«ЦИФРОВАЯ ПЕРЕГРУЗКА» И ЭФФЕКТИВНОСТЬ ИСПОЛЬЗОВАНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА: ПАРАДОКС ПРОДУКТИВНОСТИ СОТРУДНИКОВ

Генеративный искусственный интеллект рассматривается как одна из наиболее значимых технологий, способных изменить структуру современной экономики и организации труда. В отличие от предыдущих волн цифровизации, современные AI-системы способны не только автоматизировать рутинные операции, но и участвовать в интеллектуальной деятельности: создавать тексты, анализировать данные, формировать программный код, генерировать идеи и поддерживать принятие управленческих решений.

Экономический потенциал технологии представляется значительным. По оценкам OECD, потенциальный вклад искусственного интеллекта в рост производительности труда может составлять от 0,4 до 0,9 процентного пункта ежегодно в зависимости от темпов внедрения и особенностей отраслей [1]. Одновременно эмпирические исследования показывают, что влияние ИИ на результативность работников неоднозначно и существенно зависит от характера задач, опыта пользователя и организации рабочего процесса [2].

Таким образом, возникает принципиальный исследовательский вопрос: почему увеличение количества доступных интеллектуальных инструментов не всегда приводит к пропорциональному росту производительности сотрудника?

Наиболее распространенный управленческий подход предполагает следующую логику:

больше AI-инструментов → больше автоматизации → меньше времени на выполнение задачи → выше производительность.

Однако такая логика игнорирует издержки, возникающие на стороне пользователя. Сотрудник должен выбрать подходящий инструмент, сформулировать запрос, оценить полученный результат, проверить фактическую корректность информации, интегрировать результат в рабочий процесс и зачастую повторить процедуру несколько раз.

В результате ИИ способен сокращать время непосредственного выполнения задачи, одновременно увеличивая время, необходимое для управления самой цифровой средой.

Именно это противоречие формирует центральную проблему настоящего исследования - парадокс продуктивности искусственного интеллекта.

1. От цифровизации рабочего места к цифровой перегрузке

В классическом понимании цифровизация рассматривалась преимущественно как средство сокращения трудозатрат. Однако современные цифровые системы обладают важной особенностью: они не только выполняют задачи, но и создают новые информационные потоки.

Сотрудник современного офиса одновременно взаимодействует с:

электронной почтой;

корпоративными мессенджерами;

системами управления проектами;

аналитическими платформами;

облачными хранилищами;

генеративными AI-сервисами;

специализированными цифровыми агентами.

Проблема заключается не в использовании отдельного инструмента, а в накоплении технологических контуров, между которыми сотрудник вынужден постоянно переключаться.

Исследование Zacher и Rudolph на основе трехлетнего лонгитюдного наблюдения за 1661 сотрудником показывает, что цифровизация рабочего процесса и рабочая нагрузка связаны взаимно: цифровые технологии могут повышать эффективность, но одновременно увеличивать субъективную интенсивность труда и нагрузку на работников [3].

В контексте генеративного ИИ эта проблема приобретает новую форму. Если традиционные цифровые системы в основном требовали от сотрудника ввода и обработки информации, то AI-системы требуют от него дополнительной деятельности по оценке и контролю машинного результата.

Следовательно, цифровая перегрузка в эпоху генеративного ИИ должна рассматриваться не только как избыток информации. Она включает как минимум три компонента (1):

DO=I+S+VDO = I + S + V                                                                                                (1)

где: DO - цифровая перегрузка;

I - информационная нагрузка;

S - нагрузка от переключения между цифровыми системами;

V - нагрузка по проверке и верификации результатов ИИ.

Именно третий компонент становится принципиально важным для современной экономики знаний.

2. Парадокс продуктивности искусственного интеллекта

Традиционно производительность сотрудника можно представить следующим образом (2):

P=O/T ​                                                                                                             (2)

где: O - объем или качество результата;

       T- затраченное время.

Однако в условиях использования ИИ такая модель оказывается недостаточной. Она не учитывает время, которое сотрудник тратит на взаимодействие с цифровой инфраструктурой.

Предлагается рассматривать чистый эффект использования ИИ следующим образом (3):

P_AI= O/ (T_task+T_AI+T_control+T_switch)                                                                                     (3)

где: Ttask ​ - время выполнения основной задачи;

TAI ​ - время взаимодействия с AI-инструментами;

Tcontrol ​ - время проверки результата;

Tswitch ​ - потери времени на переключение между системами.

Главное следствие этой модели состоит в следующем: сокращение времени выполнения основной задачи не обязательно приводит к росту общей производительности.

