Естественный интеллект — раньше искусственного

AI часто появляется в продуктовой работе не там, где его действительно ждёт задача, а там, где появился новый инструмент. Команда видит впечатляющую демо-версию, открывает чат, подключает API — и только потом пытается понять, что именно улучшает.

Я предлагаю двигаться в обратную сторону: сначала естественный интеллект, потом искусственный.

Сначала человек должен назвать проблему, сформулировать гипотезу, определить критерий хорошего результата и цену ошибки. Только после этого имеет смысл выбирать: нужен ли здесь AI, обычная автоматизация, ручной процесс или вообще ничего нового.

Это не осторожность ради осторожности. Для AI-систем контекст, риски, последствия и способ человеческого контроля зависят от конкретного применения; универсального «можно / нельзя» не существует.^[1]

Не «где применить AI», а «какой прогресс нужен человеку»

Плохая начальная формулировка звучит так:

«Давайте добавим AI в онбординг».

Она уже содержит решение, но не объясняет проблему.

Полезнее начать с четырёх вопросов:

1. Кто и в какой ситуации пытается продвинуться? Не сегмент в презентации, а конкретный контекст: что происходит, что мешает, какие альтернативы уже есть.
2. Какое действие или решение сейчас слишком дорого, долго, непонятно или недоступно?
3. Что будет считаться хорошим результатом для человека — не для модели?
4. Что произойдёт, если система ошибётся? Неловкий текст в черновике, неверная рекомендация, потерянные деньги, риск для здоровья или репутации — это разные классы задач.

Пока нет ответа на эти вопросы, разговор об инструментах почти всегда преждевременен.

Шесть признаков задачи, которую стоит проверять с AI

AI не обязан быть центром продукта. Иногда он уместен как маленькая часть процесса: помогает разобрать массив обратной связи, подготовить варианты, классифицировать документы или сделать первый черновик.

1. Есть повторяющийся объём работы

Процесс происходит регулярно: люди читают похожие материалы, ищут информацию в массиве документов, группируют обращения, готовят первые версии текстов или решений. Один эффектный разовый запрос — ещё не процесс.

2. Есть доступ к качественным входным данным

Модель не создаёт надёжный контекст из пустоты. Нужны документы, данные, правила, примеры хорошего и плохого результата, а также понятные ограничения. Если входные данные случайны или скрывают главное, AI может лишь сделать ошибку быстрее и убедительнее.

3. Результат можно проверить

До запуска полезно назвать проверку: что именно посмотрит человек, по каким признакам отличит полезный результат от вредного или бесполезного, где можно остановить процесс. NIST отдельно выделяет валидность, надёжность, прозрачность и человеческое суждение при выборе метрик как важные характеристики работы с AI.^[1]

4. Понятна цена ошибки

Если ошибка обратима и заметна — например, неудачный вариант заголовка или черновик структуры, — автоматизацию можно проверять быстрее. Если ошибка затрагивает деньги, здоровье, персональные данные, права человека или необратимое решение, требования к проверке и роли человека должны быть существенно выше.

5. Есть человек, который принимает итоговое решение

«Human in the loop» — не декоративная фраза. Нужно заранее определить, кто проверяет результат, в какой момент, с какими полномочиями и что происходит при сомнении.

6. Есть простая альтернатива

Спросите: можно ли решить задачу шаблоном, фильтром, хорошей формой, поиском, регламентом или обычной автоматизацией? Если да — их стоит сравнить с AI не по модности, а по качеству, стоимости поддержки, скорости и риску.

Три ситуации, когда лучше остановиться

Проблема не сформулирована

«Нам нужно что-то с нейросетью» — это не задача. Пока не определён пользовательский прогресс, AI становится способом производить активность, а не ценность.

Результат невозможно проверить

Если команда не может объяснить, какой ответ считать полезным, какие ошибки недопустимы и как они будут обнаружены, запускать автоматизацию рано. Сначала нужен способ оценивать качество — хотя бы ручной.

Автоматизация маскирует организационную проблему

Иногда процесс долгий не потому, что в нём много рутины, а потому, что нет владельца решения, не договорились о критериях или входные данные развалены по разным источникам. В таком случае AI не исправит систему: он встроится в её неопределённость.

Минимальный маршрут до выбора инструмента

1. Опишите ситуацию пользователя. Что он пытается сделать, в каком контексте и что мешает?
2. Соберите факты. Интервью, обращения, логи, документы, наблюдения — отделите их от догадок команды.
3. Сформулируйте одну проверяемую гипотезу. «Если мы изменим X для Y, то увидим Z, потому что…».
4. Определите минимальный тест. Ручной процесс, прототип, правило, обычная автоматизация или AI-функция — выберите самый дешёвый способ уменьшить неопределённость.
5. Задайте критерий результата и стоп-условие. Что будет считаться успехом, вредом или неинформативным результатом?
6. Только теперь выберите инструмент. Возможно, это AI. Возможно, нет.

Эта логика лежит в первых шагах C.R.E.A.T.E.: Context помогает сформулировать проблему и ограничения, Research — отделить наблюдения от предположений, Elaboration — превратить их в проверяемую гипотезу и минимальный тест.

Где AI действительно полезен на раннем этапе

AI хорошо работает как ускоритель мысли и рутины, когда у человека уже есть материал для работы. Например, он может:

• сгруппировать массив пользовательских цитат, не заменяя чтение исходных данных;
• предложить варианты JTBD, гипотез или сценариев, которые команда затем отберёт;
• превратить согласованные требования в черновик структуры, плана или списка задач;
• найти противоречия и незаполненные поля в документе;
• подготовить несколько вариантов текста или интерфейсного сценария для теста.

Во всех этих сценариях AI не получает права объявлять вывод истинным. Он готовит материал для решения.

Что остаётся за человеком

Человек определяет:

• какую проблему вообще стоит решать;
• какие данные достаточно надёжны;
• какую ошибку можно принять, а какую — нет;
• что считать справедливым, безопасным и уместным в данном контексте;
• когда эксперимент остановить;
• стоит ли выкатывать результат пользователям.

AI может участвовать в каждом из этих шагов как собеседник, исследовательский ассистент или генератор вариантов. Но ответственность не переносится на инструмент.