часть 3
Менеджер как архитектор смысла
В предыдущей части мы разобрали ловушки, в которые попадает руководитель, когда начинает работать с AI как с обычным инструментом повышения эффективности.
Напомню, это:
Хорошо, если «просто использовать» AI недостаточно, тогда что именно должен делать менеджер? Ответ, как обычно, чуть сложнее, чем хотелось бы. Новая роль руководителя не сводится к тому, чтобы лучше писать промпты, быстрее проверять ответы или запрещать сотрудникам загружать конфиденциальные данные в непонятные сервисы. Всё это нужно, но это базовая гигиена. Примерно как мыть руки перед операцией. Безусловно важно, чтобы пациент не умер от инфекции, но само по себе мытье рук ещё не делает вас хирургом.
В старой управленческой реальности дефицитом было действие и идея. Нужно было найти силы, время и смелость, чтобы собрать данные, обработать их, придумать новое решение и, преодолев организационное сопротивление, запустить процесс. Даже на бумаге звучит долго, дорого и сложно. Сегодня AI обесценил многое из этого, потому что черновик стратегии, письмо начальству, анализ конкурентов или план трансформации можно получить за минуты.
В этом новом мире дешёвых идей и дешёвого исполнения дефицитом становятся три вещи:
1. Валидация. Способность отличить рабочую гипотезу от правдоподобной галлюцинации. Отделить факт от статистически вероятной, но логически пустой догадки.
2. Надёжность. Умение построить систему, которая не развалится, когда модель ошибётся. А ошибка неизбежна.
3. Смысл. Ответ на вопрос «Зачем мы это делаем?», который машина сформулировать за нас не может.
AI блестяще справляется с решением чётко поставленных задач, но он принципиально не способен определить, является ли сама задача правильной сама по себе. AI ускоряет решение проблем, но парадоксальным образом ослабляет их идентификацию. Под давлением сроков и неопределенности люди хватаются за первую проблему, которую AI ясно подсветил. Потому что это быстро снижает тревогу и создаёт немедленное облегчение и иллюзию движения, но первая видимая проблема редко является корневой.
Поэтому активность часто становится заменой направления. Компании запускают больше инициатив, пишут больше планов, генерируют больше отчётов, но становятся менее уверенными в том, какую проблему они вообще решают. Вот тут и начинается архитектура смыслов, вместо привычной нам экономики эффективности.
Напомню, это:
- Ловушка замещения. Делегируя машине рутину, мы незаметно отдаём ей первые шаги суждения. Но в управленческой работе рутина часто уже является частью мышления. Черновик письма, саммари встречи или драфт стратегии уже содержат расставленные акценты и выбранную рамку. Чем качественнее выглядит результат, тем меньше мотивации разбираться, как он был получен, и тем быстрее атрофируется собственное суждение.
- Ловушка сверхрезультативного сотрудника. AI быстрее, увереннее и продуктивнее большинства людей в комнате. И подобно слишком сильному игроку в команде, он начинает постепенно подавлять инициативу людей, приводя коллектив к стадиям подчинения, выученной беспомощности и коллективной слепоты.
Хорошо, если «просто использовать» AI недостаточно, тогда что именно должен делать менеджер? Ответ, как обычно, чуть сложнее, чем хотелось бы. Новая роль руководителя не сводится к тому, чтобы лучше писать промпты, быстрее проверять ответы или запрещать сотрудникам загружать конфиденциальные данные в непонятные сервисы. Всё это нужно, но это базовая гигиена. Примерно как мыть руки перед операцией. Безусловно важно, чтобы пациент не умер от инфекции, но само по себе мытье рук ещё не делает вас хирургом.
В старой управленческой реальности дефицитом было действие и идея. Нужно было найти силы, время и смелость, чтобы собрать данные, обработать их, придумать новое решение и, преодолев организационное сопротивление, запустить процесс. Даже на бумаге звучит долго, дорого и сложно. Сегодня AI обесценил многое из этого, потому что черновик стратегии, письмо начальству, анализ конкурентов или план трансформации можно получить за минуты.
В этом новом мире дешёвых идей и дешёвого исполнения дефицитом становятся три вещи:
1. Валидация. Способность отличить рабочую гипотезу от правдоподобной галлюцинации. Отделить факт от статистически вероятной, но логически пустой догадки.
2. Надёжность. Умение построить систему, которая не развалится, когда модель ошибётся. А ошибка неизбежна.
3. Смысл. Ответ на вопрос «Зачем мы это делаем?», который машина сформулировать за нас не может.
AI блестяще справляется с решением чётко поставленных задач, но он принципиально не способен определить, является ли сама задача правильной сама по себе. AI ускоряет решение проблем, но парадоксальным образом ослабляет их идентификацию. Под давлением сроков и неопределенности люди хватаются за первую проблему, которую AI ясно подсветил. Потому что это быстро снижает тревогу и создаёт немедленное облегчение и иллюзию движения, но первая видимая проблема редко является корневой.
Поэтому активность часто становится заменой направления. Компании запускают больше инициатив, пишут больше планов, генерируют больше отчётов, но становятся менее уверенными в том, какую проблему они вообще решают. Вот тут и начинается архитектура смыслов, вместо привычной нам экономики эффективности.
