Чому AI робить сильні команди сильнішими, а слабкі — слабшими

Мене звати Олександра Бернацька. Я продакт-лід у бізнесі Edlight холдингу Boosta й очолюю R&D-команду, яка створює AI-продукти для освітнього ринку США й не тільки. 

Якщо чесно, я вже пройшла типовий емоційний маршрут навколо AI: спочатку — «закоханість» (коли AI хочеться долучити буквально до всього — від фіч до внутрішніх процесів), потім — «ненависть» (галюцинації, зламані інтеграції, «виглядає розумно, але веде не туди») та врешті — прагматизм. 

Бо AI — не магія й не катастрофа, а потужний інструмент, але такий, що дуже швидко проявляє одну незручну закономірність. У тексті розберу детально, про що йдеться.

Незручна теза, яку мало хто любить

AI не робить команди сильними, натомість показує, чи вони вже були сильними. Ми звикли говорити про AI як про «швидше / більше / дешевше», однак на практиці він проникає глибше: у те, як команда мислить, як ухвалює рішення, як тримає контекст і як бере відповідальність.

Ті самі інструменти й моделі можуть дати різні наслідки:

Мені стало цікаво, що саме відрізняє ці команди — не за доступом до інструментів, а на рівні мислення. Щоб вийти за межі особистих спостережень, я зробила внутрішнє опитування команди.

Результати внутрішнього опитування команди

В опитуванні взяли участь 24 респонденти з кросфункціональних ролей: розробка, QA, продакти й менеджмент, аналітика/data, маркетинг, дизайн, сапорт, ops, sales.

У фокусі було три запитання:

Я також попросила оцінити, наскільки часто AI з’являється в щоденній роботі. Адже «іноді користуюся» й «без нього вже незручно працювати» — це принципово різні сценарії.

Результати опитування вийшли такими:

Один із очевидних висновків — це те, що команда живе не за AI-політиками, а за культурою й домовленостями. Проте коли швидкість і кількість рішень зростає, цього вже недостатньо, адже AI починає підсвічувати слабкі місця, й інтуїтивні домовленості більше не витримують навантаження.

Коли AI стає частиною щоденної роботи, питання відповідальності вже не можна лишати тільки відчуттям.

Підписуйтеся на наші соцмережі

Тому я пропоную просту модель розподілу ролей:

Важливо зрозуміти, що AI не знімає відповідальність — її однаково несе команда. Питання лише в тому, щоб чітко проговорити й розподілити її між ролями. Для цього потрібно добре розуміти, де саме AI допомагає, а де створює ризики й помилки. 

Саме ці моменти й проявилися у відповідях команди. Розберімо детальніше, які проблеми в роботі з AI найчастіше виникають на практиці.

Як люди описують роботу з АІ

Найцікавіше те, як люди описують AI. Вони майже не говорили, що AI зробив завдання за них, натомість повторювали, що він допомагає:

Тобто AI в багатьох ролях працює як когнітивний помічник, ніби другий мозок, що знімає тертя мислення, а не робить усе замість людини. Звідси й важливий висновок: головні ризики тоді теж не технічні, вони когнітивні.

Коли AI починає ламати роботу

З відповідей команди видно кілька типових проблем у роботі з AI:

Проблема не лише в помилках моделі. AI ламає роботу інакше: він знижує рівень критичного мислення, маскує складність і створює ілюзію завершеності. 

Три типові пастки в роботі з AI

1) AI сильний у типовому — слабший в унікальному

AI добре знає «як зазвичай», але ваш продукт майже ніколи не виглядає типово. На практиці це проявляється як логічне, структуроване, але усереднене рішення, яке не покриває невидиму частину айсберга: контекст, борг, домовленості, обмеження.

2) AI переносить зусилля, а не прибирає їх

Замість написання з нуля з’являється інша робота: розібратися, перевірити й виправити. Розробники часто описують це як «розкопки чужого коду». І ось чому 54,2% команди доводилося розгрібати результат: швидкий старт може дорого коштувати на фініші. 

Найчастіше з цим стикаються технічні ролі — розробники та QA. Саме там AI найглибше заходить у складні й контекстні завдання: у код, логіку, сценарії, edge cases. AI добре закриває старт і дає відчуття готового рішення, але потім вимагає ревʼю, переписування й доведення до реальності.

Натомість у продактів, менеджменту й сапорту «розгрібання» трапляється значно рідше — не тому, що AI там кращий, а тому, що його рідше пускають у фінальні рішення. У цих ролях AI частіше залишається на рівні чернетки або інструмента мислення. 

Загальний патерн простий: що глибше AI інтегрують у складну логіку й виконання, то частіше доводиться розгрібати результат; що чіткіші межі використання — то менше цього болю.

3) Переконливі помилки

AI помиляється так правдоподібно, що у вас не вмикається внутрішній тригер сумніву. В опитуванні прямо звучить: «виглядає правильно, але не працює», адже з’являються помилки в цифрах, видно застарілі підходи, часто неврахований контекст. 

Особливо це помітно в задачах із даними. Наприклад, дата-аналітики часто використовують AI, щоб швидше написати SQL-запит або побудувати модель. Але потім доводиться витрачати години на перевірку результату: проганяти дані ще раз, перевіряти розрахунки, звіряти метрики. 

Головна проблема: AI зменшує ймовірність, що ви помітите помилку вчасно — бо відповідь виглядає логічною, структурованою й достатньо правильною.

Чого командам насправді бракує в роботі з AI

В опитуванні я також запитала, чого командам найбільше бракує, коли AI стає частиною щоденної роботи. Очікувала почути щось на кшталт: кращих моделей, більше доступів, навичок у створенні промптів, нових інструментів або навіть більших бюджетів на AI. Але найчастіша відповідь була зовсім іншою: команди хотіли більше ясності.

Найчастіше говорили про речі, які насправді залежать не від технології, а від організації роботи:

Тобто проблема вже не в технології, AI просто став новим шаром у робочих процесах, водночас самі процеси ще не встигли перебудуватися під нову швидкість.

Нижче наводжу п’ять запитань, які допоможуть навести порядок у використанні AI в команді.

П’ять запитань, які варто закрити перед активним використанням AI

Якщо AI — множник, то ключове запитання не «яку модель підключити», а що саме вона буде множити у вашій команді. 

Ось п’ять запитань, на які команді варто відповісти:

Почніть із трьох простих кроків:

І важливе правило: не починайте із зон, де помилка дорога — складні кейси в сапорті, де потрібно врахувати історію користувача; рішення про блокування або бан акаунтів; архітектурні зміни в системі без рев’ю; завдання з великою кількістю людського контексту або бізнес-винятків.

Замість висновку

AI прискорює ваші процеси, мислення й культуру роботи — і водночас ставить питання відповідальності значно гостріше.Тому справжня дилема вже не «який AI нам підключити?», а «що саме AI буде множити в нашій команді — силу чи слабкість?»