в отдельных российских профессиональных группах, в том числе опрос российских учёных НИУ ВШЭ 2026 года. Но эти данные не измеряют потерю коллегиальных консультаций или снижение доверия. Приписывать российским командам американские коэффициенты BetterUp было бы методологической ошибкой.
Как выстроить использование AI, не разрушая командную работу
Запретить сотрудникам задавать вопросы нейросети — плохое решение: компания лишится быстрых ответов, а потребность в консультациях никуда не исчезнет. Более содержательный подход — определить типы задач, в которых AI достаточно, и ситуации, где необходим коллегиальный контроль.
- Разделите вопросы на типовые и контекстные. Первые можно передавать AI при наличии проверенной базы знаний. Во вторых должен появляться человек, отвечающий за содержание и последствия.
- Сделайте экспертизу видимой. Обновляйте карту владельцев процессов и экспертов. Включайте в неё не только должности, но и реально решаемые задачи.
- Введите обсуждение сложных случаев. Короткий еженедельный обмен нестандартными решениями полезнее множества обязательных отчётов о количестве обращений к AI.
- Защитите наставничество. Для новых сотрудников закрепляйте реальные рабочие контакты и обсуждение исключений, а не только доступ к цифровому помощнику.
- Измените критерии эффективности. Оценивайте качество передачи знаний и результат команды, а не только количество задач, лично ускоренных сотрудником.
- Используйте AI до и после разговора. Подготовить повестку, гипотезы и конспект можно с помощью модели; решение с зависимостями между функциями лучше обсуждать с владельцами процесса.
Матрица решений: когда достаточно AI, а когда нужен коллега
Модель ниже предложена редакцией как ориентир для локальной политики применения AI, а не как обязательный стандарт или результат исследования.
| Ситуация | Роль AI | Роль человека |
|---|---|---|
| Поиск регламента | Найти и объяснить актуальный документ | Проверить источник при сомнениях |
| Типовой документ | Подготовить черновик | Утвердить по внутренним правилам |
| Нестандартная проблема клиента | Предложить варианты | Согласовать с владельцем процесса |
| Повторяющаяся ошибка | Сформулировать гипотезы | Обсудить причины с экспертами |
| Адаптация новичка | Объяснить типовую процедуру | Дать обратную связь по реальным случаям |
| Финансовый или правовой риск | Подготовить справочную основу | Проверить и принять решение уполномоченным специалистом |
Быстрая диагностика: не теряет ли команда внутреннюю экспертизу
Отметьте практики, которые действительно действуют в команде. Это редакционный экспресс-аудит, а не валидированная психометрическая шкала. Его задача — обнаружить управленческие пробелы и выбрать темы для обсуждения с руководителями.
8 практик здоровой работы с AI
Оцените практики
Отмечайте действующие практики. После первого выбора появится предварительный результат и конкретные рекомендации по пробелам.
Ответы обрабатываются локально в браузере; этот скрипт не отправляет их на сервер. Аудит не является валидированной психометрической методикой.
Проверка эффекта: пилот на 60 дней
Для начала достаточно одной-двух команд со схожими задачами. Фиксируйте до старта и по итогам периода одинаковые операционные показатели, не требуя от работников рассказывать о каждом диалоге с моделью.
| Что измерить | Базовый замер | Повторный замер |
|---|---|---|
| Время выполнения типовой задачи | До внедрения практик | Через 60 дней |
| Доля задач, возвращённых на доработку | На сопоставимой выборке | По тем же критериям |
| Срок самостоятельного решения сложного кейса новичком | По когортам и ролям | С учётом сложности кейсов |
| Понимание «кто за что отвечает» | Короткий анонимный опрос | Повторить те же вопросы |
| Качество межфункциональных согласований | Сроки и доля повторных согласований | После изменения правил |
Желательно сравнить результаты с командой, где новые практики не вводились, или хотя бы учесть изменения объёма и сложности задач. Если растёт скорость, но ухудшается качество решений, это не очевидная победа автоматизации. Если уменьшается число ненужных вопросов, а качество взаимодействия остаётся стабильным, AI делает именно то, ради чего его внедряли.
Решение для HRD. В отчёт о внедрении AI добавьте два отдельных контура: индивидуальную экономию времени и показатели командной координации. Они могут двигаться в разные стороны, и это важнее красивого среднего значения.
Частые вопросы
Нужно ли ограничивать сотрудникам использование AI вместо коллег?
Полный запрет редко оправдан. Лучше обозначить задачи, где достаточно проверенной базы и AI, и ситуации, требующие экспертного согласования, обратной связи и совместного решения.
Исследование BetterUp доказало, что AI снижает доверие?
Нет. В данных есть сильные статистические связи между предпочтением обращаться к коллегам и самооценкой доверия и координации. Наблюдательная методика сама по себе не устанавливает причинность.
Какие команды находятся в зоне риска?
Те, где решения зависят от неписаных правил, опыта старших специалистов, исключений и согласований между функциями. Уровень риска необходимо подтверждать данными конкретной организации.
Как учитывать AI в системе наставничества?
Использовать для типовых инструкций и подготовки к встречам, оставляя за наставником обсуждение сложных случаев, профессиональных решений и знакомство с корпоративными экспертами.
Источники и ограничения интерпретации
- Harvard Business Review, 15 октября 2026 года — Team Dynamics Weaken When Employees Turn to AI Instead of Colleagues.
- BetterUp Labs, 14 сентября 2026 года — The Cost of AI Displacement.
- Harvard Business Review — Prevent AI from Eroding Your Team’s Trust.
- НИУ ВШЭ, июль 2026 года — Эффекты применения генеративного ИИ в российской науке.
Опрос BetterUp отражает ответы участников и их оценку собственного взаимодействия; цифры не являются нормативами для российских компаний. Экономические механизмы и диагностический список предложены редакцией HR-КУХНИ как практические инструменты, не как результаты экспериментальной проверки.
Полезные ссылки HR-КУХНИ
Подписывайтесь, читайте и общайтесь в MAX
Подписывайтесь, читайте и общайтесь в Telegram