Осмысление (Sensemaking) как ядро управления
Осмысление (или sensemaking в зарубежной литературе) долгое время считалось одной из важнейших способностей лидеров и команд. Карл Вейк (Karl Weick), классик организационной теории, описывал его как непрерывный человеческий процесс интерпретации сложных, изменчивых сред путём «превращения странного в знакомое, а знакомого — в странное». В классической организационной теории это процесс, через который люди и организации превращают неопределённые, разрозненные обстоятельства в понятную ситуацию, на основе которой можно действовать (Sally Maitlis и Marlys Christianson; тут без перевода, т.к. не знаю, как правильно написать их ФИО по-русски).
Осмысление часто путают с анализом данных, синтезом или сторителлингом. Но это разные действия. Анализ спрашивает: «Что показывают факты?». Сторителлинг спрашивает: «Как это убедительно рассказать?». Осмысление спрашивает: «Какую ситуацию эти факты образуют, что она означает для нас и что мы теперь должны делать?».
Это не индивидуальная «догадка в голове», а социальный, организационный процесс. Люди совместно интерпретируют неоднозначные события, согласуют версии реальности и действуют на их основе. Ключевых вопроса всегда два: What’s the story (какая история объясняет происходящее?) и Now what? (что мы теперь делаем?).
По своей сути осмысление — это способность определять, что важно сейчас. Тут важно оговориться, что это не только и не столько про конкретные операционные действия в данный момент. Это включает в себя и стратегические выборы с опорой на то, что окружает нас прямо сейчас.
Осмысление включает в себя три важных управленческих навыка:
1. Выбор сигнала. В среде, переполненной метриками, дашбордами и оповещениями, самая сложная задача — это не анализ информации, хотя её много. Сложнее всего игнорировать неверные сигналы. Способность к осмыслению позволяет понять, какой показатель заслуживает внимания прямо сейчас, а что может подождать. Это суждение нельзя автоматизировать, потому что релевантность зависит от контекста, а не от статистической значимости.
2. Создание убедительной истории (нарратива). Цифры — это здорово, но людьми двигает смысл. Осмысление связывает данные с намерением, ограничениями и последствиями. Оно отвечает не только на то, что происходит, но и на то, почему это важно и что это меняет. Именно здесь многие выводы, сгенерированные AI, не подходят. Несмотря на то, что они точны и стилистически безупречны, они не имеют привязки к живому контексту организации.
3. Выбор направления в условиях неопределённости. AI отлично справляется с оптимизацией в заданных параметрах. Осмысление же работает там, где параметры неясны. Когда компромиссы носят этический, репутационный или долгосрочный характер, лидерам нужна не рекомендация алгоритма, а интерпретация. Им нужно понимание: «С математической точки зрения это выглядит правильно, но это ломает что-то человеческое». Такое решение нельзя делегировать машине.
Если осмысление — это ключевая работа, может ли AI в ней помочь? Безусловно. Но не как единоличный автор смысла, а как носитель пяти специфических ролей, настройкой и управлением которых занимается менеджер:
1. Радар. AI собирает и структурирует слабые сигналы, которые человек мог бы пропустить: повторяющиеся темы в тысячах клиентских отзывов, отклонения в метриках, изменения в настроении команды, рыночные тренды. Он не делает выводов, он лишь подсвечивает то, на что стоит обратить внимание.
2. Переводчик сложности. Один и тот же сигнал можно описать на разных корпоративных «языках». AI транслирует проблему для разных стейкхолдеров: для финансистов это «утечка выручки», для продукта — «проблема активации», для сервиса — «разрыв ожиданий». Это не меняет сути, но помогает найти общий язык там, где раньше подразделения говорили на разных языках.
3. Генератор гипотез. AI помогает расширять пространство вопросов: «Какие есть альтернативные объяснения?», «Что мы не видим?», «Как бы эту ситуацию интерпретировал наш главный конкурент?», «Что изменится, если наше базовое предположение неверно?». Он помогает бороться с туннельным зрением команды.
4. Зеркало организации. AI показывает, какие истории организация рассказывает сама себе. Если скормить ему внутренние документы, ретроспективы и коммуникации, он может подсветить паттерны: «Мы всегда недооцениваем сложность», «Мы называем стратегией набор инициатив», «Мы считаем проблему технической, хотя она организационная», «Мы избегаем темы ответственности». Здесь AI полезен не как судья, а как большое и чистое зеркало, в которое можно детально рассмотреть ваш портрет.
5. Оппонент (Red Team). Хорошее осмысление требует не только связной истории, но и сопротивления этой истории. AI оспаривает слишком удобные и красивые интерпретации: «Где наша версия событий слишком гладкая? Какие факты ей противоречат? Кто проигрывает от такого решения? Какая версия кажется менее приятной, но более вероятной? Не приняли ли мы корреляцию за причинно-следственную связь?».
