AI может лишить компанию экспертов: что было у нас, когда парсеры освободили 60 часов в неделю

На этой неделе несколько текстов сошлись на одной мысли: AI забирает у сотрудников рутину, а вместе с рутиной из компании уходит опыт. Тот, кто годами перепечатывал страховые сметы, знал, какая из них чистая только на вид. Если документы теперь читает парсер, а человек уволился, это знание уходит вместе с ним. Для владельца бизнеса вопрос практический: кто через два года объяснит новичку, почему эту заявку нужно смотреть глазами.

Что вышло

Camunda 26 октября опубликовала разбор своего исследования по страховым компаниям. 43 % сотрудников, которые работают с AI или автоматизацией, переделывали результат вручную, потому что процесс под него не настроили. 73 % не спрашивали, как AI должен поддержать их работу, а четверо из десяти рассматривали бы смену работы из-за плохо внедрённого AI. По данным Sedgwick, которые приводит Camunda, почти четверть специалистов по урегулированию убытков уйдёт на пенсию к концу 2027 года. Рецепт для вендора оркестрации ожидаемый: перенести правила экспертов в модель процесса, тогда знание остаётся в компании.

FreightWaves 23 октября разобрал отчёт ASCM и DSCI по AI в цепочках поставок, выпущенный 14 октября. 83 % опрошенных считают своих сотрудников не готовыми работать с AI. У 17 % готовых доля успешных проектов 71 %, у остальных 28 %. Мне ближе всего слова Абе Эшкенази, главы ASCM: раньше специалист вырабатывал суждение, пока сам собирал отчёты и крутил таблицы, а теперь эту работу забирает AI, и человека ставят принимать решения без основы.

Там же 19 октября вышел партнёрский материал компании Evos о знании диспетчеров, которое нигде не записано. Evos запустилась 14 октября и обещает забрать у команды целые участки работы, от диспетчеризации до биллинга. Логику компании собирают на онбординге вопросами вроде «почему этот груз поехал на той машине, а не на новой». Цифр по результатам в этом рекламном тексте нет. Но задача поставлена верно: правила, по которым диспетчер решает, живут у него в голове.

Про то же Directum 26 октября написала на Хабре: у компании могут быть сотни регламентов и инструкций, а самый популярный стандарт всё равно устный, «подскажи, как это делается». Я видел только анонс, поэтому о выводах статьи не сужу.

Pew Research Center 22 октября посчитал по 480 профессиям: на каждый пункт подверженности AI занятость мужчин выросла на 6,3 %, женщин почти не изменилась, 0,2 %. Прямую причинную связь Pew не утверждает.

SaaStr 19 октября пересказал отчёт Anthropic о собственных сотрудниках. Доля джуниоров среди новых технических наймов упала с 27 % до 9 %. К августу агенты работали в 6 раз больше часов, чем люди, которые ими управляют, и около 80 % времени ждали ответа человека. Главная строка для меня про джуниоров: если перестать нанимать начинающих, через несколько лет некому будет становиться экспертами.

Пример: производство и технолог

Возьмём производство, где состав изделия описан в Excel-спецификациях. Технолог знает, что детали на покраску надо отвозить одной партией, иначе оттенок получится разным. Пока он считает заказ руками, молодой конструктор сидит рядом и перенимает. Если программа считает заказ за минуту, молодой конструктор получает готовый ответ и не узнаёт, почему он такой.

Вывод: автоматизация должна забирать перенос данных, а правила оставлять на виду. Правило «покраска одной партией» должно быть записано словами там, где его прочитает следующий человек, в коде и в документации.

Что было у нас, когда парсеры освободили 60 часов

С 2021 года я работаю техническим партнёром компании в сфере PDR в США. В 2023 году я начал парсеры страховых смет, актов и фото с VIN. Тогда около половины документов проходили без ручной правки, в 2024 году около 75 %, в 2025-м примерно 95 %. В 2026 году я подключил AI-валидаторы и выпустил релизную версию: около 99,9 % документов проходят без правки. Это освобождает около 60 часов ручной работы в неделю.

Где теперь знание сотрудников, которые раньше перепечатывали сметы? Частично в моём коде. Основную работу делает собственная логика, которая знает, как устроены эти документы: по каким ключевым словам искать значения, когда строка относится к другой теме, чем в ней написано, как позиции складываются в группы. Частично знание осталось у людей: финальную проверку делает сотрудник, а для документов, которые парсер разобрал неуверенно, есть путь обратно к человеку.

Компания за это время выросла с 20 человек до более чем 30, поток лидов растёт кратно от года к году, а команда продавцов выросла несильно. Сотрудники, которые раньше перепечатывали документы в таблицу, заняты более важными задачами.

Что я бы сделал

Перед автоматизацией записать правила вместе с тем, кто делает работу. Хватит списка исключений: «если в смете есть такая-то строка, смотреть глазами».

Оставить путь обратно к человеку и считать, как часто им пользуются. Если неуверенных документов много, дорабатывайте правила, а проверку оставьте.

Сохранить задачу, на которой учатся новички. Пусть новый сотрудник первую неделю проверяет результат парсера вручную, так он узнает документы.

О том, как я читаю цифры из кейсов вендоров, есть отдельный обзор. Раньше разбирал, где застревает быстро подготовленная работа. Подход к проверке описан в статье AI в обработке данных и в решениях AI в процессе, где результат можно проверить и автоматизация процесса. Проекты: парсеры документов и техническое партнёрство с PDR-компанией. Если у вас опыт живёт в головах двух человек, расскажите, какие задачи они закрывают. Обсудить задачу.