Harvard Business Review предупреждает, что "рабочая рутина" ИИ разлагает компании изнутри

      TL;DRHBR сообщает, что компании, которые полностью погрузились в ИИ, сталкиваются с «упадком знаний», поскольку низкокачественные результаты накапливаются, подрывают доверие и обходятся в 9 миллионов долларов в год на переработку.

      Компании, которые наиболее активно стремились внедрить генеративный ИИ, теперь сталкиваются с проблемой, которую технология должна была предотвратить: их работа становится хуже. Две статьи, опубликованные Harvard Business Review в этом месяце, описывают замкнутый круг, в котором низкокачественные результаты, сгенерированные ИИ, ухудшают информацию, на которую компании полагаются для принятия решений, явление, которое авторы называют «упадком знаний».

      Статья HBR за июнь 2026 года, написанная профессором управления операциями Оксфорда Маттиасом Хольвегом и профессором колледжа Бабсон Томасом Дэвенпортом, утверждает, что ущерб выходит за рамки индивидуальных ошибок. Когда сотрудники используют ИИ для создания работы, которая выглядит отшлифованной, но содержит ошибки или не имеет содержания, коллеги ниже по потоку тратят время на проверку, исправление или переделку. Поскольку эти ошибки накапливаются в командах и отделах, коллективная база знаний организации ухудшается.

      Термин для этого низкокачественного вывода ИИ уже имеет название. BetterUp Labs и Лаборатория социальных медиа Стэнфорда ввели термин «workslop» в статье HBR за сентябрь 2025 года, чтобы описать контент, сгенерированный ИИ, который маскируется под хорошую работу, но не имеет содержания для продвижения задачи. Их опрос 1,150 работников США показал, что 41 процент получил workslop в предыдущем месяце, при этом каждый инцидент потребовал в среднем один час и 56 минут на разрешение.

      Финансовые затраты значительны. Используя самозаявленные зарплаты респондентов и оценки времени, исследователи подсчитали, что workslop обходится примерно в 186 долларов на работника в месяц. Для компании из 10,000 сотрудников это составляет более 9 миллионов долларов в год в потерянной производительности, не учитывая последствий для морального состояния и доверия.

      Эти социальные затраты могут иметь большее значение, чем финансовые. В опросе BetterUp-Stanford 53 процента работников, получивших workslop, заявили, что они были раздражены, 42 процента считали отправителя менее надежным, и примерно половина считала коллегу менее креативным, способным или надежным, чем раньше. Треть заявила, что они менее склонны хотеть работать с этим человеком снова.

      Ширшая картина производительности не менее обнадеживающая. Отчет MIT Media Lab за июль 2025 года показал, что 95 процентов организаций не увидели измеримого возврата на свои инвестиции в генеративный ИИ, несмотря на миллиарды расходов. Goldman Sachs пришел к аналогичному выводу в марте 2026 года, не обнаружив значительной связи между внедрением ИИ и приростом производительности на уровне всей экономики, даже несмотря на то, что 70 процентов команд управления S&P 500 обсуждали ИИ на звонках по доходам.

      Проблема упадка знаний отличается от знакомой жалобы на галлюцинации ИИ. Галлюцинации — это фактические ошибки в выводах ИИ. Упадок знаний описывает то, что происходит с организацией, когда эти ошибки и более широкий паттерн низкокачественной работы, сгенерированной ИИ, накапливаются на протяжении месяцев.

      Работники перестают доверять внутренним документам. Процессы, основанные на ненадежной информации, дают ненадежные результаты. Институциональная память истончается, поскольку сотрудники полагаются на ИИ, а не развивают собственную экспертизу.

      Хольвег и Дэвенпорт предупреждают, что процесс найма был особенно поврежден. Резюме, сгенерированные ИИ, заполняют рекрутеров, объявления о вакансиях, сгенерированные ИИ, вводят кандидатов в заблуждение, а инструменты фильтрации, работающие на ИИ, отсекают квалифицированных кандидатов. Результат, как говорит HBR, заключается в том, что доверие к процессу найма упало до «исторического минимума как для соискателей, так и для рекрутеров».

      Ответ работников уже измерим. Опрос 2026 года среди 2,400 работников в США, Великобритании и Европе показал, что 29 процентов признаются в активном саботаже стратегии ИИ своего работодателя, игнорируя рекомендации, отказываясь от обучения или преднамеренно искажая данные о производительности. Среди работников поколения Z эта цифра возрастает до 44 процентов, в значительной степени из-за страха потери работы.

      Это сопротивление существует наряду с более широкой тенденцией увольнений, оправданных ИИ, которые часто не имеют четких доказательств того, что системы ИИ действительно заменили устраненные роли. В технологическом секторе было зафиксировано более 95,000 сокращений рабочих мест в 247 событиях в 2026 году, почти половина из которых была связана с ИИ, хотя аналитики ставят под сомнение, имели ли многие из этих компаний зрелые реализации ИИ, способные поглощать эту работу.

      Ирония заключается в том, что решение проблемы workslop требует именно того рода труда, который ИИ должен был сократить. Руководители бизнеса теперь должны инвестировать в процессы проверки, стандарты качества и человеческий контроль, чтобы гарантировать, что контент, сгенерированный ИИ, соответствует стандартам, работа, которая занимает время реальных сотрудников. Рекомендации HBR сводятся к созданию нового уровня человеческой проверки вокруг вывода ИИ, что подрывает аргумент об эффективности, который оправдывал внедрение в первую очередь.

      Обе статьи HBR проводят различие между недискриминационными мандатами ИИ и целевым использованием. В статье за июнь отмечается, что проприетарные модели, обученные на данных, специфичных для компании, могут добавить подлинную ценность, в то время как публичные LLM, применяемые к задачам, для которых они плохо подходят, производят «генерическую прозу, которая часто содержит ошибки». Компании, которые заморозили найм, ссылаясь на прирост производительности ИИ, теперь обнаруживают, что эти приросты могут быть иллюзорными, если качество работы ухудшается быстрее, чем сокращается численность персонала.

      Концепция упадка знаний переосмысляет дебаты о производительности ИИ. Вопрос больше не в том, делает ли ИИ отдельные задачи быстрее, а в том, делает ли кумулятивный эффект широкого использования ИИ принятие решений в организации лучше или хуже. Ответ HBR для компаний, которые внедрили ИИ без контроля качества, заключается в том, что это делает его хуже.

      Кредиты Хольвега и Дэвенпорта придают аргументу вес, но стоит отметить, что рамка упадка знаний еще не была протестирована с помощью контролируемых эмпирических исследований. Концепция синтезирует существующие доказательства, а не представляет новые данные, и опрос BetterUp-Stanford о workslop полагается на самозаявленные оценки потерянного времени. Насколько точно работники оценивают время, потраченное на переработку, остается открытым вопросом.

      Тем не менее, паттерн последователен по нескольким источникам. Goldman Sachs, MIT, BCG и теперь две отдельные статьи HBR от разных исследовательских команд приходят к вариациям одного и того же вывода: большинство компаний не получают того, что ожидали от генеративного ИИ, и те, кто продвигался наиболее активно, могут платить самую высокую скрытую цену.