Например, сотрудник может получить с помощью генеративного ИИ первый вариант аналитического отчета за 10 минут вместо 60 минут. Однако если затем он тратит 40 минут на:

проверку фактов;

сравнение нескольких вариантов ответа;

повторное формулирование запросов;

перенос результата в другие системы;

исправление ошибок,

то чистый эффект технологии будет значительно ниже ожидаемого.

В отдельных случаях использование ИИ может даже увеличить общую продолжительность выполнения задачи.

Данный эффект можно обозначить как AI-productivity paradox: чем больше технологических возможностей доступно сотруднику, тем выше потенциальная производительность, но одновременно тем выше риск возникновения дополнительных издержек координации, контроля и выбора.

Таким образом, зависимость между интенсивностью использования ИИ и производительностью не обязательно является линейной.

Предлагается следующая гипотеза:

H1. Интенсивность использования искусственного интеллекта оказывает нелинейное влияние на производительность сотрудника.

На начальном этапе увеличение интенсивности использования ИИ способствует росту эффективности за счет автоматизации рутинных операций. Однако после достижения определенного уровня возникает эффект снижения отдачи, связанный с ростом цифровой перегрузки.

Графически такая зависимость может быть представлена как перевернутая U-кривая.

3. Механизм возникновения парадокса

Предлагается выделить четыре последовательные стадии воздействия ИИ на продуктивность сотрудника.

Стадия 1. Технологическое усиление

Сотрудник использует ИИ для выполнения задач, которые ранее требовали значительных временных затрат.

Результат: Ttask↓

Производительность возрастает.

Стадия 2. Расширение технологического портфеля

Сотрудник начинает использовать несколько AI-сервисов одновременно. Для различных задач применяются разные инструменты.

На этой стадии возникает иллюзия постоянного роста эффективности:

«Если один AI-инструмент повышает производительность, то пять инструментов должны повысить ее еще сильнее».

Однако это предположение может быть ошибочным.

Стадия 3. Рост издержек контроля

Чем больше задач передается ИИ, тем больше становится объем результатов, которые необходимо проверить.

Возникает парадокс:

автоматизация производства информации увеличивает потребность в человеческой верификации информации.

Особенно это важно для задач, связанных с высокой ценой ошибки: аналитики, финансов, права, управления персоналом и стратегического менеджмента.

Стадия 4. Цифровая перегрузка

На определенном уровне AI-инструменты начинают конкурировать за внимание сотрудника.

Сотрудник уже не просто решает задачу. Он управляет:

несколькими чатами;

несколькими моделями;

различными версиями результата;

цифровыми файлами;

системами хранения;

потоками уведомлений.

В этот момент возникает эффект цифрового посредничества: технология, созданная для сокращения количества операций, становится дополнительным объектом управления.

4. Новая модель оценки эффективности AI

Одной из ключевых проблем современного менеджмента является оценка эффективности искусственного интеллекта через показатели его использования:

количество запросов;

количество созданных документов;

количество автоматизированных операций;

доля сотрудников, использующих AI;

частота взаимодействия с AI.

Однако высокая интенсивность использования не равна высокой эффективности.

Предлагается использовать показатель чистой AI-продуктивности:

N _AP= (B_AI−C_AI)/ T                                                                                                    (4)

где: N _AP - Net AI Productivity;

B _AI ​ - полученный эффект от использования ИИ;

C _AI ​ - совокупные издержки использования ИИ;

T- затраченное время.

При этом (5):

C_AI=C_switching+C_verification+C_coordination+C_learning ​                                                                         (5)

где: C_switching ​ — издержки переключения

Время и усилия, которые сотрудник тратит на переход между разными цифровыми инструментами.

Пример: сотрудник работает одновременно в ChatGPT, Excel, корпоративной системе, браузере и CRM. Ему приходится постоянно переключаться между ними, переносить данные и восстанавливать контекст.

Можно измерять:

количество используемых цифровых инструментов;

количество переключений между ними;

время, затраченное на переход между системами.

C_verification ​ — издержки проверки

Время, необходимое для проверки результата, созданного ИИ.

Это особенно важно, поскольку генеративный ИИ может создавать убедительные, но ошибочные ответы.

Пример: ИИ написал аналитический текст за 5 минут. Но сотрудник еще 20 минут:

проверяет факты;

перепроверяет цифры;

ищет источники;

исправляет ошибки;

проверяет соответствие результата задаче.

В некоторых случаях:

Tverification>Tgeneration ​

То есть проверка результата занимает больше времени, чем его создание.

3. C_coordination ​ — издержки координации

Время и усилия на организацию взаимодействия между человеком, ИИ и другими участниками процесса.

