AI не экономит время – он его уплотняет: 8 месяцев наблюдений
Компании беспокоятся, как заставить сотрудников использовать AI. Обещание соблазнительное: AI возьмёт на себя рутину – черновики документов, суммаризацию информации, отладку кода, – освободит время для высокоценных задач.
Но готовы ли компании к тому, что произойдёт, если они в этом преуспеют?
Исследователи из Стэнфорда провели 8-месячное наблюдение за примерно 200 сотрудниками американской технологической компании, которая внедрила генеративный AI. Компания не требовала использовать AI принудительно, просто предоставила корпоративные подписки на коммерческие инструменты. Сотрудники сами решали, применять AI или нет.
Результат оказался парадоксальным. AI не сократил работу. Он её интенсифицировал. Работники стали работать быстрее, брать на себя больший объём задач, распространять работу на большее количество часов в день – часто без явных внешних требований. AI сделал “делать больше” возможным, доступным и во многих случаях внутренне награждающим.
Удивительно, но тот же паттерн прослеживается в других исследованиях. Microsoft обнаружил, что 62% продакт-менеджеров используют Gen AI ежедневно, но 81% говорят, что AI экономит время, при этом 56% отрицают, что усилий стало меньше. Парадокс? Нет, закономерность.
Почему AI не сокращает работу: три механизма
Исследователи выделили три формы интенсификации работы, которые проявились в наблюдаемой компании.
1. Расширение задач (Task Expansion)
AI заполняет пробелы в знаниях. Это позволяет работникам браться за задачи, которые раньше принадлежали другим.
Продакт-менеджеры и дизайнеры начали писать код. Исследователи – брать на себя инженерные задачи. Люди стали пытаться выполнять работу, которую раньше делегировали, откладывали или вообще избегали.
Генеративный AI сделал эти задачи внезапно доступными. Инструменты обеспечивали то, что многие ощущали как “расширяющий когнитивный буст”: они снижали зависимость от других, давали немедленную обратную связь и корректировки по ходу дела. Работники описывали это как “просто пробовать что-то с AI”, но эти эксперименты накапливались в значимое расширение должностных обязанностей. Фактически, работники всё чаще поглощали работу, которая раньше оправдывала бы дополнительный найм или headcount.
Был побочный эффект расширения зоны ответственности. Инженеры, в свою очередь, стали тратить больше времени на проверку, корректировку и руководство AI-генерированной или AI-ассистированной работой коллег. Эти требования выходили за рамки формального code review. Инженеры всё чаще оказывались в роли наставников для коллег, которые занимались “vibe-coding” и дописывали частично завершённые pull request. Этот надзор часто возникал неформально – в тредах Slack или быстрых консультациях у стола, – добавляя нагрузку на инженеров.
Парадокс: AI должен был разгрузить команду. Вместо этого он перераспределил нагрузку – одни стали делать больше задач, другие – больше проверять.
2. Размытие границ между работой и не-работой (Blurred Boundaries)
AI сделал начало задачи слишком лёгким. Он снизил трение столкновения с чистым листом или неизвестной стартовой точкой. В результате работники стали вклинивать небольшие порции работы в моменты, которые раньше были перерывами.
Многие промптили AI во время обеда, на встречах, пока файл загружается. Некоторые описывали отправку “быстрого последнего промпта” прямо перед тем, как встать из-за стола, чтобы AI мог работать, пока они отходят.
Эти действия редко ощущались как “делать больше работы”. Но со временем они создавали рабочий день с меньшим количеством естественных пауз и более непрерывным вовлечением в работу.
Разговорный стиль промптинга ещё больше смягчал переживание: набрать строчку AI-системе ощущалось ближе к чату, чем к выполнению формальной задачи, что делало лёгким распространение работы на вечера или ранние утра без осознанного намерения.
Некоторые работники описывали осознание, часто задним числом, что по мере того, как промптинг во время перерывов становился привычным, время простоя больше не обеспечивало того же ощущения восстановления. В результате работа ощущалась менее ограниченной и более фоновой – чем-то, что всегда можно было продвинуть ещё чуть-чуть.
Граница между работой и не-работой не исчезла. Но пересекать её стало легче.
3. Усиление многозадачности (More Multitasking)
AI ввёл новый ритм, в котором работники управляли несколькими активными потоками одновременно: вручную писали код, пока AI генерировал альтернативную версию, запускали нескольких агентов параллельно, возрождали давно отложенные задачи, потому что AI мог “справиться с ними” в фоне.
Работники делали это отчасти потому, что чувствовали, что у них есть “партнёр”, который может помочь двигаться по workload.
Хотя это ощущение наличия “партнёра” создавало чувство импульса, реальность представляла собой постоянное переключение внимания, частую проверку AI-выводов и растущее количество открытых задач. Это создавало когнитивную нагрузку и ощущение постоянного жонглирования, даже если работа казалась продуктивной.
