Недавно на одном европейском HR-tech митапе поговорила с коллегами из AI-first компаний. По его следам и решила собрать пост о том, что сегодня обсуждают эйчары. Это набор вопросов без готовых ответов — над ними я и сама сейчас много думаю и пытаюсь искать решения вместе со своими командами.
Кстати, руководителям бизнесов и лидам команд это тоже полезно держать в поле зрения, оно тут к нам всем относится.
⚡️ Как мотивировать AI-энтузиастов?
Многие команды постепенно перестраиваются в tiny teams — маленькие быстрые команды, усиленные ИИ-агентами. И это начинает менять саму логику мотивации. Если один человек с агентами теперь делает работу троих — как это учитывать? Должна ли система performance review оценивать уровень AI adoption у руководителей и сотрудников? И как признавать тех, кто реально перестраивает процессы и увеличивает производительность?
Есть и более неудобный вопрос: человек, который научился выстраивать вокруг себя систему AI-агентов и кратно ускорять собственную работу, сможет объективно работать не пять дней, а, например, два. Что происходит с оставшимися — вторая работа, свои проекты, другая компания? Мы как руководители вобщем-то можем об этом даже и не узнать. И тогда возникает новая дилемма: как мотивировать не только эффективность, но и лояльность — и не вырастим ли мы сами рынок «сверхэффективных фрилансеров внутри корпораций»?
⚡️ Как встроить AI в корпсреду?
Практики обучения в AI-first компаниях похожи: внутренние промпт-библиотеки для разных профессий, живое обучение работе с агентами, AI-амбассадоры, demo days с реальными кейсами. Но если честно, повседневное использование AI пока везде выглядит довольно лоскутно и чаще держится на инициативе конкретных людей, а не на системной среде. Если говорить про Яндекс, то исключением из этого у нас является разработка: у инженеров code-ассистенты уже встроены в ежедневную работу, их внедрение измеряется, есть дешборды и понятная общая инфраструктура. А что касается, например, профессии менеджеров — фоллоуапы встреч, документы, процессы, трекеры, аналитика — то здесь пока преобладают локальные решения и самописные агенты.
⚡️ Как агентам коммуницировать между собой?
Что произойдёт, когда каждый сотрудник будет усилен собственным набором ИИ-агентов? Если люди синкаются, передают контекст и договариваются, то как это будут делать агенты? Если каждый из нас запилит помощника только под свои задачи, как обеспечить его коммуникацию с агентами других членов команды?
⚡️ Как считать единицы затрат?
Раньше экономика функции считалась просто: количество сотрудников, зарплаты, офис, бонусы. Теперь всё сложнее: как учитывать стоимость AI-агентов, токенов, инференса, подписок? И главный вопрос — что становится новой единицей эффективности: сотрудник + токены? Кажется, CFO будут одинаково внимательно смотреть и на payroll, и на token spend.
⚡️ Что делать людям, которые правда любят ремесло — «крафтовую» часть своей работы?
Есть профессии, где люди любят само ремесло: инженеры — писать код, дизайнеры — рисовать, редакторы — подбирать нужную интонацию, перебирая слова. Теперь многим приходится становиться скорее менеджерами агентов, чем ремесленниками. Для кого-то это освобождение, а для кого-то — почти потеря части идентичности и романтики профессии: «Мне нравилось делать руками, а теперь моя работа — проверять работу машины». Кажется, эмоциональную сторону этой трансформации мы пока сильно недооцениваем.
⚡️ Как и чему учить джунов? И что делать системе образования?
Грядёт парадокс: чтобы быть сильным джуном, теперь нужно почти сразу мыслить как мидл — уметь формулировать задачу, критически проверять результаты работы ИИ и видеть всю систем целиком. И тогда вопрос уже не только к работодателям, но и к образованию: чему учить, если знание стремительно дешевеет, а способность принимать решения становится дороже?
Не претендую на полноту списка — дополняйте!