Современные компании все чаще делают попытки использовать (ИИ) для повышения эффективности деятельности, сокращения затрат и улучшения качества решений. ИИ все активнее внедряется в рабочие практики, при этом данных о фактически достигнутых результатах не так уж много. 

Искусственный интеллект – это наука и технология создания интеллектуальных машин, интеллектуальных компьютерных программ. Впервые термин был предложен Джоном Маккарти на конференции в Дартмутском университете в 1956 году, он обозначал целый спектр технологий, которые позволяют машинам имитировать человеческий интеллект, включая логику, наборы правил, машинное обучение и глубинное обучение. 

Искусственный интеллект является наиболее общим термином, охватывающим любые машины, системы, стремящиеся имитировать интеллект человека. Сегодня ИИ интегрируется практически во все сферы деятельности человека, в том числе в технологические процессы крупных компаний. Однако внедрение новых технологий в рабочие процессы не всегда проходит гладко, и одним из основных барьеров для эффективного использования ИИ является человеческий фактор. 

Цель исследования – анализ влияния человеческого фактора на успешность внедрения ИИ в крупных компаниях, нацеленных на решение технологических задач, выявление барьеров, связанных с человеческим фактором, и поиск путей их преодоления для эффективного использования искусственного интеллекта в области управления персоналом. Наше исследование было сфокусировано на нефтегазовых и нефтесервисных компаниях, занимающихся разведкой углеводородов, разработкой месторождений, добычей нефти и газа как в России, так и на Ближнем Востоке (страны Персидского залива). 

В исследовании приняли участие несколько крупных компаний из России и стран Ближнего Востока (ОАЭ, Кувейт, Саудовская Аравия), осуществляющих разные виды деятельности в нефтегазовой отрасли: 

• Крупная российская газовая компания с численностью штата более 17 тыс. человек
• Крупная частная российская нефтяная компания с численностью персонала более 100 тыс. человек
• Российский буровой подрядчик с численностью сотрудников 2,5 тыс. человек
• Крупная российская нефтяная компания с численностью штата более 300 тыс. человек
• Крупная нефтяная компания Ближнего Востока с численностью работников более 50 тыс. человек
• Крупная нефтяная компания Ближнего Востока с численностью персонала около 10 тыс. человек
• Крупная нефтяная компания Ближнего Востока с численностью штата более 60 тыс. человек

Для анализа влияния ИИ на HR-практики применялись следующие методы: 

• 16 экспертных интервью со стейкхолдерами и руководителями проектных групп, занимающихся внедрением ИИ в собственных компаниях
• 5 экспертных интервью с внешними консультантами, участвующими в реализации проектов по внедрению ИИ в компаниях заказчиков
• 15 глубинных интервью с участниками рабочих групп, в подразделениях которых внедряется ИИ в настоящее время
• анализ данных. Составлен и проанализирован массив данных компаний, включающий технические задания на внедрение ИИ, отчеты по внедрению ИИ, успешные кейсы и проблемные ситуации, связанные с ИИ

В ходе исследования были выявлены основные группы проблем: 

Команды не обучены правильному взаимодействию и общению с ИИ 

Как отмечают эксперты, часто при реализации пилотных проектов, связанных с внедрением ИИ, от сотрудников начинают требовать наличия новых цифровых компетенций, для формирования которых не было организовано необходимое обучение. Члены проектных групп зачастую не понимают ни целей и задач реализуемого пилотного проекта, ни возможностей ИИ, не знают, как правильно определить эффективность его внедрения. В результате уменьшается вовлеченность участников проектных команд в работу, утрачивается доверие к инструментам ИИ. Другой узкий момент – это недостаток знаний или уделение недостаточного внимания обучению, вследствие чего сотрудник не знает, как правильно ставить задачи искусственному интеллекту. Итогом этого становится ситуация «Trash на входе – Trash на выходе»: сотрудники, не обладая нужными знаниями, умениями и навыками, загружают запросы и получают некорректные решения, что в конечном итоге снижает степень доверия к ИИ. 

Команды, которые внедряют ИИ в рамках реализации пилотных проектов, часто не готовы к новым условиям работы 

В условиях стремительного внедрения ИИ многие команды сталкиваются с серьезными вызовами, обусловленными недостаточной готовностью к изменениям в рабочих процессах. Современные сотрудники часто продолжают действовать на основе устаревших методов, которые не учитывают активное применение ИИ. Кроме того, в ходе внедрения ИИ круг обязанностей сотрудников возрастает: в дополнение к работе, выполняемой в рамках своей зоны ответственности, приходится выполнять дополнительные функции, такие как разметка данных, постоянный мониторинг систем с оценкой качества. Дополнительная нагрузка в виде формирования отчетной документации также отнимает значительное количество времени и сил и не вознаграждается должным образом. Такой подход не только дестабилизирует привычные рабочие процессы, но и негативно влияет на мотивацию сотрудников. Возникает ощущение перегруженности и недостатка ресурсов для успешного выполнения как привычных задач, так и новых, что в конечном итоге может привести к ухудшению качества работы и высокой текучести кадров. Необходима предварительная подготовка команд, создание четких инструкций и внедрение методик, а также психологическая поддержка сотрудников на этапе адаптации к новым условиям работы с ИИ. 

