«Будущее уже наступило. Просто оно ещё неравномерно распределено».
— Уильям Гибсон
Уф… Давно не писал.
Последние недели активно работал на одном интенсивном проекте на Ближнем Востоке. Проект был быстрый, сложный и довольно типичный для операционного консалтинга: много интервью, поездок на площадки, наблюдений, хронометражей, данных, гипотез и вечернего проблемсолвинга.
Но кое-что было совсем не типичным.
В команде практически все постоянно использовали ИИ. Не в качестве эксперимента или модной игрушки, а как обычный рабочий инструмент.
И это заметно изменило не только нашу производительность, но и саму архитектуру команды.
Немного истории
В 1968 году инженер Дуглас Энгельбарт провёл знаменитую презентацию, которую позже назвали The Mother of All Demos — «матерью всех демонстраций».
За 90 минут он показал компьютерную мышь, гипертекст, видеосвязь, совместную работу с экраном и коллективное редактирование документов. Но главная идея Энгельбарта была не в мышке и не в красивом интерфейсе. Он хотел создать систему, которая усиливала бы коллективный интеллект людей и помогала командам эффективнее решать сложные задачи [web:26][web:28].
Почти 60 лет спустя мы, кажется, начинаем работать именно так.
Не «человек отдельно плюс нейросеть отдельно», а команда людей и ИИ, работающая в одном информационном поле.
Как обычно выглядит команда
На подобную диагностику обычно можно было бы собрать команду примерно такого состава:
- один партнёр;
- два руководителя проекта;
- один отраслевой или функциональный эксперт;
- два ассоциата;
- два аналитика.
Получается восемь человек.
А у нас было четыре:
- два опытных руководителя проекта;
- два эксперта.
Без отдельных аналитиков и ассоциатов.
При этом мы все были играющими тренерами. То есть могли не только обсуждать гипотезы и давать рекомендации, но и сами:
- проводить интервью;
- разбирать данные;
- строить аналитику;
- ходить на площадку;
- надевать каску;
- делать хронометраж;
- сводить наблюдения;
- формулировать выводы;
- собирать презентацию.
И, конечно, работать с нейросетями.
Сразу скажу: идея не состояла в том, чтобы просто сократить команду и заставить четырёх человек работать за восьмерых.
Такой подход быстро заканчивается выгоранием и плохим качеством.
Идея была другой: убрать значительную часть механической работы, но сохранить опыт, здравый смысл и способность работать руками.
Что делал ИИ
Данные клиента мы обезличивали и передавали для анализа в нейросеть.
Интервью транскрибировались. На основании предыдущих разговоров ИИ помогал формировать дополнительные вопросы: где осталась логическая дыра, какую гипотезу нужно проверить, с кем ещё поговорить, где ответы двух руководителей противоречат друг другу.
Нейросеть помогала:
- структурировать интервью;
- выделять повторяющиеся проблемы;
- сравнивать мнения разных функций;
- искать противоречия;
- формулировать гипотезы;
- анализировать массивы данных;
- готовить варианты выводов;
- собирать первые версии storyline;
- делать черновики текстов для слайдов;
- проверять, не потеряли ли мы важную мысль.
Но самое интересное было не в отдельных задачах.
Самое интересное — общая память проекта.
Общий контекст команды
Мы попробовали несколько вариантов.
Для меня лучше всего сработал Claude с общим контекстом. Хорошо показал себя и Hermes. Пробовали также Msty Studio — лично мне он понравился немного меньше, хотя и там можно выстроить нормальный рабочий процесс.
Здесь важен не рейтинг инструментов. Через полгода конкретные модели и интерфейсы всё равно изменятся.
Важен принцип: команда должна работать не с четырьмя разрозненными нейросетями, а с общей памятью проекта.
В эту память попадали:
- контекст клиента;
- описание процессов;
- результаты интервью;
- наблюдения с площадки;
- данные и расчёты;
- рабочие гипотезы;
- промежуточные выводы;
- открытые вопросы;
- принятые решения;
- логика будущей презентации.
В течение дня каждый из нас добавлял новые факты. Вечером мы могли обсуждать с нейросетью проблему уже не с нуля.
Не нужно было заново объяснять, кто отвечает за производство, в чём состоит конфликт между двумя функциями и почему показатель из отчёта не совпадает с тем, что мы увидели на площадке.
