На главную

DF-ПРО-014 · Как проходит работа

Задачи передали ИИ, а кто будет их ставить: как сохранить экспертизу

Редакция Deskforge · 17 ноября 2026 · 5 мин чтения
Задачи передали ИИ, а кто будет их ставить: как сохранить экспертизу
Из статьи вы узнаете
  • Кто в команде формулирует задачу и критерий готового результата до запуска ИИ
  • Какие решения с несколькими защитимыми вариантами остаются за человеком и как фиксировать его выбор
  • Как сверять выбор человека с предложением ИИ и записывать расхождение
  • Как статус модели влияет на правила приёмки результата

Команда переводит часть работы на ИИ, и через месяц выясняется неприятное: рутину модель делает, а объяснить, почему результат именно такой, не может никто. Постановщик задачи ушёл в другие проекты, критерий готового результата помнят по памяти, а спорные случаи разбирает тот, кто сам уже не решает их руками.

Проблема не в модели. Проблема в том, что вместе с задачами из процесса выпали люди, которые их ставили и принимали. Ниже — порядок, который помогает сохранить эту часть работы: кто формулирует задачу, где остаются суждения человека, как фиксировать расхождения с ИИ и что учесть в приёмке, если модель ещё в статусе preview.

Это редакционный чек-лист Deskforge, а не отчёт об испытании продукта и не клиентский кейс: шаги нужно адаптировать к вашему процессу и вашим правилам. Смежная тема — критерии приёмки программы, а как устроен путь от задачи до передачи результата, описано на странице как проходит работа.

Почему постановка задач — отдельный навык, который легко потерять

Постановка задачи выглядит как формальность, пока её делает человек, который знает процесс. Он молча добавляет контекст: какой случай типичный, какой редкий, что считать ошибкой, а что допустимым отклонением. Когда задачу передают ИИ, этот контекст никуда не записывается — он остаётся в голове постановщика.

Anthropic формулирует ожидание, что по мере выполнения ИИ большей части практической работы эксперты сохраняют за собой суждения по решениям, у которых больше одного защитимого ответа. Это именно ожидание, а не измеренный результат и не требование к вашему процессу. Но из него следует практический вывод: если такие решения никто не закрепил за человеком, они растворяются в общем потоке.

Навык теряется незаметно. Сначала постановщик проверяет каждый результат, потом — выборочно, потом только спорные. Через несколько месяцев спорные разбирает модель, а человек соглашается с её вариантом, потому что свой уже не сформулировал.

Что показало исследование о том, как эксперты соглашаются с агентом

Anthropic описывает исследование, в котором 50 профессиональных аналитиков выполняли статистический анализ с помощью Claude Code. На каждом ключевом решении случайно задавалось, какой из двух допустимых вариантов поддержит агент.

Результат стоит прочитать внимательно: аналитики в основном принимали сторону, которую поддержал агент, и немногие затем называли агента причиной своего выбора. То есть согласие было, а осознанного объяснения — нет.

Ограничения здесь важны. Это дизайн одного исследования, на 50 аналитиках, в одной задаче. Он не измеряет эффект в произвольной компании и не задаёт норму. Переносить вывод на другие роли и процессы нельзя без отдельной проверки.

Но вывод для процесса понятен: если человек не обязан сформулировать своё суждение до того, как увидит вариант ИИ, он склонен согласиться. Значит, порядок имеет значение — сначала своё решение, потом сверка.

Какие знания и роли фиксируем до передачи задач ИИ

До запуска в карточке задачи стоит указать человека-постановщика и записать проверяемый критерий приёмки. Не «сделать хорошо», а конкретное условие, по которому результат можно принять или отклонить. Это тот же принцип, что и в техническом задании на разработку ПО, только адресат — модель и тот, кто проверяет её работу.

Второй шаг — выписать решения с несколькими защитимыми вариантами. Для каждого назначить эксперта, а выбор и обоснование фиксировать в журнале. Пример условный: в обработке заявок есть спорный случай — клиент просит нестандартные условия. Модель может предложить отказ, эскалацию или исключение. Все три варианта защитимы, и выбирать должен человек, чьё решение потом можно объяснить.

Третий шаг — сохранить знание, а не только роль. Если эксперт уходит, критерий и обоснования остаются в журнале, и новый человек может восстановить логику. Роль без записи держится на памяти одного сотрудника.

Где ставим точки проверки человеком: чек-лист решений

Точки проверки удобно привязать к самому решению, а не к календарю. Ниже — порядок, который можно перенести в карточку задачи.

  • Постановщик и критерий приёмки записаны до запуска ИИ.
  • Для каждого решения с несколькими защитимыми вариантами назначен эксперт.
  • Человек формулирует свой вариант до того, как увидит предложение ИИ.
  • При расхождении в журнал пишется причина выбора человека, а не только итоговый вариант.
  • Статус модели проверен, и ограничение по ней зафиксировано письменно.

Пункт про причину расхождения — ключевой. Именно он отделяет осознанное суждение от согласия по умолчанию, которое показало исследование Anthropic. Запись «выбрали вариант Б, потому что случай не подпадает под типовое правило» через полгода объяснит решение лучше, чем память участника.

Проверить, работает ли это, можно на небольшой выборке: возьмите десять прошедших задач и посмотрите, у скольких есть постановщик, критерий и записанное обоснование по спорным случаям. Если меньше половины — процесс держится на людях, а не на записях.

Как статус модели влияет на правила приёмки результата

Правила приёмки зависят не только от задачи, но и от того, на какой модели она выполняется. В документации Azure указано, что модели в статусе preview не рекомендуется использовать в производственной среде. Это рекомендация Microsoft для моделей Foundry, продаваемых в Azure; она не охватывает другие платформы и другие категории моделей.

Там же сказано, что развёртывания preview-моделей обновляются до будущих preview-версий или до последней стабильной общедоступной версии. И отдельно: модели, обозначенные как preview, не следуют стандартному жизненному циклу моделей Azure OpenAI. Практический смысл простой — поведение такой модели может измениться без вашего участия.

Отсюда правило для приёмки: для рабочего процесса выбирайте модель без статуса preview либо фиксируйте ограничение письменно. Ограничение может звучать как «результаты проходят ручную проверку эксперта до использования» или «модель применяется только на черновом этапе». Главное, чтобы это было записано, а не подразумевалось.

Если модель обновилась, критерий приёмки не должен меняться сам по себе. Сверьте результат на прежних примерах и убедитесь, что спорные случаи по-прежнему уходят к человеку, а не решаются молча.

Источники

Назад