Но важно не перепутать роли. AI помогает собрать материал для осмысления, но не становится автором смысла. Он не решает за менеджера, какая интерпретация легитимна. Он не знает, какие компромиссы допустимы в конкретной культуре. Он не чувствует, где формально правильное решение разрушит доверие. Он не несёт ответственности, если выбранная стратегия окажется ошибочной.
Осмысление часто путают с анализом данных, синтезом или сторителлингом. Но это разные действия. Анализ спрашивает: «Что показывают факты?». Сторителлинг спрашивает: «Как это убедительно рассказать?». Осмысление спрашивает: «Какую ситуацию эти факты образуют, что она означает для нас и что мы теперь должны делать?».
Это не индивидуальная «догадка в голове», а социальный, организационный процесс. Люди совместно интерпретируют неоднозначные события, согласуют версии реальности и действуют на их основе. Ключевых вопроса всегда два: What’s the story (какая история объясняет происходящее?) и Now what? (что мы теперь делаем?).
По своей сути осмысление — это способность определять, что важно сейчас. Тут важно оговориться, что это не только и не столько про конкретные операционные действия в данный момент. Это включает в себя и стратегические выборы с опорой на то, что окружает нас прямо сейчас.
Осмысление включает в себя три важных управленческих навыка:
1. Выбор сигнала. В среде, переполненной метриками, дашбордами и оповещениями, самая сложная задача — это не анализ информации, хотя её много. Сложнее всего игнорировать неверные сигналы. Способность к осмыслению позволяет понять, какой показатель заслуживает внимания прямо сейчас, а что может подождать. Это суждение нельзя автоматизировать, потому что релевантность зависит от контекста, а не от статистической значимости.
2. Создание убедительной истории (нарратива). Цифры — это здорово, но людьми двигает смысл. Осмысление связывает данные с намерением, ограничениями и последствиями. Оно отвечает не только на то, что происходит, но и на то, почему это важно и что это меняет. Именно здесь многие выводы, сгенерированные AI, не подходят. Несмотря на то, что они точны и стилистически безупречны, они не имеют привязки к живому контексту организации.
3. Выбор направления в условиях неопределённости. AI отлично справляется с оптимизацией в заданных параметрах. Осмысление же работает там, где параметры неясны. Когда компромиссы носят этический, репутационный или долгосрочный характер, лидерам нужна не рекомендация алгоритма, а интерпретация. Им нужно понимание: «С математической точки зрения это выглядит правильно, но это ломает что-то человеческое». Такое решение нельзя делегировать машине.
Если осмысление — это ключевая работа, может ли AI в ней помочь? Безусловно. Но не как единоличный автор смысла, а как носитель пяти специфических ролей, настройкой и управлением которых занимается менеджер:
1. Радар. AI собирает и структурирует слабые сигналы, которые человек мог бы пропустить: повторяющиеся темы в тысячах клиентских отзывов, отклонения в метриках, изменения в настроении команды, рыночные тренды. Он не делает выводов, он лишь подсвечивает то, на что стоит обратить внимание.
2. Переводчик сложности. Один и тот же сигнал можно описать на разных корпоративных «языках». AI транслирует проблему для разных стейкхолдеров: для финансистов это «утечка выручки», для продукта — «проблема активации», для сервиса — «разрыв ожиданий». Это не меняет сути, но помогает найти общий язык там, где раньше подразделения говорили на разных языках.
3. Генератор гипотез. AI помогает расширять пространство вопросов: «Какие есть альтернативные объяснения?», «Что мы не видим?», «Как бы эту ситуацию интерпретировал наш главный конкурент?», «Что изменится, если наше базовое предположение неверно?». Он помогает бороться с туннельным зрением команды.
4. Зеркало организации. AI показывает, какие истории организация рассказывает сама себе. Если скормить ему внутренние документы, ретроспективы и коммуникации, он может подсветить паттерны: «Мы всегда недооцениваем сложность», «Мы называем стратегией набор инициатив», «Мы считаем проблему технической, хотя она организационная», «Мы избегаем темы ответственности». Здесь AI полезен не как судья, а как большое и чистое зеркало, в которое можно детально рассмотреть ваш портрет.
5. Оппонент (Red Team). Хорошее осмысление требует не только связной истории, но и сопротивления этой истории. AI оспаривает слишком удобные и красивые интерпретации: «Где наша версия событий слишком гладкая? Какие факты ей противоречат? Кто проигрывает от такого решения? Какая версия кажется менее приятной, но более вероятной? Не приняли ли мы корреляцию за причинно-следственную связь?».
Но важно не перепутать роли. AI помогает собрать материал для осмысления, но не становится автором смысла. Он не решает за менеджера, какая интерпретация легитимна. Он не знает, какие компромиссы допустимы в конкретной культуре. Он не чувствует, где формально правильное решение разрушит доверие. Он не несёт ответственности, если выбранная стратегия окажется ошибочной.
Ловушка ясности и правдоподобный смысл
Карл Вейк писал, что в процессе осмысления люди стремятся не к абсолютной точности, а к правдоподобной интерпретации, достаточной для действия. Нам нужен понятный нарратив, чтобы просто начать двигаться. В эпоху генеративного AI эта человеческая склонность умножается на машинную способность генерировать правдоподобный смысл (или plausible meaning) с пугающей скоростью и убедительностью.