Контекст уже был внутри системы.
По сути, рядом с нами работал дополнительный участник команды, который:
- прочитал все материалы;
- помнил предыдущие обсуждения;
- мог быстро найти нужный факт;
- не уставал перебирать гипотезы;
- не обижался, если его выводы отвергали;
- был доступен поздно вечером.
Конечно, этот участник иногда ошибался, придумывал лишнее и уверенно предлагал ерунду. Поэтому его нельзя оставлять без контроля.
Но для опытного консультанта это очень мощный собеседник.
Что получилось
В итоге всё получилось. И даже немного больше, чем мы изначально планировали.
Меньшей командой мы:
- провели полноценную диагностику;
- обработали большой объём интервью;
- выполнили несколько сложных анализов;
- проверили больше гипотез;
- глубже разобрали отдельные проблемы;
- подготовили вполне сносную презентацию.
Разумеется, я не утверждаю, что теперь любой проект можно делать вчетвером.
Есть проекты, где нужны полевые команды, большая аналитическая фабрика или десятки интервьюеров. Есть задачи, где объём ручной работы физически невозможно закрыть четырьмя людьми.
Но на нашей конкретной диагностике старая пирамида оказалась необязательной.
И из этого опыта у меня появилось несколько выводов.
1. Нейросети — уже базовый минимум
Не конкурентное преимущество. Не любопытное хобби. Не задача на следующий год.
Базовый минимум.
Я уже писал об этом отдельно — в статье «Базовый минимум для консультанта и руководителя в эпоху ИИ и агентов». Там речь не только о промптах, но и о базовой технической грамотности: ботах, автоматизации, работе с данными и собственной инфраструктуре [web:6].
Если консультант сегодня не умеет работать с нейросетью, то два одинаково опытных специалиста уже находятся в неравных условиях.
Один читает интервью, вручную выписывает темы и несколько часов собирает структуру.
Второй делает то же самое быстрее, после чего тратит освободившееся время на проверку логики, дополнительные вопросы и более глубокий анализ.
ИИ не обязательно заменяет первого консультанта. Но второй консультант постепенно заменяет первого.
2. Пирамида меняется
Консультанты попадают примерно в ту же историю, в которую уже попали программисты.
Значительную часть работы, с которой раньше начинали аналитики и ассоциаты, теперь можно автоматизировать или сильно ускорить:
- поиск информации;
- расшифровку интервью;
- первичную классификацию данных;
- описание графиков;
- подготовку черновиков;
- базовую проверку гипотез;
- форматирование материалов.
Поэтому появляется соблазн собрать небольшую команду опытных людей, дать им ИИ — и вообще отказаться от младших сотрудников.
Экономически это вполне логично.
Но организационно возникает серьёзный вопрос:
если мы перестанем брать аналитиков, откуда через пять–семь лет появятся новые руководители проектов и эксперты?
Раньше консультант учился, выполняя тысячи небольших задач. Да, многие из них были скучными: почистить данные, перепроверить формулу, исправить приложение, переписать слайд десять раз.
Но через эту работу человек постепенно понимал, что такое хороший анализ, убедительный вывод и нормальный клиентский материал.
Теперь значительную часть этих упражнений делает машина.
Возвращать бессмысленную ручную работу только ради обучения, наверное, не стоит. Но новая система подготовки пока не сложилась.
Возможно, младшие консультанты будут не производить первую версию анализа, а проверять результат ИИ: искать ошибки, подтверждать источники, выявлять слабые допущения и объяснять, почему вывод неприменим к реальному бизнесу. Такой переход от «производителя черновика» к «аудитору логики» уже обсуждается как один из вариантов новой модели профессионального обучения [web:17][web:19].
Но готового ответа у меня пока нет.
3. Архитектура важнее модели
Можно купить команде пять отличных ИИ-инструментов — и не получить почти никакого эффекта.
Если каждый ведёт собственную память проекта, то вечером начинается привычная история:
— А что тебе сказала нейросеть?
— А какие документы ты ей загрузил?
— А она знает про вчерашнее интервью?
— А почему у тебя вывод отличается от моего?
— А где последняя версия данных?
Получается, что мы ускорили индивидуальную работу, но увеличили расходы на синхронизацию.
