Штучна інтелект автоматизує роботу, яка створює експертів

Коли компанії вирішують, яку роботу автоматизувати, вони зазвичай вимірюють час, вартість, рівень помилок і вихід. Рідко коли вони вимірюють, що завдання вчить людину, яка його виконує. Це упущення має значення, оскільки багато завдань, які виглядають повторюваними або неефективними, також є частиною невидимої системи учнівства, через яку люди стають кваліфікованими фахівцями.

Молодший аналітик, який створює першу модель, розробник, який відстежує базову помилку, агент підтримки, який обробляє звичайну скаргу, і юрист, який готує першу дослідницьку записку, всі виконують роботу. Вони також вчаться, як інформація поєднується, які деталі мають значення, де з’являються помилки і коли знайома схема більше не застосовується. Якщо штучний інтелект видаляє завдання без заміни процесу навчання, організація може отримати вигоду сьогодні, але послабити експертизу, якої їй знадобиться пізніше.

Питання щодо робочої сили є більшим, ніж те, чи штучний інтелект зменшить кількість вакансій на початковому рівні. Лідери повинні запитати, що відбувається з циклами практики, які раніше перетворювали недосвідчених працівників у людей, здатних судити, коригувати і наглядати за інтелектуальними системами.

Експертиза Будується Через Корекцію

Експертиза часто описується як знання, але знання самі по собі недостатньо. Досвідчені люди зустрічають достатньо випадків, щоб розпізнати слабкі сигнали, помітити незвичайні поєднання і зрозуміти, коли стандартна відповідь є небезпечною. Цей суд развивається через повторювані цикли виконання роботи, отримання відгуку, коригування помилок і спостереження за наслідками рішень.

Багато молодших завдань є цінними саме тому, що створюють ці цикли. Створення першої версії аналізу змушує когось вирішити, що є важливим. Очистка даних показує, наскільки реальна інформація може бути неідеальною. Обробка звичайних клієнтських випадків вчить нормальну схему, яка пізніше робить аномальний випадок легшим для розпізнавання. Перегляд закінченої експертом роботи не створює такої ж глибини, оскільки важкі рішення вже були прийняті і приховані.

Штучний інтелект може стиснути ці цикли. Перша чернетка прибуває до того, як працівник сформулював проблему. Помічник з кодом пропонує рішення до того, як розробник відстежив невдачу. Інструмент дослідження підсумовує докази до того, як аналітик порівняв джерела. Вихід може бути кращим і швидшим, але працівник отримує менше можливостей для будівництва внутрішньої моделі того, чому це правильно.

Штучний Інтелект Можна Пришвидшити Навчання, Але Дизайн Має Значення

Ризик не є невиємним. Деякі з найсильніших доказів щодо генерації штучного інтелекту на роботі показують, що він може допомогти менш досвідченим працівникам навчатися швидше, коли він використовується як керівництво, а не як заміна участі.

Дослід NBER-дослідження 5 179 агентів підтримки клієнтів виявило, що доступ до помічника штучного інтелекту збільшив продуктивність на 14 відсотків у середньому, з покращенням на 34 відсотка серед початківців і менш кваліфікованих працівників. Дослідники знайшли свідчення того, що система допомогла поширювати практику сильніших агентів і рухати нових працівників вниз по кривій досвіду швидше.

Дизайн цієї роботи має значення. Агенти отримували пропозиції під час реальних клієнтських розмов, але вони все одно повинні були інтерпретувати ситуацію, вибрати, як відповісти, і спостерігати за наслідками. Цикл навчання залишався цілим. Штучний інтелект додав своєчасний доступ до експертних моделей без повного видалення працівника з рішення.

Це відрізняється від робочого процесу, у якому система завершує завдання, а працівник виконує швидке схвалення в кінці. Коли люди залишаються активними у діагнозі, виборі та наслідках, штучний інтелект може функціонувати як тренер. Коли вони скорочуються до прийняття полішеного виходу, технологія може збільшити короткострокову продуктивність, але зробити менше для довгострокової здатності.

Автоматизація Досягає Завдань, Які Будують Людський Капітал

Легко припустити, що штучний інтелект видаляє тільки низькокваліфіковану, повторювану роботу. Поточні дані свідчать про більш складний шаблон.

