Помнить больше не главное. Что дорожает, когда ИИ может подготовить справку за минуты?
Много лет на совещаниях и комитетах, да и просто при принятии решений, можно было наблюдать одну и ту же картину. Ценился тот, кто держал в голове все цифры: выручку по направлениям, сроки по каждому проекту портфеля, остаток бюджета, номер нужного приказа. Ему верили быстрее, чем остальным, потому что память работала как сигнал: раз человек всё помнит, значит, он в теме и с ним можно принимать решение.
Сейчас это меняется, и причин две. Во-первых, всё чаще меняются данные и нормативные документы, растёт неопределённость, становится больше серых зон. Решение приходится принимать с учётом всё большего числа факторов, а физически всё это в памяти уже не удержать. Если же пытаться запомнить всё, теряются как раз способность к абстрактному мышлению и гибкость. Таковы биологические ограничения нашего мозга.
Во-вторых, справку по любому показателю ИИ-ассистент готовит за минуты вместе со ссылками на источники, и ту же справку получает каждый, у кого открыт чат. Важнее становится то, как организовано рабочее пространство, доступен ли ИИ нужный контекст и какого качества данные в этом контексте. Поэтому одной памяти на цифры и факты уже мало. Нужно сочетание человека и машины, которое даёт точность, скорость, гибкость, широту и креативность.
Так что память на цифры и факты как преимущество обесценивается. При этом я не считаю, что цифры и факты в голове больше не нужны. Они нужны, чтобы заметить, где ИИ ошибся: модель ошибается гладко и уверенно, и поймать её может только тот, кто знает, какой порядок величин здесь нормален, и сам владеет контекстом. Но больше всего, по моему опыту, дорожает другое. Это умение мыслить системно и структурно, то есть понимать, как факты и цифры связаны и что из чего следует, и знание того, что ИИ умеет, а где ему нельзя верить. Иначе говоря, руководитель должен уметь прочитать то, что ИИ выдал за минуты, решить, что с этим делать дальше, и понимать, чего ИИ может не знать.
Что ИИ забрал у «ходячей энциклопедии»
Первой к ИИ ушла справочная часть знания. Под справкой я понимаю всё, что можно найти: точное значение показателя за период, дату, номер документа, формулировку пункта договора или норматива. Раньше за этим шли в отчёт, к аналитику или к коллеге, который помнит. На это уходили часы, иногда дни, и человек, у которого ответ был сразу, экономил время всем участникам совещания. Поэтому его и ценили.
Теперь эта справка доступна любому, кто спросил, и вместе со скоростью ушёл сигнал. Память показывала, что человек погружён в дело, а сегодня звучать компетентно может каждый, кто за пять минут до совещания задал модели пару вопросов и подгрузил базу знаний. Руководителю стало труднее понять по ответу, кто действительно разбирается в вопросе, а кто просто хорошо подготовил справку.
При этом ИИ готовит хорошую справку только тогда, когда ему есть из чего её собрать. Если отчёты лежат в почте у разных людей, решения прошлых комитетов нигде не записаны, а актуальная версия бюджета есть только у финансового директора, ассистент ответит по тому, что найдёт, и ответ будет неполным, хотя по виду его не отличить от полного. Поэтому скорость доступа к информации теперь обеспечивает организация, и память отдельного человека здесь уже мало что решает. Нужно правильно разложить данные, следить за их качеством, дать ИИ доступ к этому массиву и настроить саму работу модели: написать инструкции, как проверять ответ и какая точность нужна. Это классическая задача RAG-проектов (так называют подход, при котором модель перед ответом ищет сведения в базе знаний компании). От того, как она решена, прямо зависит, чего стоит каждый ответ модели в компании.

Похожее разделение обсуждают и для самих моделей. Андрей Карпати рассуждает о том, что моделям не обязательно хранить в себе все сведения о мире: думающее ядро может быть небольшим, а за фактами оно обращается к инструментам (подкасты No Priors, сентябрь 2024, и Дваркеша Пателя, октябрь 2025). Я вижу здесь прямую аналогию с руководителем: держать в голове можно не всё, если понимаешь, где лежит остальное и как с ним работать.
