Якоб Нильсен: ценность AI создаётся за счёт переосмысления рабочих процессов, а не автоматизации задач

О чём статья

Якоб Нильсен, доктор наук, анализирует результаты масштабного полевого эксперимента, проведённого исследователями INSEAD и Harvard с участием 515 стартапов. В исследовании сравнивались две группы: одна получила стандартное обучение AI-инструментам и поддержку в области предпринимательства, другая — то же самое плюс принципы перестройки рабочих процессов под AI с нуля. Разница в выручке между группами составила 90% в пользу второй — той, что реструктурировала процессы.

Контекст

Статья начинается с разграничения двух типов прироста производительности. Продуктивность на уровне задачи — это локальный выигрыш в эффективности: один шаг процесса становится быстрее. Пропускная способность рабочего процесса — это системный выигрыш: вся цепочка от ввода до результата производит больше, потому что изменилась структура работы, а не скорость отдельного шага. Нильсен утверждает, что большинство команд получают только первый тип, оставляя второй нетронутым.

Исследование показало, что оптимизация отдельных шагов лишь переносит узкие места дальше по цепочке, а не устраняет их. Более быстрый первый шаг пятиэтапного процесса не увеличивает общий выход, если четвёртый шаг остаётся ограничением. Только реструктуризация всей последовательности позволяет реализовать полный потенциал.

Ключевые методы и выводы

Нильсен выделяет четыре приёма, которые повторяются в эффективных реструктуризациях рабочих процессов под AI: устранение передач (объединение шагов, которые прежде были разделены по ролям или инструментам); распараллеливание (выполнение вариантов одновременно, а не последовательно); перевод людей в режим исключений (AI берёт стандартные случаи, человек занимается отклонениями); добавление циклов оценки (непрерывное измерение качества результата, а не слепая уверенность в нём).

Компании из обработанной группы в исследовании также требовали на 40% меньше внешнего капитала при неизменном количестве сотрудников — то есть выигрыш возник от структурных изменений в том, как работа проходит через команду, а не от найма большего числа людей или больших расходов на инструменты.

Статья специально выделяет «человеческий клей» как цель для устранения: ручные шаги, которые существуют исключительно для того, чтобы связать разобщённые системы — копирование данных из одного инструмента в другой, переформатирование документов для разных аудиторий, координация передач между отделами. Эти шаги не создают ценности и часто невидимы в схемах процессов.

Кому полезна статья

Product manager’ам, которые экспериментировали с AI-инструментами, но не увидели ожидаемого роста производительности. Фреймворк Нильсена даёт диагностическую линзу: если внедрение AI-инструмента не изменило структуру рабочего процесса — кто что делает, в каком порядке, с какими проверками — то выигрыш в эффективности остаётся локальным, а пропускная способность команды не изменяется. Статья также полезна всем, кто руководит инициативой по внедрению AI на уровне команды или организации, где отследить развёртывание отдельных инструментов проще, чем сквозное влияние на процессы.