AI может взять неполные данные, достроить недостающие связи и выдать текст, который звучит как ясная, завершённая управленческая картина. Машина способна порождать внутренне непротиворечивые истории, которые выглядят стратегически зрелыми, логичными и глубокими, но при этом опираются на ошибочные допущения, искажённые данные или галлюцинации.
AI может взять неполные данные, достроить недостающие связи и выдать текст, который звучит как ясная, завершённая управленческая картина. Машина способна порождать внутренне непротиворечивые истории, которые выглядят стратегически зрелыми, логичными и глубокими, но при этом опираются на ошибочные допущения, искажённые данные или галлюцинации.
Риск ведь не в том, что AI ошибётся в арифметике или не найдёт нужный документ. В этом нет ничего критичного. Риск в генерации правдоподобного и логичного, но пустого смысла, который команда примет за истину.
Именно здесь заканчивается роль AI как инструмента и начинается суть новой управленческой работы. Роль менеджера смещается от принимателя решений (decision maker) к архитектору смысла/осмысления (sensemaking architect). Его задача не в том, чтобы самому всё понять за команду, и не в том, чтобы передать понимание машине. Он проектирует процесс, в котором люди и AI вместе формируют рабочую картину реальности, но при этом именно человек отвечает за валидацию — отделение стратегического сигнала от LLM-ного шума.
Хороший менеджер в AI-среде — это не тот, кто быстрее всех получает ответ от модели. И не тот, кто запрещает модели приближаться к важным вопросам. Хороший менеджер — тот, кто не даёт команде принять первую ясную формулировку за настоящую проблему.
Практически это означает управление последовательностью мышления. Иногда сначала думают люди, а AI подключается позже, чтобы найти слепые зоны. Иногда AI сначала расширяет поле гипотез, а люди затем выбирают критерии. Иногда модель должна играть роль оппонента, а не консультанта. Иногда её вообще стоит держать за пределами первого обсуждения, чтобы команда не потеряла собственные выводы до того, как успела их сформулировать.
Хороший менеджер в AI-среде — это не тот, кто быстрее всех получает ответ от модели. И не тот, кто запрещает модели приближаться к важным вопросам. Хороший менеджер — тот, кто не даёт команде принять первую ясную формулировку за настоящую проблему.
Практически это означает управление последовательностью мышления. Иногда сначала думают люди, а AI подключается позже, чтобы найти слепые зоны. Иногда AI сначала расширяет поле гипотез, а люди затем выбирают критерии. Иногда модель должна играть роль оппонента, а не консультанта. Иногда её вообще стоит держать за пределами первого обсуждения, чтобы команда не потеряла собственные выводы до того, как успела их сформулировать.
Второй контур: мета-осмысление и алгоритмическая эмпатия
Если AI участвует в осмыслении ситуации, менеджер должен понимать не только саму ситуацию. Он должен понимать, как AI эту ситуацию собрал.
Если обычное осмысление отвечает на вопрос «Что происходит?», то мета-осмысление добавляет второй вопрос: «Как именно AI пришёл к этой версии происходящего?».
Если обычное осмысление отвечает на вопрос «Что происходит?», то мета-осмысление добавляет второй вопрос: «Как именно AI пришёл к этой версии происходящего?».
Какие данные стали для него основой? Какие сигналы он усилил? Какие приглушил? Какие группы, контекст или исключения выпали из анализа? Где модель нашла важный паттерн, а где просто красиво упаковала исторический шум? Какие предположения она не назвала явно, но фактически встроила в ответ?
Этот второй контур особенно важен потому, что AI умеет создавать убедительные истории. Ясность может быть не результатом глубокого понимания (ничего модель не понимает в привычном нам смысле), а результатом хорошей генерации. Практически это означает, что после AI-анализа менеджер должен задавать вопросы второго порядка: Что не попало в выборку? Какие источники отсутствовали? Какие сигналы могли быть переоценены? Как изменится вывод, если поменять базовую гипотезу? Чья перспектива здесь представлена, а чья отсутствует?
Это не означает, что каждый менеджер обязан стать инженером машинного обучения. Руководитель должен понимать, что AI-интерпретация всегда зависит от данных, инструкций, контекста, ограничений и цели применения. Менеджер теперь осмысляет не только рынок, клиента, команду, конфликт или стратегическую ситуацию. Он осмысляет поведение модели как нового участника управленческого процесса. Но не как человека или субъекта с намерениями. А как вероятностную, ограниченную и контекстно-зависимую систему, которая влияет на то, что организация считает реальностью.
Давайте на конкретном примере. Команда просит AI оценить перспективы выхода на новый рынок. Модель выдаёт уверенный позитивный прогноз: рынок растёт, конкуренты фрагментированы, есть незакрытые потребности, выход возможен через партнёрства, риски управляемы. Звучит как план, который приятно показать инвесторам или совету директоров. Неискушённый менеджер кладёт эту рекомендацию в основу решения. Более зрелый менеджер включает второй контур — мета-осмысление — и спрашивает: «А на каких кейсах модель строит эту уверенность? Не обучалась ли она преимущественно на публичных историях успеха, потому что провалы хуже описаны и реже попадают в красивые статьи? Что будет, если попросить её отдельно проанализировать только неудачные выходы на похожие рынки? Изменится ли рекомендация, если дать ей не презентации победителей, а судебные споры, жалобы клиентов, отчёты о закрытых проектах и внутренние постмортемы?».
