Самый недооценённый навык эпохи AI — умение описывать работу

AI постепенно забирает на себя всё больше отдельных операций: пишет тексты, анализирует документы, сортирует обращения, работает с данными, готовит отчёты и помогает принимать решения. Но чем больше процессов компания пытается автоматизировать, тем заметнее становится одна проблема: сотрудники часто не могут точно объяснить, как именно они выполняют свою работу.

На практике специалист может отлично справляться с задачей и при этом не иметь чёткого описания собственного процесса. Он просто знает, что делать, в каком порядке посмотреть информацию и на какие детали обратить внимание. Для человека с опытом этого достаточно. Для AI-системы — нет.

Поэтому способность разложить работу на понятные шаги становится отдельным профессиональным навыком.

Большая часть корпоративных знаний никогда не попадает в инструкции.

Опытный менеджер знает, какое письмо клиента стоит обработать немедленно, а какое может подождать. Руководитель понимает, какой отчёт требует дополнительной проверки. Сотрудник поддержки по нескольким словам в сообщении уже предполагает, что клиент, скорее всего, будет недоволен.

При этом никто не обязательно формулировал эти правила отдельно. Они сформировались из опыта и постепенно стали автоматическими.

Когда человек выполняет такую работу самостоятельно, скрытые правила не мешают. Когда эту же работу нужно передать AI, они становятся проблемой.

Такая фраза часто означает не отсутствие знаний, а наоборот — слишком большое количество неосознанного опыта.

Специалист уже не замечает промежуточные решения, потому что принимает их автоматически. Он не проговаривает, почему выбрал один вариант вместо другого, какие данные проверил и почему решил, что информации достаточно.

Для автоматизации всё это приходится сделать явным.

AI не может воспроизвести то, что существует только как молчаливое знание сотрудника. Ему нужны данные, правила, контекст и понятный критерий результата.

Когда речь заходит о формализации процессов, компании часто сразу представляют огромные регламенты, схемы и документы, которые потом никто не открывает.

На практике для начала требуется гораздо меньше.

Нужно зафиксировать, что запускает процесс, какие данные поступают на вход, какие действия выполняются дальше, где сотрудник принимает решение и какой результат должен получиться.

Так появляется рабочая карта процесса. Она может занимать одну страницу и при этом быть гораздо полезнее многостраничного регламента.

Цель не в том, чтобы заставить сотрудника документировать каждый клик мышкой.

Если человек открывает CRM, смотрит карточку клиента и переходит в нужный раздел, эти действия сами по себе могут не иметь значения. Гораздо важнее понять, что он ищет и какое решение принимает после этого.

Например, сотрудник проверяет историю обращений не просто потому, что так принято. Ему нужно понять, были ли у клиента похожие проблемы раньше. Именно это правило уже имеет значение для будущего AI-workflow.

Описание должно фиксировать логику работы, а не превращаться в инструкцию по пользованию компьютером.

Хорошо описанный процесс обычно отвечает на несколько базовых вопросов.

· Что запускает работу?

· Какие данные нужны на входе?

· Какие действия выполняются по порядку?

· Какие решения принимаются на каждом этапе?

· От чего зависит выбор следующего шага?

· Какие бывают исключения?

· Где требуется человек?

· Как выглядит правильный результат?

· Что считается ошибкой?

Если на эти вопросы можно ответить без обращения к конкретному сотруднику, процесс уже становится гораздо более пригодным для автоматизации.

Раньше компания могла позволить себе держать часть знаний в головах сотрудников. Новый человек учился у коллег, постепенно набирался опыта и со временем начинал выполнять работу самостоятельно.

AI меняет эту модель.

Чтобы система могла выполнять задачу, ей нужно дать доступ не только к данным, но и к логике процесса. Причём чем больше компания хочет передать AI самостоятельно, тем меньше можно полагаться на неформальные договорённости.

Получается парадоксальная ситуация: чем умнее становятся инструменты, тем больше ценится способность человека чётко объяснить, что именно нужно делать.

Это тоже стоит учитывать.

Сильный сотрудник может годами выполнять работу лучше коллег, но совершенно не уметь её объяснять. Он действует быстро, пропускает очевидные для себя этапы и не замечает собственных решений.

Поэтому описание процесса лучше строить не только на вопросе «как ты это делаешь?».

Гораздо полезнее спрашивать: «Почему ты сделал это именно здесь?», «Что должно произойти, чтобы ты выбрал другой вариант?», «Какая информация заставит тебя изменить решение?».

Такие вопросы помогают достать из опыта правила, которые обычно остаются незаметными.

Самый практичный способ — разобрать несколько реальных примеров.

