Исследование 5 172 сотрудников поддержки показало, что ИИ-ассистенты повысили производительность в среднем на 15%. Менее опытные работники улучшили скорость и качество, тогда как у экспертов качество работы незначительно снизилось. В другом эксперименте с 453 специалистами использование LLM сократило время выполнения задач на 40% и повысило качество на 18%.
Согласно когнитивной психологии, экспертиза базируется на схемах в долговременной памяти. Эксперты распознают конфигурации задач и их глубинную структуру, а также мгновенно определяют первый шаг решения. Методы, основанные на оценке первого шага, коррелируют с тестами знаний до 0,92 и ускоряют проверку в 2–4,9 раза. LLM заменяет исполнение, но не распознавание.
Современный найм часто опирается на ключевые слова в резюме, ATS-системы и интервью, проверяющие типовые задачи. Эти этапы оценивают области, где новичок с ИИ и эксперт показывают схожие результаты. В итоге процесс отбора не фиксирует способность проверять ответы модели и работать за пределами её возможностей, что приводит к недооценке реальной экспертизы.
Для исправления ситуации предлагается использовать структурированные интервью со шкалами оценок и рабочие пробы, воспроизводящие реальные задачи. Вакансии должны составляться экспертами на основе перечня конкретных задач, а не поверхностных признаков. Такие методы имеют доказанную эффективность в прогнозировании будущей продуктивности сотрудников.
Перспективным направлением считаются пробы на распознавание ошибок в решениях ИИ и решение задач, недоступных для моделей. Хотя внедрение этих инструментов требует участия экспертов и временных затрат, это позволяет избежать ошибок найма. Экономия на опыте сегодня создает риск нехватки специалистов, способных контролировать работу автоматизированных систем завтра.