Зачем всё равно держать цифры в голове
Из сказанного легко сделать вывод, что учить и помнить больше не нужно. С ним я не согласен. Справочные цифры действительно можно отдать ассистенту, а опорные придётся держать самому.
Опорными я называю цифры, по которым видно, что бизнес в норме: порядок выручки и маржи, численность, себестоимость единицы продукции, загрузка мощностей, границы допустимого. У каждого руководителя их обычно десять-пятнадцать. Зачем они, если справку даёт ассистент? Чтобы было с чем сверить его ответ, потому что ошибки модели выглядят так же аккуратно, как правильные ответы. Если ассистент пишет, что выпуск цеха вырос втрое за месяц, это увидит только тот, кто знает загрузку и мощности этого цеха и понимает, что так не бывает. Если в справке стоит норматив с номером, которого не существует, это заметит только тот, кто с этим нормативом работал.
Здесь мне ближе всего мысль американского когнитивного психолога Дэниела Уиллингема. Он объяснял учителям, почему без знаний в памяти не работает и мышление: по его словам, фоновые знания решают даже в шахматах, которые можно считать образцом игры в рассуждение («background knowledge is decisive even in chess, which we might consider the prototypical game of reasoning», American Educator, весна 2009). Отсюда мой вывод для руководителя: без своей опоры в голове проверить чужой ответ нечем.
Кроме цифр, есть контекст, которого у ИИ просто нет. ИИ не знает, о чём договорились на последнем комитете, почему проект остановили в прошлом году, какой подрядчик срывает сроки и кто из смежников на самом деле принимает решение. Если этого нет в открытых ему данных, он этого не учтёт. А оцифровать весь контекст, все отношения, решения и коммуникации, да ещё и обеспечить их качество, как показывает практика, просто невозможно. Поэтому даже при хорошо настроенной базе знаний часть контекста всегда остаётся только у людей. Тот, кто сам владеет контекстом, видит, что аккуратный ответ упускает главное, и может поправить решение до того, как оно уйдёт дальше. Вот почему цифры и контекст в голове я называю страховкой.
Что дорожает: три вещи
Если справку даёт ИИ, а память страхует, то основной рост ценности, по моему опыту, идёт у тех, кто умеет три вещи.
Системное мышление. Это умение видеть, как факты и цифры связаны, что из чего следует, что изменится следом и что сломается первым. Возьмём портфель проектов. Ассистент быстро скажет, что срок одного проекта сдвигается на квартал. Дальше начинаются вопросы, ответы на которые в компании нигде не описаны целиком. Что это значит для бюджета следующего года и для загрузки подрядчика? Что будет с двумя проектами, которые ждут его результатов? Как быть с обещанием, которое дали собственнику? Эту цепочку собирает человек, и чем лучше он её видит, тем раньше компания узнаёт о проблеме. Широта, о которой я говорил в начале, нужна как раз для этого: связи часто идут через границы областей, от финансов к производству, от ИТ к людям, от решения в одном контуре к последствиям в другом. Похожие ожидания есть и у работодателей. По отчёту Всемирного экономического форума о будущем рабочих мест, аналитическое мышление остаётся главным базовым навыком, его считают необходимым семь из десяти компаний. А 54 % работодателей ждут, что к 2030 году системное мышление будут применять больше (WEF, Future of Jobs Report 2025).
Структурное мышление. Под ним я понимаю умение разложить задачу на части и связи между ними до того, как идти с ней к ИИ. Здесь легко запутаться. Раскладывать готовые данные по полкам ИИ умеет сам, и делает это хорошо: сводки, классификации, таблицы ему даются лучше, чем большинству людей. Об этом я писал в статье «Русская смекалка против эпохи ИИ: шанс России». Но разложить задачу, то есть понять, что именно надо решить, какие вопросы из этого вытекают, какие данные нужны для каждого и в каком порядке их смотреть, остаётся работой человека. От неё зависит, о чём вообще спросят модель. На вопрос «как сократить затраты на ремонт» ассистент выдаст список общих советов. Если же вопрос разложен (какие три вида оборудования дают больше всего внеплановых простоев, сколько стоит час простоя на каждом, какая доля ремонтов повторная), ответ модели становится материалом для решения. А если вопрос поставлен плохо, руководитель получает аккуратный ответ на другой вопрос и может принять по нему решение, не заметив подмены.