Берётся обычная задача, и сотрудник последовательно объясняет, что он делает. Затем разбирается нестандартный случай. Сравнение двух ситуаций позволяет увидеть, какие шаги являются постоянными, а какие зависят от контекста.

После этого процесс можно разложить на отдельные элементы.

Например:

Вход → анализ данных → решение → действие → проверка результата → следующий этап.

Такая структура уже позволяет определить, какие части можно автоматизировать, какие передать AI, а где оставить человека.

Идеальный сценарий редко отражает настоящую работу.

В реальном бизнесе постоянно возникают нестандартные клиенты, неполные данные, ошибки в документах, срочные запросы и ситуации, которые не укладываются в привычный порядок.

Если описывать только «правильный» путь, автоматизация будет хорошо работать до первой нестандартной ситуации.

Поэтому исключения — не второстепенная часть процесса. Они часто определяют, насколько надёжной получится вся система.

Есть ещё один эффект, который компании часто получают уже в процессе формализации.

Когда сотрудник начинает подробно объяснять свою работу, становится видно, сколько действий выполняется просто потому, что «так принято».

Иногда несколько сотрудников вручную переносят одни и те же данные между системами. Где-то отчёт собирается каждую неделю только потому, что когда-то его попросил руководитель. В другом процессе человек проверяет информацию, которая уже автоматически проверяется в другой системе.

Пока работа выполняется по привычке, такие действия незаметны.

Описание процесса заставляет посмотреть на него со стороны.

Это одна из самых полезных находок.

Если какой-то шаг не создаёт ценности, автоматизировать его нет смысла. Компания просто получит автоматизированную ненужную операцию.

Поэтому при разборе workflow стоит задавать простой вопрос: «Что произойдёт, если мы вообще уберём этот этап?»

Если ничего существенного не изменится, возможно, его не нужно передавать AI. Его нужно удалить.

Есть простой практический тест.

Попробуйте дать описание человеку, который не выполнял эту работу раньше. Если после прочтения он может понять, какие данные нужны, что делать на каждом ключевом этапе, какие решения принимать и какой результат получить, описание уже имеет практическую ценность.

Если же новый сотрудник после прочтения всё равно вынужден постоянно спрашивать: «А что делать, если здесь вот так?», процесс пока слишком сильно зависит от устного опыта.

Для AI требования ещё строже. Модель может работать с неоднозначностью, но бизнес-процесс не должен строиться исключительно на догадках модели.

Когда рабочие процессы зафиксированы, компания получает пользу даже без немедленного внедрения AI.

Знания перестают быть привязанными к отдельным людям. Проще обучать новых сотрудников, передавать задачи между командами и находить узкие места.

Кроме того, становится проще масштабировать бизнес. Если новый филиал или команда должны выполнять тот же процесс, им не приходится заново изобретать рабочую схему.

AI здесь становится следующим уровнем использования этих знаний.

Не стоит полностью перекладывать эту работу на IT или AI-команду.

Технические специалисты могут помочь построить автоматизацию, выбрать интеграции и определить ограничения системы. Но лучше всего процесс знает тот, кто отвечает за его результат и ежедневно сталкивается с реальной работой.

Поэтому оптимальная связка выглядит так: владелец процесса описывает работу и критерии результата, техническая команда помогает превратить их в рабочую систему, а сотрудники проверяют, насколько новая схема соответствует реальной практике.

Здесь редко работает подход «пусть один человек всё задокументирует».

Нужны люди, которые знают бизнес с разных сторон. Один видит требования клиента, другой — внутреннюю операцию, третий — технические ограничения.

Совместное описание помогает убрать личные привычки и оставить именно те правила, которые действительно нужны бизнесу.

Не нужно пытаться сразу задокументировать всю компанию.

Лучше выбрать процессы, которые:

· повторяются регулярно;

· занимают много ручного времени;

· зависят от нескольких сотрудников;

· содержат много однотипных операций;

· часто создают ошибки или задержки;

· имеют понятный конечный результат.

Именно здесь описание workflow быстрее всего показывает практическую ценность.

После этого уже можно переходить к автоматизации и измерять эффект.

В эпоху AI ценность имеет не только умение пользоваться новыми инструментами. Не менее важным становится способность точно описывать работу: что происходит, почему принимается конкретное решение, какие данные для этого нужны и каким должен быть результат.

Пока процесс существует только в голове опытного сотрудника, AI практически не с чем работать. Когда этот опыт превращён в понятный workflow, появляется возможность передать машине отдельные действия, встроить проверки и постепенно автоматизировать весь процесс.

Поэтому перед очередным поиском нового AI-инструмента стоит сделать гораздо более простую вещь: попросить сотрудника подробно показать, как именно он выполняет свою работу. Очень часто именно в этом описании уже находятся самые ценные точки для автоматизации.