Еще один значимый аспект – это потеря связи между бизнес-процессами и внедрением искусственного интеллекта. Часто сотрудники организации абстрагируют ИИ от основных операций, не учитывая, что успешное применение технологий требует их глубокого интегрирования в существующие процессы. Без понимания контекста, в котором работает ИИ, его результаты могут оказаться неуместными или неэффективными. Это приводит к формированию изолированных решений, которые не решают задачи бизнеса, что, в свою очередь, снижает общее восприятие ИИ как эффективного инструмента. 

Разделение ответственности с ИИ за принятые решения 

Следующий пункт вытекает из двух предыдущих – стремление персонала к разделению ответственности за принятые решения с ИИ. В ситуациях, когда сотрудники, с одной стороны, не понимают цели и задачи, которые может и должен будет решать ИИ, а с другой – не имеют навыков грамотной постановки задач, у них возникает ложное ощущение, что ИИ будет за них все решать и за все отвечать. Это обуславливает их пассивное отношение к работе и снижение личной ответственности. Сотрудники начинают смотреть на ИИ как на волшебную палочку, способную решить любую проблему, не вникают в подробности и не предпринимают самостоятельных шагов к решению задач. В такой среде возрастает риск ошибок, так как человек отстраняется от процесса принятия решений и полагается исключительно на машину. Поэтому важно не только сформировать у персонала навыки взаимодействия с искусственным интеллектом, но и развить способности правильно формулировать запросы, критически оценивать результаты и нести ответственность за конечный результат. Только в таком случае можно достичь эффективной синергии между человеческим и машинным интеллектом, что приведет к более высоким достижениям и минимизации рисков. 

У руководства часто нет конкретных целей использования искусственного интеллекта 

Руководящие сотрудники зачастую ставят цель именно внедрить ИИ, а не решить с его помощью какую-то технологическую задачу. В результате внедрение инструмента становится самоцелью, а это означает, что экономический эффект с применением такого подхода организацией достигнут не будет. Отсутствие четких критериев успешности и неуспешности работы ИИ затрудняет принятие решений и оценку эффективности внедрения технологий. Классические метрики оценки качества математических алгоритмов неприменимы к оценке работы информационных систем, созданных на их основе. Кроме того, валидировать работу систем, применяемых для предсказания событий, и вовсе проблематично. Это требует разработки новых подходов и методов измерения, которые учитывают специфику работы систем искусственного интеллекта, а также их влияние на бизнес-процессы и достижение стратегических целей организации.

Деструктивная конкуренция с ИИ 

Успешное внедрение ИИ также требует изменений в корпоративной культуре. Неготовность сотрудников к изменениям может вызывать сопротивление, опасения и даже страх перед возможной потерей рабочих мест. Необходимость адаптации к новым условиям работы, освоения навыков взаимодействия с ИИ и перестройки привычных процессов приводит к ожиданию негативных последствий. Этот культурный барьер становится еще одним препятствием на пути к эффективному развитию и применению технологий искусственного интеллекта в организации. 

Недобросовестные подрядчики 

Ввиду актуальности темы искусственного интеллекта многие компании выходят на рынок, не имея разработанных технологий, при этом позиционируют себя как имеющие портфель ИТ-продуктов. Такие компании рассчитывают заключить договор и только после этого начать разработку технологических решений, однако не представляют, какое количество времени и ресурсов на это потребуется. Компании-заказчики, столкнувшись с недобросовестными партнерами, оказываются в ситуации, когда ресурсов на реализацию проекта затрачено в разы больше запланированного количества, сроки не соблюдаются и результат не достигнут. Это подрывает доверие и к искусственному интеллекту как таковому, и ко всем другим компаниям-разработчикам. По мнению экспертов, преувеличивать уровень развития технологий свойственно не только маленьким организациям-разработчикам, но и достаточно крупным именитым корпорациям. 

Такая практика особенно распространена в новых, быстроразвивающихся отраслях, где порог входа относительно низок, а возможности получения быстрых денег значительны. Компании, вступающие в борьбу за место на рынке, часто забывают об этических стандартах и берутся за реализацию проектов, не обладая должной компетентностью. В результате заказчик подчас попадает в затруднительное положение, его вложения не оправдываются. 

Риск неудачи увеличивается из-за недостаточных знаний и отсутствия реальной экспертизы у подрядчиков. Основные проблемы, с которыми сталкиваются заказчики, – это несоответствие разработки фактическим требованиям, непрозрачность процесса выполнения проекта и нереалистичные обещания по срокам и результатам.