Навык, который ИИ не способен сгенерировать: почему проницательность — это новая грамотность в работе с данными

Более десяти лет я утверждал, что самым ценным навыком в организации, основанной на данных, является не доступ к информации. Это способность судить о том, когда эта информация неверна.

ИИ сделал этот навык более важным, а не менее.

Когда я писал о грамотности в области ИИ в 2023 году, чаще всего я сталкивался с возражением, что технология еще недостаточно хороша, чтобы этот вопрос имел значение. Теперь это не так. ИИ может генерировать ответы, резюме, рекомендации, код, анализ и, все чаще, действия. Вопрос для лидеров больше не в том, что может делать ИИ. Вопрос в том, что происходит внутри организации, когда ИИ выдает что-то, что выглядит авторитетно, звучит уверенно, но является неверным.

Потому что он будет это делать.

Разрыв между организациями, которые выявляют эти ошибки, и организациями, которые этого не делают, — это не технологический разрыв. Это разрыв в способности суждения.

Десять лет назад мы называли это цифровой грамотностью. До этого — критическим мышлением. Названия меняются. Базовая способность — нет. Каждая технологическая волна возвышает определенный человеческий навык. Интернет возвысил доступ к знаниям. Поиск возвысил синтез. ИИ теперь автоматизировал синтез. Это означает, что следующее конкурентное преимущество принадлежит людям и организациям, которые могут оценивать то, что производит ИИ, и принимать уверенные решения о том, чему доверять, что подвергать сомнению, а что отбрасывать.

Это и есть проницательность.

И это не та способность, которая приходит от более частого использования ИИ. Она приходит от достаточно глубокого знания предметной области, чтобы распознать, когда ответ неверен, даже если он выглядит правильным.

Пара слов о терминологии, поскольку рынок все чаще называет это контекстом. Контекст — это то, что вы даете ИИ: данные, к которым он может получить доступ, бизнес-логика, которую он понимает, и параметры, формирующие его результаты. Проницательность — это то, что вы привносите, когда ИИ ошибается. Одно — это проблема данных. Другое — проблема лидерства. Важно и то, и другое.

Четвертый ежегодный глобальный опрос BCG об ИИ на рабочем месте, опубликованный в июне 2026 года, показал, что 74% рядовых сотрудников теперь являются постоянными пользователями ИИ. Из них 41% сообщают о повышенной когнитивной нагрузке наряду с ростом производительности. Это та деталь, которая часто теряется за заголовками с цифрами.

ИИ не снижает когнитивную нагрузку на работе. Для значительной части людей, использующих его регулярно, он увеличивает ее, одновременно сокращая время, доступное для суждения, которое требует эта когнитивная нагрузка. Тот же опрос показал, что 72% всех респондентов говорят, что ожидания относительно необходимых им навыков изменились, однако только 36% чувствуют, что получили адекватное повышение квалификации. Внедрение опередило руководство, и проницательность стала жертвой.

Эта закономерность подтверждается независимыми исследованиями. Результаты, полученные Делл'Аккуа и коллегами совместно с BCG и теперь официально опубликованные в Organisation Science, представили концепцию неровного технологического фронтира: неравномерной границы между задачами, с которыми ИИ справляется хорошо, и задачами, где он терпит неудачу или галлюцинирует. Опасность заключается в том, что у профессионалов нет очевидного сигнала, указывающего, на какой стороне этой границы находится конкретная задача. В исследовании опытные специалисты, имеющие доступ к ИИ, хуже справлялись с задачами за пределами фронтира не потому, что были невнимательны, а потому, что результат выглядел правдоподобно. Это проблема проницательности в чистом виде. Все это не аргумент против использования ИИ. Это аргумент в пользу того, чтобы осознанно подходить к тому, как используется ИИ, какие стандарты применяются и чего ожидают от людей, работающих рядом с ним.

Риск для лидеров заключается не просто в том, что команды используют ИИ слишком много или слишком мало. А в том, что они создают рабочие процессы, зависящие от ИИ, укомплектованные людьми, которые больше не способны выявлять ошибки. Результат может быть уверенным, хорошо представленным и неверным. В масштабах организации это не просто операционная проблема. Это стратегическая ответственность.

Здесь заканчивается большая часть разговоров о суждениях ИИ, и именно здесь, я думаю, нужно идти дальше.

Даже лидер, который лично развил сильную проницательность, не может присутствовать в каждом рабочем процессе. Организации, которые добиваются успеха, — это не те, где каждый отдельный сотрудник обладает превосходным суждением об ИИ. Это те, которые выстроили институциональные структуры для реализации здравого суждения в масштабе.

Это требует архитектуры принятия решений: четкого владения результатами, сгенерированными ИИ, определенных порогов проверки, основанных на последствиях ошибки, и структур подотчетности, которые кодируют суждение на уровне процесса, а не полагаются на бдительность отдельных лиц. Финансовые службы десятилетиями выстраивали контроль вокруг результатов электронных таблиц именно потому, что таблицы выглядят авторитетно, им легко доверять, и они способны незаметно распространять ошибки в масштабе. Результаты ИИ обладают теми же свойствами, но с большей скоростью и объемом.

Большинство организаций не выстроили эквивалентные средства контроля. Они все еще находятся на стадии предположения, что если кто-то проверил результат, то результат был проверен хорошо.

Это не модель управления. Это оптимистичное предположение.

