Компании, сделавшие ставку на массовое внедрение генеративного искусственного интеллекта для оптимизации процессов, столкнулись с неожиданным побочным эффектом. В деловой среде это явление окрестили «workslop» — лавинообразный поток низкокачественного, непроверенного контента, созданного нейросетями, который вместо ускорения работы начинает «засорять» и замедлять все бизнес-процессы.
Аналитики Harvard Business Review предупреждают, что в погоне за технологическим лидерством многие организации провоцируют так называемую «деградацию знаний». Суть проблемы в том, что по мере роста зависимости от генеративного ИИ сотрудники теряют профильные навыки, а корпоративные базы данных постепенно наполняются искаженной информацией. Это серьезно затрудняет принятие взвешенных управленческих решений.
Специалисты HBR описывают замкнутый круг: автоматизация генерации материалов приводит к появлению ошибок и «галлюцинаций» моделей. В результате коллеги вынуждены тратить рабочее время не на творчество или стратегическое планирование, а на кропотливую проверку и редактуру машинного текста. Как следствие, уровень доверия к внутренним данным падает, а накопленная интеллектуальная база компании обесценивается.
На уровне отдельных департаментов ситуация усугубляется: часто время, затраченное на исправление огрехов за нейросетью, превышает ту экономию, которую якобы дает автоматизация. Дошло до того, что в некоторых корпорациях формируются целые отделы, занятые исключительно «чисткой» и верификацией ИИ-контента.
Помимо организационных сложностей, эксперты отмечают нарастающий кризис доверия. Когда автоматические ошибки становятся нормой, сотрудники начинают скептически относиться не только к инструментам, но и к общим рабочим стандартам компании.
Серьезный удар нанесен и по процессам найма. Интеграция ИИ в HR-сферу делает взаимодействие работодателей и кандидатов менее прозрачным и надежным. Автоматизированные системы искажают ожидания обеих сторон, превращая процесс подбора персонала в обмен шаблонными сообщениями.
Итогом становится ситуация, при которой любое использование публичных больших языковых моделей требует создания мощного «защитного слоя» из людей, проверяющих результат. Это не только не снижает нагрузку, но и добавляет новую бюрократическую ступень. Зафиксированы даже случаи скрытого саботажа, когда сотрудники намеренно сопротивляются навязанному внедрению ИИ, понимая его деструктивное влияние на качество продукта.
В качестве решения Harvard Business Review предлагает сменить парадигму: использовать генеративный ИИ точечно, лишь там, где он действительно приносит добавленную стоимость, а не пытаться внедрить его повсеместно. Особое внимание рекомендуется уделить переходу от общих публичных моделей к специализированным системам, обученным на проверенных внутренних данных компании. Это поможет избежать подмены реальной эффективности имитацией бурной деятельности.
