У меня за последнее время много историй на эту тему. Один из буквально последних кейсов: по запросу заказчика …

У меня за последнее время много историй на эту тему. Один из буквально последних кейсов: по запросу заказчика я проходила оценку как кандидат на позицию HRD - тесты, интервью с ассессором, потом подробный отчёт с цифрами и выводами по компетенциям. И поскольку оценкой руководителей я сама занимаюсь много лет, у меня довольно быстро появились вопросы: что именно измеряет методика, каким образом из конкретного показателя получился вывод про коммуникацию, делегирование или управленческий уровень, почему часть устной обратной связи не очень стыкуется с итоговыми оценками, где заканчивается результат тестирования и начинается интерпретация человека. Использовался там ИИ или нет, для меня вопрос десятый. Если на основании этой оценки принимается решение о руководителе, меня гораздо больше интересует, насколько вообще обоснован вывод и кто готов за него отвечать. С карьерными и управленческими ревью та же история. Сейчас ИИ вполне способен собрать очень убедительный профиль человека: сильные стороны, ограничения, целевые роли, риски, карьерную траекторию, список компаний, позиционирование и стратегию выхода. Только прежде чем такой профиль появляется у меня, я несколько часов разговариваю с человеком, разбираю его карьерную историю, решения, цифры, масштаб ответственности, собственный вклад, ошибки, мотиваторы и ограничения, потом смотрю рынок и людей, с которыми он будет конкурировать. Потому что подробно проработанный профиль ещё не означает, что человека действительно поняли. Иногда это просто очень хорошо оформленная гипотеза. И если она неправильная, человек потом месяцами идёт по рынку не туда. Я буквально недавно писала ещё об одном прекрасном кейсе. Генеральный директор взял мою функциональную стратегию, прогнал её через GPT и вернул большой список совершенно правильных вопросов про причинно-следственные связи, валидацию и недостаточность данных. Я загрузила его разбор в свой GPT, отделила содержательные вопросы от тех, которые появились просто потому, что модель не знает контекста бизнеса, подняла исходные данные, проверила цифры, часть пересчитала в Excel и вернула ответ. После чего он загрузил мой ответ обратно в свой GPT. В какой-то момент два искусственных интеллекта уже вполне успешно спорили друг с другом, а два человека работали курьерами. Продолжать можно практически бесконечно. Только бизнесу от количества умных вопросов лучше не становится, пока кто-то живой не разберётся в ситуации, не примет решение и не начнёт за него отвечать. Вот это для меня и есть инфляция экспертности. Не то, что стало много ИИ-текстов. Это вообще самое безобидное. Стало очень легко выглядеть так, будто ты умеешь то, чего никогда не делал, понимаешь то, чего сам не разбирал, и имеешь собственную позицию там, где вчера просто прочитал несколько чужих. А главное - можно много раз получить хороший результат с помощью ИИ и так и не приобрести навык получить его самому. Потому что опыт появляется не от количества сделанных документов. Он появляется там, где ты сам строил гипотезу, ошибался, видел последствия, менял решение, снова проверял и постепенно начинал понимать, где инструмент работает, а где нет. И, возможно, именно поэтому главный дефицит ближайшего времени будет вообще не в знаниях и не в информации. Их стало слишком много. Дефицитом становится доказанная экспертиза. Не умение красиво рассказать, что ты знаешь, а способность показать, откуда это знание взялось. Какие проекты за ним стоят. Какие ошибки. Какие неработающие гипотезы. Какие инструменты. Что человек делал сам. Как принимал решение. Почему выбрал именно такой путь. Что произошло после. Что он понял из собственной ошибки и что теперь сделает иначе. Раньше задача была получить достаточно информации, чтобы принять решение. Теперь задача - не утонуть в информации, которая выглядит достаточной. Потому что получить умный ответ теперь действительно очень легко. Понять, правильный ли он, всё ещё работа.