Управление не поспевает за внедрением. Агенты ИИ теперь интегрированы в большее количество рабочих процессов, чем осознает большинство советов директоров: бронирование поставщиков, запуск закупок, выполнение решений по ценообразованию, составление ответов на нормативные требования. С агентами цикл может замкнуться без участия человека. Вопрос управления больше не только в том, чтобы ловить ошибки после их совершения. Речь идет о том, чтобы до внедрения решить, где человеческое суждение должно оставаться в цикле, когда последствия ошибки трудно исправить.

Это принципиально другой разговор, чем тот, который ведут большинство советов директоров. Советы директоров спрашивают о возможностях ИИ и регуляторных рисках в абстрактном виде. Самые важные вопросы — операционные и конкретные.

Где в наших рабочих процессах действия предпринимаются на основе результатов ИИ без адекватной проверки человеком? Какие из этих точек взаимодействия имеют серьезные последствия и их трудно исправить? Кто несет ответственность за ответ, когда он неверен?

Это аудит процессов, который многие организации еще не провели. Не потому, что лидеры самоуспокоены, а потому, что разговор не был сформулирован в операционных терминах. Как только это происходит, разрыв между тем, где находятся большинство архитектур управления сегодня, и тем, где они должны быть, становится очень быстро понятен.

Существует измерение этого вопроса, которое находится ниже модели и ниже процесса, и именно оно застанет многие организации врасплох.

Проницательность также работает на уровне данных, так же как и на уровне результатов. Система ИИ, построенная на плохих, неконтролируемых или неполных данных, будет выдавать правдоподобно выглядящие выводы с полной уверенностью. Модель не может отметить пробелы в том, на чем она обучалась, или в данных, которые она запрашивает. Она не знает того, чего не знает.

Это ответственность человека, а значит, и ответственность архитектуры данных. Руководители, которые вкладывают значительные средства в возможности моделей, не инвестируя при этом в подготовку данных для ИИ, строят фундамент на зыбкой почве. Модель может работать именно так, как задумано. Вопрос в том, на чем она была обучена, на каких данных ей предлагается работать и достаточно ли у организации доверия к этой основе, чтобы позволить результатам ИИ влиять на принятие решений.

Сделать данные пригодными для ИИ — это не то же самое, что сделать их доступными для ИИ. Доступность — это проблема конвейера обработки. Пригодность — это проблема качества, управления и доверия. Это означает, что данные должны быть актуальными и не устаревшими в тот момент, когда агент делает к ним запрос. Это означает наличие четкого происхождения данных, чтобы, когда модель выдает ответ, можно было проследить, на чем она обучалась, и проверить, остается ли этот источник достоверным. Это означает наличие четко определенных владельцев данных, чтобы в случае, если агент выдаст неверный ответ, цепочка ответственности была ясна до того, как произойдет сбой, а не выстраивалась после него. И это означает, что данные должны быть структурированы с учетом сценариев использования ИИ, а не просто перенесены из устаревших систем, которые никогда не предназначались для машинного потребления. Большинство организаций делают только первое. Очень немногие делают все четыре пункта.

Правильное решение этой задачи — это не только технологическое решение. Это решение лидерского уровня.

Приведенный выше аргумент не является абстрактным. Он имеет прямые операционные последствия. Вот с чего стоит начать.

• Во-первых, проведите аудит рабочих процессов, в которых результаты работы ИИ переходят в действие. Составьте карту тех мест, где результаты, сгенерированные ИИ, используются без структурированной проверки человеком. Расставляйте приоритеты по последствиям, а не по объему. Самые важные рабочие процессы — это не обязательно те, где ИИ используется чаще всего. Это те, где неверный ответ запускает действие, которое трудно отменить.

Во-первых, проведите аудит рабочих процессов, в которых результаты работы ИИ переходят в действие. Составьте карту тех мест, где результаты, сгенерированные ИИ, используются без структурированной проверки человеком. Расставляйте приоритеты по последствиям, а не по объему. Самые важные рабочие процессы — это не обязательно те, где ИИ используется чаще всего. Это те, где неверный ответ запускает действие, которое трудно отменить.

• Во-вторых, выстраивайте архитектуру принятия решений, а не просто культуру проверки. Индивидуальная проверка — это не модель управления. Руководителям необходимы четкое владение результатами работы ИИ, определенные пороги эскалации и структуры ответственности, которые не зависят от бдительности одного человека в нужный момент.

Во-вторых, выстраивайте архитектуру принятия решений, а не просто культуру проверки. Индивидуальная проверка — это не модель управления. Руководителям необходимы четкое владение результатами работы ИИ, определенные пороги эскалации и структуры ответственности, которые не зависят от бдительности одного человека в нужный момент.

• В-третьих, задайте «агентский вопрос» перед развертыванием. Для каждого агента спросите: какие решения может принять этот агент, которые человек не сможет легко отменить? Кто имеет право отменить его решение? Что является триггером для проверки человеком? На эти вопросы нужно ответить до первого сбоя, а не после него.

В-третьих, задайте «агентский вопрос» перед развертыванием. Для каждого агента спросите: какие решения может принять этот агент, которые человек не сможет легко отменить? Кто имеет право отменить его решение? Что является триггером для проверки человеком? На эти вопросы нужно ответить до первого сбоя, а не после него.

Организации, которые окажутся впереди через три года, — это не просто те, у кого самый сложный ИИ или самые быстрые темпы внедрения. Это те, кто знает, где место человеческому суждению, как его масштабировать и на какой основе данных оно базируется.

ИИ может сгенерировать ответ. Он не может решить, заслуживает ли этот ответ доверия.

Это выбор человека. И начинается он с проницательности.