Сотрудник экономит два часа на подготовку отчета с помощью ИИ — а его руководитель потом тратит три часа, чтобы разобраться, что в этом отчете вообще написано и можно ли этому верить. Gartner назвал это явление workslop: обилие быстрой, но негодной работы, сделанной с помощью ИИ. Это происходит не потому, что ИИ плохой, а потому, что сотрудников подталкивают применять его как можно шире, не оставляя времени оценить, подходит ли результат для реальной задачи. Разбираем, почему гонка за скоростью бьет по качеству и что с этим может сделать HR.
Что такое workslop
Термин придумали исследователи из BetterUp и Stanford. Они опросили больше тысячи офисных сотрудников в США и выяснили, что 40% из них сталкивались с workslop (низкокачественный контент, от англ. work — «работа» и slop — «мусор», «помои») за последний месяц. При этом на разбор одного такого случая уходит в среднем почти два часа — кто-то должен понять, что вообще имел в виду ИИ, и переделать работу заново.
Для компании из 10 000 человек это выливается больше чем в 9 миллионов долларов потерянной продуктивности в год. Workslop — это не только про низкое качество результата, но еще и привычка выдавать работу ИИ за свою собственную, что постепенно становится нормой. Gartner подхватил термин и внес его в список ключевых трендов 2026 года для директоров по персоналу.
Проблема не ограничивается потерянными часами. Коллеги, получившие workslop, начинают меньше доверять отправителю — так ответили 42% опрошенных, а треть вообще не хочет работать с ним снова. Больше половины опрошенных стали считать таких коллег менее творческими и надежными, чем раньше, показало то же исследование BetterUp и Stanford. То есть цена workslop — это не только чужие два часа на переделку, но и подорванная репутация внутри команды, которую не восстановить одним извинением.
В России каждый четвертый сотрудник уже использует нейросети на работе, при этом базовых ИИ-навыков от работников ожидают 60% работодателей, свидетельствует исследование hh.ru. Но декларирование и навыки — разные вещи. Именно в этом разрыве и рождается workslop — руководители требуют результата, а команда еще не умеет добиваться того, чтобы этот результат можно было использовать.
Gartner прогнозирует, что больше 40% проектов с агентным ИИ свернут к 2027 году из-за неясной ценности и слабого управления. Аналитики компании советуют не замедлить внедрение ИИ, а внедрять его туда, где он реально нужен: направлять его возможности не в быстрые победы, а в самые трудоемкие участки работы.
Почему скорость внедрения не равна результату
Главная ошибка — внедрять ИИ, не трогая процессы и не развивая людей. Команда, которая уверенно работает с одним ИИ-инструментом, не обязательно так же легко освоит другой. Оптимизация отдельных задач тоже не дает ни роста, ни экономии — ценность появляется там, где переосмысляют процесс целиком, а не подкручивают его отдельные шестеренки, подчеркивают в Gartner.
Выигрывают не те, кто быстрее всех внедрил модного ИИ-агента, а те, кто умеет перепроектировать процесс целиком.
Разница на практике выглядит так:
Одна команда просит ИИ быстрее составлять документы, но оставляет прежним весь остальной процесс — и получает те же сроки, только с более гладким текстом.
Другая пересматривает сам процесс с учетом того, что теперь может делать ИИ, — и здесь уже меняются сроки, а не только формулировки.
Например, по данным «Технологий Доверия» и Knomary, 44% отечественных компаний уже применяют ИИ в HR-процессах. Но большинство тестирует инструменты на отдельных участках, а не перестраивает процесс полностью.
Развитие компетенций как главная ценность
Прежде чем масштабировать ИИ, нужно понимать, какими навыками реально владеют команды и где провалы. Иначе компания инвестирует в технологию, но не в людей, которые должны ей пользоваться, а без этих людей зрелость не растет, сколько бы денег ни вложили.
Некоторые российские компании уже выстраивают этот процесс системно. Например, в одной из крупных промышленных российских компаний ИИ-алгоритм оценивает, насколько сотрудник усвоил учебный материал. И, если результаты слабые, сам предлагает дополнительные модули — не дожидаясь, пока пробел проявится в реальной работе.
Что сделать, чтобы усилить ИИ-компетенции сотрудников?
Первый шаг — определить реальный уровень владения ИИ-инструментами и критическим мышлением (!) в командах. И только потом масштабировать использование ИИ дальше.
Второй шаг — развивать точечно под выявленные пробелы, а не обучать всех подряд ИИ на всякий случай. Массовое обучение без диагностики дает тот же эффект, что и массовое внедрение ИИ без развития людей.
Третий шаг — оценивать регулярно, чтобы вовремя заметить, растет ли зрелость команд вместе с инвестициями в ИИ, или инвестиции просто утекают в песок.
Оценка компетенций здесь работает как диагностика перед лечением, а не формальность для отчета, которую делают раз в год и убирают в стол. Такие инструменты, как Мираполис HCM и Мираполис Таланты, показывают реальный уровень владения ИИ и критического мышления в командах и помогают найти провалы, которые нужно закрыть до масштабирования.
Главные выводы
Компании, которые сейчас гонятся за скоростью внедрения, рискуют получить дорогую иллюзию продуктивности — больше документов, меньше смысла. Если людям не хватает навыков оценить и доработать результат ИИ, технология вместо помощника превращается в проблему (ведь кто-то должен разгребать то, что произвел алгоритм). Те, кто сначала вкладывается в развитие людей, а потом масштабирует ИИ, получают обратный результат — меньше шума и больше решений, которые действительно можно использовать без переделки.