Чтобы делать эту работу системно, руководителю нужен навык, который я теперь называю алгоритмической эмпатией. Это не эмоциональное сочувствие машине и не попытка приписать модели чувства, намерения или характер, которых у неё не может быть. Это когнитивная способность реконструировать логику работы алгоритма, понимать его поведение не как магию или злой умысел, а как результат взаимодействия данных, промпта, контекста, архитектуры и вероятностной генерации.
Обычная управленческая эмпатия спрашивает: «Почему человек так сказал? Что он чувствует? Чего боится? Какой опыт стоит за его реакцией?». Алгоритмическая эмпатия подталкивает задавать другие вопросы: «Почему модель сгенерировала именно такой ответ? Какие данные были доступны? Как был сформулирован запрос? Какие ограничения сработали? Какую цель оптимизировала система? Какие пробелы она достроила?».
Это не означает, что каждый менеджер обязан стать инженером машинного обучения. Руководитель должен понимать, что AI-интерпретация всегда зависит от данных, инструкций, контекста, ограничений и цели применения. Менеджер теперь осмысляет не только рынок, клиента, команду, конфликт или стратегическую ситуацию. Он осмысляет поведение модели как нового участника управленческого процесса. Но не как человека или субъекта с намерениями. А как вероятностную, ограниченную и контекстно-зависимую систему, которая влияет на то, что организация считает реальностью.
Давайте на конкретном примере. Команда просит AI оценить перспективы выхода на новый рынок. Модель выдаёт уверенный позитивный прогноз: рынок растёт, конкуренты фрагментированы, есть незакрытые потребности, выход возможен через партнёрства, риски управляемы. Звучит как план, который приятно показать инвесторам или совету директоров. Неискушённый менеджер кладёт эту рекомендацию в основу решения. Более зрелый менеджер включает второй контур — мета-осмысление — и спрашивает: «А на каких кейсах модель строит эту уверенность? Не обучалась ли она преимущественно на публичных историях успеха, потому что провалы хуже описаны и реже попадают в красивые статьи? Что будет, если попросить её отдельно проанализировать только неудачные выходы на похожие рынки? Изменится ли рекомендация, если дать ей не презентации победителей, а судебные споры, жалобы клиентов, отчёты о закрытых проектах и внутренние постмортемы?».
Чтобы делать эту работу системно, руководителю нужен навык, который я теперь называю алгоритмической эмпатией. Это не эмоциональное сочувствие машине и не попытка приписать модели чувства, намерения или характер, которых у неё не может быть. Это когнитивная способность реконструировать логику работы алгоритма, понимать его поведение не как магию или злой умысел, а как результат взаимодействия данных, промпта, контекста, архитектуры и вероятностной генерации.
Обычная управленческая эмпатия спрашивает: «Почему человек так сказал? Что он чувствует? Чего боится? Какой опыт стоит за его реакцией?». Алгоритмическая эмпатия подталкивает задавать другие вопросы: «Почему модель сгенерировала именно такой ответ? Какие данные были доступны? Как был сформулирован запрос? Какие ограничения сработали? Какую цель оптимизировала система? Какие пробелы она достроила?».
Нельзя подходить бинарно к тому, права модель или нет. Корректнее задавать вопрос: «Почему такой ответ стал для модели наиболее вероятным, в каких условиях это поведение ожидаемо и как нам управлять этими условиями?».
Этот непростой когнитивный навык базируется на пяти столпах:
1. Понимание входного контекста. Что модель получила на вход? Какие данные были доступны, а что осталось за скобками? Какой контекст был явно прописан в промпте, а что подразумевалось, но не было сформулировано? Часто «странное» поведение модели — не следствие её глупости, а результат неполного или противоречивого запроса. Опытный руководитель, столкнувшись с общей, банальной стратегией выхода на рынок, не делает вывода «AI бесполезен», а понимает: модель не получила ни сегмента, ни горизонта планирования, ни критериев допустимого риска, поэтому она выдала усреднённый, поверхностный ответ. Проблема не в инструменте, проблема в архитектуре запроса.
2. Понимание вероятностной природы. Модель не «знает» в человеческом смысле. Она предсказывает наиболее вероятное продолжение текста с учётом обучения и контекста. Уверенный тон не равен достоверности, связность не равна истинности, а подробность не равна проверенности. Алгоритмически эмпатичный менеджер не ведётся на гладкость изложения и задаёт вопросы: «Где модель могла достроить пробелы правдоподобием? Не оптимизировала ли она ответ под мои ожидания, считав их из формулировок запроса?».
3. Понимание цели оптимизации. Одна и та же модель ведёт себя по-разному в зависимости от настройки: в службе поддержки она стремится к вежливости, в риск-менеджменте — к осторожности, в продажах — к выявлению возможностей. Видя «абсурдную» рекомендацию, зрелый менеджер спрашивает: «Какую метрику система пытается максимизировать? Быть может, поведение абсолютно рационально с точки зрения заданной утилитарной функции, и корректировать нужно именно эту функцию?».
