Доверять и проверять: как компании протестировать навык сотрудника качественно работать с ИИ

В августе 2025 года испанская пара – Мери Калдасс и Алехандро Сид – летела в Пуэрто-Рико. Они спросили у ChatGPT, нужна ли им виза, тот ответил – не нужна. Формально это правда. Но модель не упомянула ESTA, электронное разрешение на въезд, без которого на рейс не пускают. Пара осталась в аэропорту, их видео собрало свыше 6 млн просмотров. «Я всегда всё проверяю, спросила ChatGPT, и он сказал «нет». Больше ему не доверяю», – сказала героиня истории. Но при чём здесь бизнес? Об этом в своей авторской колонке для портала Biz360.ru рассуждает Михаил Беляев, руководитель образовательного направления платформы «Битрикс24».

Освоение технологий почти всегда идёт в одной последовательности: сначала технологию принимает человек, потом бизнес. Причина простая – человеку не нужен цикл внедрения. Бизнес обязан пройти этапы анализа, оценки, выбора показателей, сравнения решений на рынке, интеграции… А человек просто пробует новую технологию – и, если она работает, начинает ей пользоваться. 

С искусственым интеллектом происходит то же самое. Применение найдётся практически для каждого специалиста и его функционала: написание текстов, создание дизайна, формирование документов, подготовка к собеседованию, поиск необходимых данных, анализ и структурирование информации… 

Технически подкованный и инициативный сотрудник уже попробовал и понял, что с ИИ-инструментами ИИ он сильнее и эффективнее. Запретить ему использование технологии не получится, с этим бизнесу и предстоит работать. 

Продавцу компания выдаёт CRM-систему: там клиенты, там данные, и никому не приходит в голову сказать «пусть каждый ведёт сделки в той программе, в которой он хочет». С моделями ИИ логика та же. Это рабочий инструмент, и выдать его сотруднику должен бизнес – вместе с правилами использования. 

Пока бизнес откладывает это решение, сотрудники не ждут. По данным Forbes, 49% сотрудников используют ИИ-инструменты, которые работодатель не одобрял, а каждый пятый пользуется ими регулярно и скрывает это от коллег. 86% IT-руководителей уже сталкивались с инцидентами из-за несанкционированного ИИ. Возникает вопрос, как именно люди их используют, и знает ли об этом компания. 

Классический эффект Даннинга-Крюгера устроен так: недостаток компетенции мешает человеку увидеть собственные ошибки, поэтому слабые переоценивают себя, а сильные оценивают себя точнее. Неприятно, зато предсказуемо. Если растёт компетенция, растёт и точность самооценки. 

Исследование Aalto University показало, что в работе с ИИ эта логика ломается. Около 500 участников решали логические задачи из юридического теста LSAT, половина – с ChatGPT. За точную самооценку платили деньги. Пользователи ИИ всё равно переоценили качество своей работы – независимо от уровня, привычный эффект просто исчез. Вместо него появился обратный эффект: чем выше человек оценивал собственную ИИ-грамотность, тем сильнее себя переоценивал. 

Большинство участников отправляли модели один запрос на задачу: скопировал условие, получил уверенный ответ, принял, пошёл дальше. Исследователи называют это когнитивной разгрузкой, потому что проверка не досталась никому. 

Пара из аэропорта, о которой мы написали в начале этой статьи, сделала то же самое – один вопрос, убедительный ответ, ноль проверок. Ответ был даже почти верным. 

Этот вывод подтверждается и другими источниками. Исследования найма, о которых сообщает TestGorilla, фиксируют устойчивый разрыв между самоотчётом об ИИ-навыках и объективными измерениями, а рекрутёры, по данным Deel, признают, что не умеют оценивать навык, ради которого нанимают. 

Из этого не следует, что инициативный сотрудник – вредитель, а его уверенность – обман. Искать виноватых здесь непродуктивно, он честно не видит, что перестал проверять. Сотрудник приходит с рынка с готовым, самостоятельно сложившимся форматом работы с ИИ. 

Дальше возможны два сценария. В первом случае компания, которая проверила формат работы человека и встроила его в процесс с точками постановки, контроля и проверки получает пользу от его инициативы. А компания, которая поверила на слово, выдала единственный KPI на скорость и не построила архитектуру, усугубляет ситуацию, вознаграждая ровно то поведение, которое исследование Aalto зафиксировало как самое рискованное. 

Приём проверки давно известен из смежной области. Чтобы оценить логику кандидата, на собеседованиях задают вопросы, точного ответа на которые он знать не может: например, сколько трамваев в городе? Цель – увидеть рассуждение, как человек раскладывает задачу, что предполагает, где сомневается. 

С ИИ работает та же механика. Бесполезно спрашивать «насколько хорошо вы владеете нейросетями» – самоотчёт, как мы видели, врёт добросовестно. Информативно дать реальную задачу и смотреть на процесс: какие вопросы человек задаёт модели, какой контекст передаёт, где останавливается и сомневается, что и как проверяет. Один запрос и принятый первый ответ – сам по себе диагноз. 

Есть и приём точнее. Если вы знаете, что на определённом вопросе нейросеть даёт логичный, но неверный ответ, включите его в задание и посмотрите, обнаружит ли кандидат ошибку или безоговорочно доверится. Способность поймать убедительную ошибку модели – и есть та компетенция, которую вы хотите нанять. 

Тезис «самый опасный сотрудник – уверенный пользователь» не стоит читать как совет не брать людей, которые заявляют о своей ИИ-грамотности. Он накладывает обязательства на обе стороны. 

• Сотруднику – растить реальную грамотность, так как она остаётся его личной ответственностью.

• Бизнесу – сначала проверить эту грамотность делом, а затем спроектировать процесс, в котором уверенность отдельного человека перестаёт быть единственной линией защиты. 

Переложить второе на сотрудника не получится, так как контроль грамотности и архитектура процесса – прежде всего работа компании. Опасного сотрудника создаёт не рынок и не нейросеть, его создаёт компания, которая поверила на слово.

Чтобы не пропустить интересную для вас статью о малом бизнесе, подпишитесь на наш Telegram-канал и страницу в «ВКонтакте».
biz360