Понимание того, что ИИ умеет и где ему нельзя верить. Модель сильна в справке по данным, которые ей открыты, в черновике, сравнении и сводке по области, которая хорошо описана. Слабее она там, где фактов мало или они свежие, где нужно число, которого модель не нашла и потому «досчитала», и во всём, что касается вашей компании и не записано в доступных ей данных. Слаба она и в понимании реального мира, и в творческой части работы. Хуже всего ей даётся лавировать в неопределённости и серых зонах, где действуют разнородные ограничения и правила, которые к тому же часто противоречат друг другу.
Человек, который это понимает, проверяет выборочно: он знает, какое место в ответе перепроверить, а какому можно доверять. Тот, кто не понимает, либо проверяет всё подряд и теряет выигрыш во времени, либо не проверяет ничего и однажды выносит на комитет красивую ошибку. С этим связана и интерпретация. ИИ выдаёт материал, а что из него следует для решения и что с этим делать, определяет человек. Почему решение остаётся за ним, я подробно разбирал в статье «Почему ИИ не заменит руководителя: 4 причины».
Чтобы это было проще применять, вот как я бы делил работу между ИИ и руководителем. Это и есть на практике то сочетание человека и машины, о котором я говорил в начале. Справку можно отдавать ассистенту, но с одним условием: рядом с каждой цифрой и каждым номером документа должен стоять источник, который можно открыть. Именно в справке без источника модель чаще всего и придумывает.
Отдать ассистенту (справка, всегда со ссылкой на источник) | Держать в голове (опора) | Понимать (связи) |
|---|---|---|
точные значения показателей за период | порядок величин: выручка, маржа, численность, себестоимость единицы | какие показатели тянут за собой другие и с какой задержкой |
номера приказов, пунктов договоров, нормативов | 10-15 цифр, по которым видно, что бизнес в норме | что сломается первым, если показатель сдвинется на 20 % |
формулировки, даты, справочные данные | границы допустимого: чего не бывает | где обратные связи и кто за них отвечает |
сводки, черновики, сравнения | договорённости, обязательства, история решений | как решение в одном контуре отзовётся в другом |
Когда на справку от ИИ рассчитывать нельзя
Есть ситуации, где мысль «справку даст ассистент» работает слабо или не работает совсем, и о них руководителю надо знать заранее.

Первая: ИИ под рукой нет или на него нет времени. Переговоры, разговор с инвестором, выступление, авария на объекте. К переговорам и выступлению справку стоит подготовить с ИИ заранее и держать под рукой, это сильно помогает. Но в живом разговоре полминуты на запрос уже слишком долго, а разговор часто уходит туда, к чему справка не готовила. Если собеседник называет свою цифру или сравнивает с удобным для себя периодом, заметит это только тот, кто держит главные цифры в голове. Самый тяжёлый пример этого класса дала авиация. В 2009 году у самолёта Air France, летевшего из Рио-де-Жанейро в Париж, на большой высоте пропали достоверные показания скорости, автопилот отключился, и экипаж не смог удержать машину. Бюро расследований Франции разбирало катастрофу три года. В итоговом отчёте сказано, что пилотам могло бы существенно помочь понимание общей физики полёта на большой высоте. Бюро рекомендовало проверять, что теорию механики полёта пилоты действительно поняли (BEA, итоговый отчёт по AF447, июль 2012). Обратите внимание: речь там о понимании того, как устроена система, то есть о правой колонке таблицы выше. В бизнесе ставки обычно ниже, но вывод для руководителя тот же: опорные цифры и понимание связей нужно держать в голове заранее, потому что в момент отказа спросить будет некого.