Давайте на примере клиентского сервиса. AI предлагает максимально вежливый и безопасный ответ на жалобу. Формально ответ получился корректный, юридически аккуратный и эмоционально нейтральный. Но менеджер видит, что в этой ситуации клиенту нужен не шаблонный ответ, а признание конкретной ошибки. Модель оптимизировала снижение конфликта, а надо было восстанавливать доверие. Проблема не в модели, а в том, что цель системы не совпала с настоящей управленческой задачей.
4. Понимание структурных ограничений. У модели нет собственного доступа к реальности, если не подключены актуальные источники. Она может путать правдоподобие с фактом, игнорировать неформальную власть в организации, не чувствовать политический контекст, не видеть последствий решения для конкретных людей. Она не несёт ответственности. Это не повод отказываться от AI, а, скорее, повод проектировать работу так, чтобы эти ограничения были под контролем. Многие модели склонны к излишней самоуверенности на данных, непохожих на обучающую выборку. Эмпатичный менеджер мысленно ставит себя на место модели: «Она никогда не видела таких случаев, но вынуждена дать ответ, потому что так устроена её архитектура».
5. Понимание AI как симптома системы. Часто ошибки алгоритма лишь отражают хаос в информационной среде самой организации. Если модель генерирует бюрократические отписки, возможно, она обучалась на корпоративных шаблонах. Если HR-система рекомендует кандидатов, похожих на прошлых успешных, проблема может быть не в алгоритме, а в том, что исторические данные воспроизводят старую управленческую культуру. AI становится зеркалом организации, и задача менеджера увидеть в нём искажения до того, как они лягут в основу решений.
Без алгоритмической эмпатии менеджер попадает в одну из двух крайностей: либо очаровывается AI («он всё знает»), делегируя ему суждение, либо обесценивает его из-за ошибок и галлюцинаций («он ошибся, значит, бесполезен»), отказываясь от инструмента из-за неправильного использования. Алгоритмическая эмпатия даёт третью позицию: осознанное управление условиями, в которых проявляется поведение AI.
1. Понимание входного контекста. Что модель получила на вход? Какие данные были доступны, а что осталось за скобками? Какой контекст был явно прописан в промпте, а что подразумевалось, но не было сформулировано? Часто «странное» поведение модели — не следствие её глупости, а результат неполного или противоречивого запроса. Опытный руководитель, столкнувшись с общей, банальной стратегией выхода на рынок, не делает вывода «AI бесполезен», а понимает: модель не получила ни сегмента, ни горизонта планирования, ни критериев допустимого риска, поэтому она выдала усреднённый, поверхностный ответ. Проблема не в инструменте, проблема в архитектуре запроса.
2. Понимание вероятностной природы. Модель не «знает» в человеческом смысле. Она предсказывает наиболее вероятное продолжение текста с учётом обучения и контекста. Уверенный тон не равен достоверности, связность не равна истинности, а подробность не равна проверенности. Алгоритмически эмпатичный менеджер не ведётся на гладкость изложения и задаёт вопросы: «Где модель могла достроить пробелы правдоподобием? Не оптимизировала ли она ответ под мои ожидания, считав их из формулировок запроса?».
3. Понимание цели оптимизации. Одна и та же модель ведёт себя по-разному в зависимости от настройки: в службе поддержки она стремится к вежливости, в риск-менеджменте — к осторожности, в продажах — к выявлению возможностей. Видя «абсурдную» рекомендацию, зрелый менеджер спрашивает: «Какую метрику система пытается максимизировать? Быть может, поведение абсолютно рационально с точки зрения заданной утилитарной функции, и корректировать нужно именно эту функцию?».
Давайте на примере клиентского сервиса. AI предлагает максимально вежливый и безопасный ответ на жалобу. Формально ответ получился корректный, юридически аккуратный и эмоционально нейтральный. Но менеджер видит, что в этой ситуации клиенту нужен не шаблонный ответ, а признание конкретной ошибки. Модель оптимизировала снижение конфликта, а надо было восстанавливать доверие. Проблема не в модели, а в том, что цель системы не совпала с настоящей управленческой задачей.
4. Понимание структурных ограничений. У модели нет собственного доступа к реальности, если не подключены актуальные источники. Она может путать правдоподобие с фактом, игнорировать неформальную власть в организации, не чувствовать политический контекст, не видеть последствий решения для конкретных людей. Она не несёт ответственности. Это не повод отказываться от AI, а, скорее, повод проектировать работу так, чтобы эти ограничения были под контролем. Многие модели склонны к излишней самоуверенности на данных, непохожих на обучающую выборку. Эмпатичный менеджер мысленно ставит себя на место модели: «Она никогда не видела таких случаев, но вынуждена дать ответ, потому что так устроена её архитектура».
