Как учить сотрудников работать рядом с ИИ-агентами

Осенью 2024 года OpenAI, Anthropic и Google один за другим представили режимы, где модель не просто отвечает на вопрос, а выполняет цепочку действий: OpenAI показал Operator для работы с браузером, Anthropic добавил Claude функцию управления компьютером (Computer Use), Google развивает агентные сценарии в Gemini. Компании начали внедрять эти инструменты в реальные процессы — и столкнулись с тем, что проблема не в модели, а в людях рядом с ней. Сотрудник, который не понимает, что агент может ошибиться, доверяет ему как калькулятору. А агент — не калькулятор.

Обучение работе рядом с автономными агентами — это не курс по промптам на два часа. Это набор навыков, который меняет то, как человек проверяет чужую работу, распределяет ответственность и вовремя нажимает стоп.

Чем агент отличается от чат-бота

Обычная языковая модель отвечает текстом, и человек сам решает, что с этим текстом делать. Агент¹ действует: открывает вкладки, заполняет формы, отправляет запросы, ставит задачи в трекере. Разница принципиальная — ошибка чат-бота остаётся на экране, ошибка агента может уйти клиенту, списать деньги или удалить строку в базе.

Главная опасность агента не в том, что он глупее человека, а в том, что он действует быстрее, чем человек успевает заметить ошибку.

Поэтому первое, чему стоит учить, — это не «как дать команду», а «как понять, что агент делает и где он может сорваться». Сотрудник должен читать план действий агента до его выполнения, а не разбираться постфактум, почему клиенту ушло письмо с чужим именем.

Четыре навыка, которые важнее промптинга

Промпт-инжиниринг переоценён для рядового сотрудника: интерфейсы становятся проще, а модели — терпимее к формулировкам. Гораздо важнее другое.

• Проверка результата. Агент уверенно выдаёт правдоподобный, но неверный ответ — это называют галлюцинацией². Сотрудник должен знать, какие данные агент склонен выдумывать: цифры, ссылки, цитаты, реквизиты. Их проверяют всегда.
• Понимание границ доступа. Если агент подключён к почте, CRM и платёжной системе, сотрудник обязан знать, что именно агент может сделать без подтверждения, а что требует ручного «да».
• Момент остановки. Навык прервать выполнение, когда агент пошёл не туда. Это не паника, а нормальная часть работы — как отмена печати документа.
• Формулировка задачи с ограничениями. Не «разошли клиентам предложение», а «подготовь черновики для этих десяти клиентов, отправку я подтвержу вручную».

Как выстроить обучение по этапам

Внедрять всё сразу — верный способ получить саботаж или, наоборот, слепое доверие. Работает поэтапный подход.

1. Наблюдение. Первую неделю сотрудник смотрит, как агент выполняет задачи, но ничего не запускает сам. Цель — увидеть, где инструмент ошибается.
2. Работа с подтверждением. Агент готовит, человек утверждает каждое действие. Так формируется привычка проверять.
3. Частичная автономия. Рутинные и обратимые операции агент делает сам, критичные — с подтверждением. Границу определяет руководитель, а не сотрудник.
4. Ретроспектива. Раз в неделю команда разбирает, где агент ошибся и почему это не поймали раньше.

Сравнение подходов к обучению

Кому это пригодится и кому нет

Пригодится:

• Поддержке и продажам, где агент готовит ответы клиентам — цена ошибки высокая, а проверять нужно быстро.
• Аналитикам и маркетологам, у которых агент собирает данные и формирует отчёты: тут критичен навык ловить выдуманные цифры.
• Небольшим командам, где один человек закрывает несколько функций и физически не успевает без делегирования агенту.

Скорее не пригодится или требует осторожности:

• Процессам с необратимыми и высокорисковыми действиями — платежи, юридически значимые документы, медицинские данные. Здесь автономию агента лучше не расширять, а обучение сводить к жёсткому контролю.
• Сотрудникам, которые работают с агентом эпизодически: полноценная программа для них избыточна, достаточно короткого инструктажа по проверке результата.

Обучение рядом с агентом — это не про то, как выжать из модели больше. Это про то, как не дать быстрой и уверенной машине наделать быстрых и уверенных ошибок. Компании, которые вкладываются в навык проверки, а не в навык промптинга, получают меньше инцидентов и больше реальной экономии времени.

Сноски

¹ Агент — программа на базе языковой модели, которая не только генерирует текст, но и выполняет действия во внешних системах: браузере, почте, API, файлах.

² Галлюцинация — ситуация, когда модель выдаёт уверенный, грамотно оформленный, но фактически неверный ответ: несуществующую цитату, выдуманную ссылку, ошибочное число.