Со временем этот ритм повысил ожидания скорости – не обязательно через явные требования, но через то, что стало видимым и нормализованным в повседневной работе.
Многие работники отмечали, что делают больше одновременно – и чувствуют большее давление, – чем до использования AI, даже несмотря на то, что экономия времени от автоматизации предположительно должна была снизить такое давление.
Самоусиливающийся цикл: от экономии к перегрузке
Всё это создало самоусиливающийся цикл.
AI ускорил определённые задачи → это повысило ожидания скорости → более высокая скорость сделала работников более зависимыми от AI → увеличенная зависимость расширила спектр того, что работники пытались делать → более широкий спектр дальше увеличил количество и плотность работы.
Один инженер резюмировал: “Вы думали, что, может быть, раз вы можете быть более продуктивными с AI, то сэкономите время, сможете работать меньше. Но на самом деле вы не работаете меньше. Вы просто работаете столько же или даже больше.”
Организации могут воспринять это добровольное расширение работы как явную победу. В конце концов, если работники делают это по собственной инициативе, почему это плохо? Разве не в этом взрывной рост продуктивности, который нам обещали?
Но исследование раскрывает риски позволения работе неформально расширяться и ускоряться. То, что выглядит как более высокая продуктивность в краткосрочной перспективе, может маскировать тихое нарастание workload creep и растущее когнитивное напряжение, когда сотрудники жонглируют множественными AI-поддерживаемыми рабочими потоками.
Поскольку дополнительное усилие добровольно и часто оформлено как приятное экспериментирование, лидерам легко не заметить, сколько дополнительной нагрузки несут работники. Со временем переработка может ухудшать суждения, увеличивать вероятность ошибок и затруднять организациям различение настоящих продуктивных выигрышей от неустойчивой интенсивности.
Для работников кумулятивный эффект – усталость, выгорание и растущее ощущение, что от работы сложнее отойти, особенно когда организационные ожидания скорости и отзывчивости повышаются.
Возможно, стоит различать продуктивность и интенсивность.
AI Practice: три практики против интенсификации
Вместо пассивного реагирования на то, как AI-инструменты перекраивают рабочие места, и индивидуумы, и компании должны принять “AI practice” – набор намеренных норм и рутин, которые структурируют, как AI используется, когда уместно остановиться, и как работа должна и не должна расширяться в ответ на новообретённую способность.
Без таких практик естественная тенденция AI-ассистированной работы – не сокращение, а интенсификация, с последствиями для выгорания, качества решений и долгосрочной устойчивости.
Исследователи предлагают три ключевые практики.
1. Намеренные паузы (Intentional Pauses)
По мере того как задачи ускоряются, а границы размываются, работникам могут быть полезны краткие, структурированные моменты, которые регулируют темп: защищённые интервалы для оценки выравнивания, пересмотра предположений или поглощения информации перед движением вперёд.
Эти паузы не замедлили бы работу в целом. Они просто предотвратили бы тихое накопление перегрузки, которое возникает, когда ускорение идёт без контроля.
Например, decision pause может требовать, прежде чем крупное решение будет завершено, одного контраргумента и одной явной связи с организационными целями – расширяя поле внимания ровно настолько, чтобы защититься от дрейфа.
Встраивание таких пауз в повседневный рабочий процесс – один из способов, которым организации могут поддерживать лучшие решения, более здоровые границы и более устойчивые формы продуктивности в AI-дополненных средах.
2. Секвенирование (Sequencing)
По мере того как AI делает возможной постоянную активность в фоне, организации могут выиграть от норм, которые намеренно формируют, когда работа движется вперёд, а не только как быстро.
Это включает пакетирование несрочных уведомлений, удержание обновлений до естественных контрольных точек и защиту окон фокуса, в которых работники защищены от прерываний.
Вместо реагирования на каждый AI-генерированный вывод по мере его появления, секвенирование поощряет работу продвигаться в связных фазах.
Когда координация выстроена таким образом, работники переживают меньше фрагментации и меньше затратных переключений контекста, в то время как команды сохраняют общую пропускную способность.
Регулируя порядок и тайминг работы – а не требуя непрерывной отзывчивости, – секвенирование может помочь организациям сохранить внимание, снизить когнитивную перегрузку и поддержать более вдумчивое принятие решений в AI-ориентированных рабочих местах.
3. Человеческое заземление (Human Grounding)
По мере того как AI делает возможной больше соло, самодостаточной работы, организации могут выиграть от защиты времени и пространства для слушания и человеческой связи.
Короткие возможности подключиться к другим – будь то через краткие check-in, моменты совместной рефлексии или структурированный диалог – прерывают непрерывное соло-вовлечение с AI-инструментами и помогают восстановить перспективу.
Помимо перспективы, социальный обмен поддерживает креативность. AI предоставляет единую, синтезированную точку зрения, но творческий инсайт зависит от экспозиции к множественным человеческим точкам зрения.