Пример:

ИИ подготовил первый вариант отчета. Затем:

1. сотрудник дорабатывает его;
2. передает коллеге;
3. коллега вносит изменения;
4. сотрудник снова использует ИИ;
5. руководитель просит изменить структуру;
6. результат снова возвращается к сотруднику.

Чем больше участников и цифровых систем вовлечено в процесс, тем выше координационные издержки.

4. C_learning ​ — издержки обучения

Время и усилия, необходимые для освоения новых AI-инструментов.

Например:

изучение новых функций;

обучение работе с новым сервисом;

освоение новых способов формулирования запросов;

понимание ограничений модели;

адаптация к обновлениям системы.

Особенно важно, что AI-инструменты быстро меняются. Поэтому обучение становится не разовой инвестицией, а постоянными издержками.

Таким образом, реальная эффективность ИИ определяется не количеством операций, переданных системе, а разницей между полученным результатом и стоимостью взаимодействия с технологией. В этом состоит одно из ключевых отличий предлагаемого подхода от традиционной логики цифровой трансформации. Главный управленческий вопрос должен звучать не так: «Использует ли сотрудник искусственный интеллект?», а так: «Создает ли использование искусственного интеллекта дополнительную чистую ценность после учета затрат на контроль и координацию?»

5. Роль AI-компетентности и организационного дизайна

Описанный парадокс не означает, что увеличение использования ИИ неизбежно приводит к снижению производительности. Важную роль играют два фактора.

Первый фактор — AI-компетентность сотрудника.

AI-компетентность включает не только умение формулировать запросы. Она предполагает способность:

понимать ограничения модели;

выбирать подходящий инструмент;

оценивать надежность результата;

определять необходимость человеческой проверки;

интегрировать AI в существующий рабочий процесс.

Поэтому два сотрудника, использующие один и тот же инструмент с одинаковой частотой, могут демонстрировать принципиально разную производительность.

Второй фактор — организационная интеграция AI.

Если сотрудник самостоятельно использует пять несвязанных между собой инструментов, возникает цифровая фрагментация.

Если же AI встроен в единый организационный контур, то сокращаются:

потери на переключение;

дублирование информации;

повторная загрузка данных;

необходимость ручной передачи результатов между системами.

Отсюда следует вторая гипотеза:

H2. AI-компетентность сотрудника ослабляет отрицательное влияние цифровой перегрузки на производительность.

И третья:

H3. Организационная интеграция AI-инструментов смещает точку перехода от положительного к отрицательному эффекту интенсивности использования ИИ.

Предлагаемая концептуальная модель может быть представлена следующим образом: AI Intensity→Digital Overload→Productivity

При этом: AI Competence и Organizational Integration выступают модераторами данной зависимости.

Иными словами, вопрос заключается не в том, сколько ИИ используется, а в том, насколько эффективно организована система взаимодействия человека и ИИ.

Выводы

Проведенный анализ позволяет сформулировать несколько выводов. Во-первых, традиционная идея о прямой связи между цифровизацией и ростом производительности требует пересмотра. В случае генеративного искусственного интеллекта увеличение технологических возможностей может сопровождаться ростом дополнительных издержек контроля, выбора и координации.

Во-вторых, цифровая перегрузка в условиях AI-трансформации приобретает новое содержание. Она возникает не только вследствие избытка информации, но и вследствие необходимости постоянно взаимодействовать с множеством интеллектуальных систем и проверять создаваемые ими результаты.

В-третьих, использование искусственного интеллекта должно оцениваться через показатель чистой продуктивности, учитывающий не только выгоды автоматизации, но и скрытые издержки взаимодействия с технологией.

В-четвертых, научная новизна предлагаемого подхода заключается в обосновании нелинейного характера связи между интенсивностью использования ИИ и производительностью сотрудника. Предполагается, что первоначально использование AI повышает эффективность, однако после определенного уровня может запускаться механизм цифровой перегрузки.

Таким образом, современная управленческая проблема заключается не в недостаточном внедрении искусственного интеллекта, а в риске его избыточного и неинтегрированного использования.

Главный вывод может быть сформулирован следующим образом:

AI не обязательно делает сотрудника более продуктивным. Он делает его потенциально более продуктивным — при условии, что организация управляет не только внедрением технологии, но и совокупной сложностью цифровой среды.

В этой связи перспективным направлением дальнейших исследований является эмпирическая проверка инвертированной U-образной зависимости между интенсивностью использования ИИ и производительностью сотрудников, а также разработка методики измерения чистой AI-продуктивности на уровне отдельных работников и организационных подразделений.