Anthropic’s Індекс економіки за січень 2026 року виявило, що завдання, покриті Claude, тенденцію вимагати більше освіти, ніж середній показник економіки. У експериментальній оцінці дослідники знайшли, що видалення цих завдань штучного інтелекту з професій буде мати перший порядок де-кваліфікації роботи, оскільки багато покритих завдань представляли вищу освіту компонентів ролі. Anthropic був обережний, сказавши, що це не є передбаченням, оскільки професії можуть еволюціонувати і з’явитися нові завдання, але знахідка повинна змінити, як компанії думають про автоматизацію.

Рутинна і розвивальна робота не є протилежними. Підготовка аналізу може стати рутинною для досвідченого працівника, залишаючись важливою практикою для молодого працівника. Створення стандартних контрактів, видалення знайомих помилок, підготовка прогнозів і перегляд клієнтської історії можуть бути автоматизовані, але вони також піддають працівників впливу структури професії.

Це створює стратегічну проблему. Найлегше завдання для автоматизації також може бути завданням, через яке новий працівник вчиться контексту, необхідному для обробки складної роботи пізніше.

Парадокс Верифікації

Багато організацій відповідають, кажучи, що люди перейдуть від виробництва до верифікації. Штучний інтелект буде генерувати роботу, а люди будуть перевіряти точність, застосовувати контекст і залишатися відповідальними. Це звучить розумно, але це містить парадокс: верифікація сама по собі вимагає експертизи, яку автоматизована робота раніше допомагала створити.

Дослід Microsoft Research study (MSFT ) , який включав 319 працівників знань і 936 прикладів використання генерації штучного інтелекту, виявило, що більша впевненість у штучному інтелекті була пов’язана з меншим критичним мисленням. Дослідження також виявило, що штучний інтелект змінив критичне мислення у бік верифікації, інтеграції та управління завданням. Ці діяльності цінні, але людина не може добре верифікувати без достатньої області знань, щоб розпізнати, що може бути відсутнім.

Недосвідчений працівник може перевірити, чи є відповідь явно несумісною або непідтриманою. Це значно важче помітити, що аналіз використовував неправильну рамку, проігнорував операційний обмеження або досягнув плідної висновку за неправильної причини. Полішений вихід штучного інтелекту може приховати відсутність розуміння, оскільки він виглядає повним до того, як працівник розвинув судження, щоб його запитувати.

Дослідження щодо “jagged technological frontier” робить проблему більш конкретною. У експерименті з 758 консультантами користувачі штучного інтелекту виконували завдання всередині технологічної межі 25,1 відсотка швидше і виробляли результати більш ніж на 40 відсотків вищої якості. На завдання поза цією межею користувачі штучного інтелекту були на 19 процентних пунктів менше схильні досягнути правильного рішення, ніж учасники, які працювали без штучного інтелекту.

Критична здатність полягає не просто в використанні штучного інтелекту. Це розпізнавання того, коли система працює поза межею надійної роботи. Ця межа рідко очевидна, і навчання її баченню вимагає досвіду як успішних випадків, так і невдач.

Прихований Ризик Успадкування

Доклад Світового економічного форуму про майбутнє роботи 2025 виявило, що роботодавці очікують, що 39 відсотків працівників’ основних навичок зміниться до 2030 року. Він також виявив, що 63 відсотка роботодавців вже розглядають прогалини у навичках як великий бар’єр для трансформації, тоді як 77 відсотків планують підвищувати кваліфікацію працівників і 41 відсоток очікують скоротити чисельність робочої сили, оскільки штучний інтелект автоматизує завдання.

Ці стратегії можуть вступити у конфлікт, якщо організації видаляють занадто багато роботи, через яку навички формуються. Компанія може скоротити молодіжну зайнятість, покладатися на старших працівників, щоб наглядати за штучним інтелектом, і все ж таки повідомляти про сильну продуктивність протягом декількох років. Слабкість з’являється пізніше, коли досвідчені люди виходять на пенсію, попит зростає або організації потребують працівників, які можуть обробляти ситуації, які система не бачила.

Досвідчені експерти також можуть стати новим операційним обмеженням. Якщо штучний інтелект збільшує обсяг роботи, а тільки мала група може верифікувати складні виходи, ці люди проводять більше часу на перегляді та коригуванні, а не на навчанні. Компанія отримує виробничу потужність, але концентрує судження у меншій кількості рук.

