Умеешь управлять людьми — сумеешь управлять ИИ?

Вместе с агентами появилась новая работа

14 октября 2026 года Asana опубликовала опрос 4502 руководителей и офисных сотрудников, использующих ИИ, в США и Великобритании. Среди работников, применяющих хотя бы двух агентов за неделю, 46% оценили координационные издержки более чем в 10% своего времени. 38% респондентов из компаний с несколькими агентами оценивают долю пересекающейся или повторяющейся работы агентов более чем в четверть.[1]

Суть проблемы: один агент собрал данные, другой перепроверил не то, третий подготовил результат в несовместимом формате. Кто-то должен заметить расхождение, назначить ответственного и принять итог.

Пользователь всё чаще становится руководителем

Работа с агентами постепенно напоминает управление командой: сформулировать цель, разделить работу, согласовать зависимости, проверить результат, определить границу самостоятельности и решить, что делать с исключениями.

Отсюда гипотеза: у людей, уже умеющих организовывать чужую интеллектуальную работу, может быть преимущество перед теми, кто привык только лично выполнять задачи. Не обязательно у начальников по должности. У инженера, который управляет сложным проектом без подчинённых, такие навыки тоже могут быть.

Microsoft в отчёте Work Trend Index 2025 обнаружила, что о знакомстве с агентами сообщали 67% опрошенных руководителей и 40% сотрудников. Это разница в использовании и осведомлённости, а не сравнение реальной результативности.[2]

Плоская команда не означает бесплатную координацию

У человеческих организаций есть два типичных способа распределять координацию. Иерархия концентрирует решения и эскалации в управленческих ролях. Автономные команды принимают больше решений на местах, но платят временем горизонтальной синхронизации.

Агенты сталкиваются с похожими зависимостями. Простую задачу может закрыть один исполнитель с автоматическими тестами. При сложных межмодульных зависимостях понадобятся общие контракты, координация и приёмка. При неопределённых задачах жёсткая цепочка согласований может тормозить эксперименты.

Ещё в 1974 году Джей Гэлбрейт предложил рассматривать устройство организации через её потребность в обработке информации. Это полезная аналогия, но не доказательство эффективности какой-либо схемы для LLM-команд.[3]

ИИ может не увеличить разрыв, а сократить его

Есть противоположные данные. В исследовании 5172 сотрудников поддержки доступ к генеративному помощнику повысил среднюю производительность на 15%, причём менее опытные работники выигрывали больше. В этом сценарии ИИ распространял практики сильных сотрудников среди новичков.[4]

Противоречия здесь нет: помощь в типовой операции и управление множеством агентов — разные задачи. ИИ может выравнивать навыки на первом уровне и одновременно усиливать разницу в способности строить сложные рабочие системы на втором. Но второе ещё требуется проверить.

Как проверить эту идею на практике

1. Сравнивайте одинаковые задачи. Один агент против команды агентов; роли и затраты нужно фиксировать.
2. Считайте координацию. Время на постановку, перепроверки, разрешение конфликтов и ручные эскалации.
3. Определяйте приёмку заранее. Что именно считается работающим, полезным и безопасным результатом.
4. Измеряйте выход. Завершённые задачи приемлемого качества на час внимания человека, а не стоимость одного ответа.

Главный ресурс агентной организации — не число исполнителей, а способность довести их работу до результата.

Что известно, а что только предполагается