Институционализируя время и пространство для слушания и диалога, организации повторно закрепляют работу в социальном контексте и помогают противодействовать истощающим, индивидуализирующим эффектам быстрой, AI-опосредованной работы.
Управляете AI-трансформацией команды?
Открытый модуль по AI для менеджеров: практики делегирования, границы автоматизации, контроль качества, управление нагрузкой – без регистрации.
Что это значит для лидеров и команд
Обещание генеративного AI лежит не только в том, что он может сделать для работы, но в том, насколько вдумчиво он интегрируется в ежедневный ритм.
Исследование показывает: без намерения AI делает легче делать больше – но сложнее остановиться.
AI practice предлагает противовес: способ сохранить моменты восстановления и рефлексии даже по мере того, как работа ускоряется. Вопрос, стоящий перед организациями, – не изменит ли AI работу, а будут ли они активно формировать это изменение – или позволят ему тихо формировать их.
Для руководителей команд:
Мониторьте workload creep, а не только продуктивность. Если команда стала работать быстрее с AI, это не обязательно означает, что они работают устойчиво. Регулярно проверяйте: добровольное расширение задач не маскирует ли растущую нагрузку?
Формулируйте явные нормы делегирования AI. Какие задачи можно безопасно делегировать? Какие требуют человеческого надзора? Если это не сформулировано явно, работники будут экспериментировать без границ – часто с последствиями для качества.
Создайте защищённые окна фокуса. Если AI делает возможной непрерывную активность, активно защищайте время без прерываний. Не все уведомления требуют немедленного ответа. Не все AI-выводы требуют немедленной проверки.
Для индивидуальных работников:
Различайте “я могу” и “я должен”. То, что AI делает задачу возможной, не означает, что вы должны её взять. Расширение зоны ответственности без учёта долгосрочной устойчивости – путь к выгоранию.
Устанавливайте границы промптинга. Если промптить AI стало настолько лёгким, что вы делаете это во время перерывов, задайте вопрос: перерыв ли это всё ещё? Или работа просто стала фоновой?
Требуйте decision pauses для высокорисковых задач. Прежде чем финализировать важное решение на основе AI-вывода, сформулируйте одно контраргумент и одну явную связь с целями. Это не замедляет работу – это защищает от дрейфа.
Для организаций:
Разработайте AI-специфичные best practices для вашего домена. Общие курсы по промпт-инжинирингу недостаточны. Работникам нужны кейсы из их области: как использовать AI для спецификаций, анализа данных, дизайна, кода – с явными примерами того, что работает, а что нет.
Институционализируйте human grounding. По мере того как AI делает возможной больше соло-работы, защищайте время для человеческого взаимодействия – check-ins, рефлексии, диалога. Креативность и перспектива требуют экспозиции к множественным человеческим точкам зрения, а не только одной синтезированной AI-перспективе.
Пересмотрите критерии оценки. Если роли меняются – PM пишут код, исследователи берут на себя инженерные задачи, – возможно, критерии успеха тоже должны измениться. Оцениваете ли вы способность критически проверять AI-выводы? Или только скорость выполнения задач?
Продуктивность или интенсивность?
8-месячное исследование технологической компании раскрывает то, что многие интуитивно чувствуют, но не всегда могут сформулировать: AI меняет не столько что мы делаем, сколько как мы переживаем работу.
AI не сократил нагрузку. Он её уплотнил.
Работники стали делать больше задач за то же время. Брать на себя обязанности, которые раньше принадлежали другим. Распространять работу на часы, которые раньше были перерывами. Жонглировать множественными потоками одновременно, потому что AI создавал иллюзию “партнёра”, который может справиться с нагрузкой.
Но кумулятивный эффект – не больше свободного времени. Усталость. Размытые границы. Растущее ощущение, что работу сложнее отложить.
Парадокс в том, что AI сделал работу легче начать, но не легче остановить.
Возможно, стоит задуматься: что важнее – продуктивность или устойчивость? Скорость или качество суждений? Больше задач или более здоровые границы?
AI не ответит на эти вопросы за нас. Это требует намеренных практик, явных норм, активного формирования того, как AI интегрируется в рабочий процесс.
Вопрос не в том, изменит ли AI работу. Вопрос в том, будем ли мы активно формировать это изменение – или позволим ему тихо формировать нас.
Сталкивались с подобными паттернами интенсификации в вашей команде? Как балансируете между продуктивностью и устойчивостью?
Источники
- AI Doesn’t Reduce Work—It Intensifies It (Harvard Business Review) – оригинальная статья Aruna Ranganathan и Xingqi Maggie Ye о 8-месячном исследовании
- Product Manager Practices for Delegating Work to Generative AI (arXiv:2510.02504) – исследование Microsoft о том, как 62% PM используют Gen AI ежедневно, но 56% отрицают, что усилий стало меньше
- Делегирование AI: почему ответственность остаётся за человеком – наш разбор исследования Microsoft о практиках делегирования работы генеративному AI