Жодна організація не може автоматизувати учнівство, а потім припустити, що вона продовжить купувати досвід з ринку. Якщо багато компаній слідують одній і тій же стратегії, зовнішній басейн досвідчених талантів в кінцевому підсумку стає тоншим і дорожчим.

Виміряти Розробницьку Вартість Роботи

До автоматизації завдання компанії повинні оцінити його за двома вимірами. Перше – це вихідна вартість: наскільки важливим, дорогим і часучутливим є результат? Друге – це розробницька вартість: яку здатність будує виконання завдання?

Завдання з низькою вихідною вартістю і низькою розробницькою вартістю є очевидними кандидатами на повну автоматизацію. Переформатування рутинних документів або передача інформації між системами може навчити мало після досягнення базової компетентності.

Завдання з високою вихідною вартістю, але низькою розробницькою вартістю, часто можна автоматизувати з відповідним контролем. Організація все ж таки потребує управління, оскільки результат має значення, але збереження ручного процесу може внести мало до зростання працівника.

Найбільш знехтуваним категорією є завдання з помірною безпосередньою вихідною вартістю, але високою розробницькою вартістю. Перша чернетка молодого працівника може не бути комерційно важливою, оскільки старший працівник її переписає, проте її створення створює цінне порівняння між початковим розумуванням і експертним відгуком. Видалення цього кроку економить час, але також видаляє практику.

Завдання з високою вихідною вартістю і високою розробницькою вартістю повинні зазвичай бути доповнені, а не повністю делеговані. Працівники можуть використовувати штучний інтелект для дослідження, варіантів і критики, але вони повинні зберігати значиму відповідальність за формулювання проблеми, пояснення рішення і навчання з результату.

Будувати Шар Ученьства Навмисно

Як тільки завдання з розробницькою вартістю були ідентифіковані, компанії можуть переробити їх, а не зберігати неефективні робочі процеси без змін. Метою є не зробити працівників повторювати кожен ручний процес з минулого. Це означає відтворення досвіду, який будує судження у швидшій, більш наміреній формі.

Одним з варіантів є збереження першого проходу мислення. До того, як працівник побачить рекомендацію штучного інтелекту, він записує початкову діагнозу, прогноз або рішення. Система потім може надати альтернативу, і працівник повинен пояснити, де дві підходи відрізняються, і який підхід вони використовували б.

Організації також можуть будувати бібліотеки невдач штучного інтелекту, країв випадків і спірних рішень. Перегляд тільки успішних виходів вчить працівників довіряти системі. Вивчення того, де вона зазнала невдачі, допомагає їм розпізнавати умови, які вимагають ескалації, додаткових доказів або втручання людини.

Менеджери повинні оцінити, чи відбувається навчання за межами інструменту. Чи може працівник пояснити розуміння, яке лежить в основі кінцевого виходу? Чи можуть вони ідентифікувати припущення, які зробили б його неправильним? Чи можуть вони адаптуватися, коли контекст змінюється або штучний інтелект недоступний? Ці питання відкривають більше про готовність, ніж кількість використаних підказок або виконаних завдань.

Найважливіше, молоді працівники все ще потребують справжньої відповідальності. Сіміуляції та структурована практика допомагають, але експертиза також залежить від наслідків, відгуку та контакту з реальною складністю. Штучний інтелект повинен зробити ці досвіди безпечнішими і частішими, а не видаляти їх повністю.

Перевага Робочої Сили Буде Приходити Від Швидшої Експертизи

Найсильніші організації не будуть тими, які автоматизують найбільшу кількість молодіжних завдань. Вони будуть тими, які видаляють низьковартісну роботу, прискорюючи розвиток людей, які можуть використовувати, критикувати і наглядати за штучним інтелектом відповідально.

Це вимагає ширшого визначення повернення на автоматизацію. Час, збережений і вихід, вироблений, важливі, але лідери також повинні вимірювати, чи новий робочий процес посилює або послаблює майбутнє постачання організації судження. Процес, який зменшує вартість, але пошкоджує експертизу, може бути ефективним тільки на короткій часової горизонті.

До затвердження наступного проекту автоматизації лідери повинні поставити додаткове питання: що люди дізналися, виконуючи цю роботу, і де це навчання відбудеться після автоматизації?

Відповідь визначить, чи штучний інтелект просто виробляє більше виходу чи допомагає виробляти наступне покоління експертів.