Поэтому команде нужна единая архитектура:
- общее пространство знаний;
- понятная структура материалов;
- правила загрузки информации;
- единые названия объектов и показателей;
- журнал ключевых решений;
- разделение фактов, гипотез и выводов;
- ссылки на первоисточники;
- управление доступами;
- правила обезличивания данных.
Иначе общая память быстро превращается в общую свалку.
Кстати, сама идея коллективной памяти появилась задолго до современных нейросетей. Психолог Дэниел Вегнер описывал трансактивную память как систему, в которой группа совместно кодирует, хранит и извлекает знания. Команде необязательно держать всё в голове каждого участника — важно понимать, где находится нужное знание и как его получить [web:23][web:24].
ИИ добавляет к этому ещё один слой: он не только хранит контекст, но и помогает задавать ему вопросы.
4. Работа руками становится ценнее
Парадоксально, но чем лучше становятся нейросети, тем важнее реальные практические навыки.
Эксперт, который умеет только красиво рассуждать, становится менее полезным. Красиво рассуждать нейросеть тоже умеет. Иногда даже убедительнее человека.
А вот самостоятельно:
- провести сложное интервью на английском;
- заметить несоответствие на площадке;
- надеть каску и пойти наблюдать процесс;
- организовать хронометраж;
- поговорить с рабочими и мастерами;
- отличить проблему процесса от проблемы данных;
- проверить вывод здравым смыслом —
этого нейросеть пока сделать не может.
ИИ усиливает человека, но ему нужен человек, у которого уже есть профессиональная опора.
Если эксперт никогда не строил анализ сам, ему сложно понять, где машина ошиблась. Если он не работал на производстве, он может принять гладкий и логичный текст за реальное описание процесса.
Поэтому модель «эксперт плюс ИИ» работает только тогда, когда эксперт действительно умеет делать работу, а не только комментировать её.
5. PowerPoint пока никуда не делся
ИИ может предложить структуру, сформулировать заголовок и даже собрать первую версию слайда.
Но итоговую презентацию всё равно приходится докручивать руками.
Где-то нужно поправить акцент. Где-то сократить текст. Где-то передвинуть объект на два миллиметра. Где-то заменить диаграмму, потому что она формально правильная, но совершенно не помогает понять мысль.
И часто быстрее сделать это самому, чем ещё пять минут объяснять агенту, что именно тебе не нравится.
Поэтому навыки ручной работы в PowerPoint тоже пока остаются полезными.
Здесь не могу не прорекламировать свою небольшую приблуду — pptpowerkeys.com.
Она ускоряет рутинную работу со слайдами: выравнивание, форматирование и другие мелкие операции, на которых незаметно теряется много времени. Попробуйте — стоит практически ничего, а часы жизни периодически спасает 🙂
Что изменилось на самом деле
Главный вывод для меня не в том, что «нейросеть заменила двух аналитиков».
Это слишком простая формулировка.
Изменилась сама единица работы.
Раньше единицей была задача:
Возьми интервью, прочитай, выдели основные темы и подготовь слайд.
Теперь единицей становится цикл:
Собери факты → добавь их в общий контекст → сформулируй гипотезу → попроси ИИ найти противоречия → проверь результат на площадке → обнови контекст → пересобери вывод.
То есть мы ускоряем не отдельную операцию, а весь процесс накопления и проверки знаний.
И здесь небольшая команда опытных играющих тренеров действительно может сделать больше, чем старая консалтинговая пирамида.
Но при нескольких условиях:
- у команды есть единая память;
- информация хорошо организована;
- данные клиента защищены и обезличены;
- выводы ИИ постоянно проверяются;
- участники умеют работать руками;
- за результат отвечает человек, а не модель.
На этом проекте такая схема сработала.
Сделали ли мы всё идеально? Конечно, нет.
Были неудачные ответы, лишние итерации, проблемы с контекстом и слайды, которые приходилось переделывать вручную. Но возвращаться к работе полностью без ИИ после такого опыта уже кажется примерно тем же, что отказаться от Excel и снова считать всё на калькуляторе.
Следующий вопрос гораздо сложнее:
если опытный консультант с ИИ теперь может работать за небольшую проектную команду, то как должна выглядеть новая консалтинговая фирма — и где в ней место для начинающих?
Вот на него у меня пока окончательного ответа нет.