5. Понимание AI как симптома системы. Часто ошибки алгоритма лишь отражают хаос в информационной среде самой организации. Если модель генерирует бюрократические отписки, возможно, она обучалась на корпоративных шаблонах. Если HR-система рекомендует кандидатов, похожих на прошлых успешных, проблема может быть не в алгоритме, а в том, что исторические данные воспроизводят старую управленческую культуру. AI становится зеркалом организации, и задача менеджера увидеть в нём искажения до того, как они лягут в основу решений.
Без алгоритмической эмпатии менеджер попадает в одну из двух крайностей: либо очаровывается AI («он всё знает»), делегируя ему суждение, либо обесценивает его из-за ошибок и галлюцинаций («он ошибся, значит, бесполезен»), отказываясь от инструмента из-за неправильного использования. Алгоритмическая эмпатия даёт третью позицию: осознанное управление условиями, в которых проявляется поведение AI.
Калибровка доверия и защита суждения
Вслед за этим меняется природа доверия. В старой управленческой логике доверие воспринималось психологически: доверяю человеку или не доверяю, верю эксперту или не верю, считаю команду зрелой или незрелой. В AI-среде доверие тоже не может быть бинарным. Нужно спрашивать: в каких задачах, при каких данных, с каким уровнем риска, при каких последствиях ошибки и с какой формой проверки мы можем использовать вывод модели?
Пороги доверия для различных задач можно разложит через условную формулу приемлемого риска:
Пороги доверия для различных задач можно разложит через условную формулу приемлемого риска:
Порог = f ( Тяжесть, Точность, Соответствие )
где:
Порог — порог доверия (Threshold)
Тяжесть — тяжесть последствий ошибки (Impact)
Точность — историческая точность модели на похожих данных или количество ошибок, которое модель допускала в подобном контексте (Accuracy)
Соответствие — степень соответствия логики алгоритма (выводов) культуре и этике организации (Alignment)
Порог — порог доверия (Threshold)
Тяжесть — тяжесть последствий ошибки (Impact)
Точность — историческая точность модели на похожих данных или количество ошибок, которое модель допускала в подобном контексте (Accuracy)
Соответствие — степень соответствия логики алгоритма (выводов) культуре и этике организации (Alignment)
Одно дело доверить AI черновик письма. Другое — оценку кандидата, рекомендацию по увольнению, юридически значимое решение, стратегический выбор или интерпретацию конфликта внутри команды. В одном случае ошибка стоит нескольких минут редактуры. В другом — репутации, доверия, карьеры человека или стратегического ресурса компании.
Но калибровка доверия — это не только про защиту от ошибок. Это ещё и про защиту человеческого суждения (judgment). Judgment — странное слово, потому что на русский оно переводится неидеально. Это не просто «решение» и не просто «мнение». Это способность в условиях неполной информации, конфликтующих критериев и последствий второго порядка сформировать ответственное суждение. Не математически оптимальное, не самое быстрое, не самое удобное, а такое, за которое человек готов отвечать.
Менеджер внедряет практики, которые ставят качество суждения выше скорости. Это означает задавание вопросов до принятия решения (а не после): «Почему мы считаем это правдой?», «Какие данные опровергли бы нашу версию?», «Чей голос мы не услышали?».
Менеджер не зацикливается только на контроле «всезнающей машины» или на мотивации людей в сторону использования AI. Он проектирует такие практики, которые сохраняют и усиливают человеческое суждение. Он определяет, где модель может действовать самостоятельно, а где требуется её «объяснение» решения перед человеком. Он внедряет практики аудита моделей, отслеживания происхождения данных, анализа чувствительности, потому что без этого системное доверие к AI невозможно. Именно это превращает абстрактный призыв «управлять социотехнической системой» в рабочую операционную модель.
Например:
Это не бюрократия в её вырожденной форме. Это, фактически, новая гигиена мышления. В мире, где скорость генерации стала почти бесплатной, нужно защищать качество интерпретации. Раньше менеджеры боролись с нехваткой информации, а теперь им приходится бороться с избытком правдоподобия.
Постепенно эти практики должны распространяться на всю организацию. Команды учатся задавать модели вопросы не только о содержании, но и о её собственных допущениях. Аналитики фиксируют, какие данные подавались на вход и как это повлияло на вывод. Совещания начинаются не с демонстрации рекомендаций LLM, а с совместного обсуждения: «Что мы принимаем за истину? Какие сигналы могли быть упущены?». Алгоритмическая эмпатия из личной силы менеджера превращается в организационную способность и становится коллективным навыком осмысленной работы с умными системами.
Но калибровка доверия — это не только про защиту от ошибок. Это ещё и про защиту человеческого суждения (judgment). Judgment — странное слово, потому что на русский оно переводится неидеально. Это не просто «решение» и не просто «мнение». Это способность в условиях неполной информации, конфликтующих критериев и последствий второго порядка сформировать ответственное суждение. Не математически оптимальное, не самое быстрое, не самое удобное, а такое, за которое человек готов отвечать.
Менеджер внедряет практики, которые ставят качество суждения выше скорости. Это означает задавание вопросов до принятия решения (а не после): «Почему мы считаем это правдой?», «Какие данные опровергли бы нашу версию?», «Чей голос мы не услышали?».