Вторая: профессии, где знание наизусть и есть компетенция. Это оперативный дежурный энергосистемы, хирург, пилот, юрист в судебном заседании. Применять к ним мысль «справку даст ИИ» нельзя, иначе она станет оправданием не учить то, от чего зависит результат, а иногда и чья-то жизнь.
Третья ситуация самая неприятная. Если ИИ берёт на себя справку, люди могут перестать думать над ответом и держать в голове опору. Прямых данных об опорных цифрах я не видел, есть косвенные о критическом мышлении. Михаэль Герлих опросил 666 человек и нашёл отрицательную связь между тем, как часто человек пользуется ИИ, и его критическим мышлением. У молодых участников зависимость от ИИ выше, а результаты по критическому мышлению ниже. Часть этой связи объясняется тем, что человек перекладывает умственную работу на инструмент (Gerlich, Societies, январь 2025). Исследование корреляционное, и доказать, что именно ИИ ослабляет мышление, оно не может. Но вывод для руководителя от этого не меняется: опору в голове придётся растить специально, особенно у младших. Как это делать, когда простую работу забирает модель, я разбирал в статье «Пирамида карьерного роста становится ромбом». Один из ходов там как раз про это: учебный режим без ИИ, пока у человека не появится своя опора.
Что это меняет на найме и комитетах
Если ценность сместилась, менять приходится и то, как мы оцениваем людей. Я бы перестал проверять, кто сколько точных значений помнит. Вместо этого я проверял бы опору и три вещи, о которых шла речь выше.

Опору проверить проще всего. Попросите назвать без справки порядок трёх-четырёх главных цифр своего участка: выручку или бюджет, численность, главный показатель эффективности. Точность до процента здесь не нужна, нужен порядок величин, по которому человек заметит ошибку.
Для системного мышления подходит вопрос «что будет, если этот показатель сдвинется на 20 %?». Тот, кто помнит цифры, назовёт текущее значение. Тот, кто понимает систему, скажет, что изменится следом, через какое время и что сломается первым. Хорошо, если он при этом назовёт и то, чего не знает.
Для структурного мышления подходит просьба «разложите эту задачу». Дайте кандидату или докладчику реальную задачу и попросите сказать, что именно нужно решить, какие данные для этого понадобятся и в каком порядке он будет их смотреть. По ответу сразу видно, получит ли от него ИИ хороший вопрос.
Для понимания ИИ подходит самый простой тест. Покажите человеку ответ модели по его теме и спросите, что бы он здесь перепроверил и почему. Сильный кандидат найдёт пару мест, где модель могла ошибиться или чего-то не знать. Слабый либо примет всё, либо скажет, что ИИ верить нельзя вообще.
На комитетах работает то же самое. Цифры теперь может собрать кто угодно, поэтому от докладчика стоит ждать связей: что изменится следом, какие решения зависят от этой цифры и что в справке не учтено. А руководителю стоит отдельно спрашивать себя, откуда взята справка и видел ли ИИ актуальные данные. Если нет, начинать надо с рабочего пространства, а не с людей.
С чего начать на этой неделе
Возьмите лист бумаги и выпишите 10-15 опорных цифр своего бизнеса или своего направления, без ассистента и без отчётов. Рядом с каждой запишите, с чем она связана и что изменится, если она сдвинется на 20 %. Там, где ответа нет, у вас пробел: либо в опоре, либо в понимании связей. Пробелы в опоре видно сразу, их закрывает регулярная работа с собственными отчётами без посредников. Пробелы в связях помогает убрать разговор с теми, кто отвечает за соседние участки, и эту работу за руководителя ассистент не сделает. А потом попросите ИИ собрать справку по тем же цифрам и сравните. Расхождения покажут одно из трёх: модели не хватает контекста и его нужно ей открыть, модель ошиблась или что-то досчитала, либо ошибаетесь вы сами, и это тоже полезно знать.

Что почитать дальше
Подробнее о том, как руководителю работать с ИИ на практике, рассказано в книге Джимшера Челидзе «Искусственный интеллект. С неба на землю». Скачать книгу бесплатно.