Менеджер не зацикливается только на контроле «всезнающей машины» или на мотивации людей в сторону использования AI. Он проектирует такие практики, которые сохраняют и усиливают человеческое суждение. Он определяет, где модель может действовать самостоятельно, а где требуется её «объяснение» решения перед человеком. Он внедряет практики аудита моделей, отслеживания происхождения данных, анализа чувствительности, потому что без этого системное доверие к AI невозможно. Именно это превращает абстрактный призыв «управлять социотехнической системой» в рабочую операционную модель.
Например:
- Команда сначала формулирует собственную версию проблемы, а уже потом просит AI предложить альтернативы.
- AI генерирует несколько гипотез, а команда обязана найти данные, которые могут каждую из них опровергнуть.
- Перед принятием важного решения фиксируется не только выбранный вариант, но и причины отказа от других.
- Отдельно обсуждается вопрос: «Что в ответе AI выглядит убедительно, но может быть ложным?».
Это не бюрократия в её вырожденной форме. Это, фактически, новая гигиена мышления. В мире, где скорость генерации стала почти бесплатной, нужно защищать качество интерпретации. Раньше менеджеры боролись с нехваткой информации, а теперь им приходится бороться с избытком правдоподобия.
Постепенно эти практики должны распространяться на всю организацию. Команды учатся задавать модели вопросы не только о содержании, но и о её собственных допущениях. Аналитики фиксируют, какие данные подавались на вход и как это повлияло на вывод. Совещания начинаются не с демонстрации рекомендаций LLM, а с совместного обсуждения: «Что мы принимаем за истину? Какие сигналы могли быть упущены?». Алгоритмическая эмпатия из личной силы менеджера превращается в организационную способность и становится коллективным навыком осмысленной работы с умными системами.
Новая роль менеджера
Менеджер становится архитектором смысла и человеческого усиления. Это роль того, кто проектирует саму среду мышления. Он управляет не столько людьми или технологиями по отдельности, сколько архитектурой их взаимодействия — тем самым двойным контуром осмысления, о котором я писал выше.
Мы это обсуждали в предыдущей части, но повторю здесь:
Он становится архитектором фабрик смыслов, где данные, обучение и валидация образуют непрерывную петлю улучшений, а люди освобождаются для задач, действительно требующих суждения. Это и есть состояние, которое в исследованиях McKinsey назвали суперагентностью (Superagency). Это не фантазия о менеджере-сверхчеловеке, который с помощью AI становится в десять раз умнее и наконец-то разбирает все письма во входящих. Суперагентность — это способность системы «человек + AI» достигать результатов, кратно превосходящих сумму отдельных возможностей. В такой системе лидер использует AI не для экономии на зарплатах, а как рычаг для кратного усиления агентности всей команды.
Поэтому новая управленческая зрелость — это не умение «дружить с AI» и не умение «контролировать AI». Это способность проектировать такую социотехническую среду, где AI расширяет человеческую агентность, но не подменяет человеческую субъектность.
Мы это обсуждали в предыдущей части, но повторю здесь:
- Он задаёт фрейминг, т.е. помогает команде договориться, чем AI является в этой работе: помощником, оппонентом, симулятором, радаром, черновиком.
- Он устанавливает границы где AI усиливает людей, а где начинает вытеснять их из мышления.
- Он фасилитирует последовательность: когда сначала думают люди, когда подключается модель, когда нужно спорить с её выводом, когда нужна независимая проверка.
- Он распределяет ответственность, т.е. кто отвечает за данные, кто за интерпретацию, кто за решение, кто за последствия.
- Он настраивает петли обратной связи: что произошло после решения, чему научилась команда, где ошиблась модель, какие допущения нужно пересобрать.
Он становится архитектором фабрик смыслов, где данные, обучение и валидация образуют непрерывную петлю улучшений, а люди освобождаются для задач, действительно требующих суждения. Это и есть состояние, которое в исследованиях McKinsey назвали суперагентностью (Superagency). Это не фантазия о менеджере-сверхчеловеке, который с помощью AI становится в десять раз умнее и наконец-то разбирает все письма во входящих. Суперагентность — это способность системы «человек + AI» достигать результатов, кратно превосходящих сумму отдельных возможностей. В такой системе лидер использует AI не для экономии на зарплатах, а как рычаг для кратного усиления агентности всей команды.
Поэтому новая управленческая зрелость — это не умение «дружить с AI» и не умение «контролировать AI». Это способность проектировать такую социотехническую среду, где AI расширяет человеческую агентность, но не подменяет человеческую субъектность.
«Как мне использовать AI так, чтобы команда лучше понимала реальность, принимала более качественные решения и не теряла способность мыслить самостоятельно?».
И, возможно, это неприятная новость для тех, кто надеялся, что AI наконец-то снимет с руководителя тяжесть мышления. Не снимет, уж простите. Скорее наоборот. Да, уйдёт часть рутины, ускорится анализ, расширится поле вариантов и работа внешне станет проще. Но именно поэтому менеджеру придётся думать глубже. В мире, где любая версия звучит убедительно, настоящей управленческой ценностью становится способность не потерять смысл. Ответов вам нагенерит машина.