Олена Шрамко, засновниця Re:Brain()
За даними Microsoft Work Trend Index 2026, 66% користувачів AI кажуть, що завдяки йому витрачають більше часу на роботу з вищою цінністю. Але за цією цифрою ховається кілька питань: а що сталося з тими, хто AI не використовує? І на яку роботу спрямувалися вивільнені зусилля тих, хто оптимізував свою роботу з AI?
Для керівника це вже не просто питання особистої продуктивності. З одного боку, AI може забрати частину рутини, і спонукати до коректного використання тих, хто ще не почав, тепер теж робота керівника. З іншого — співробітники дедалі частіше приносять роботу, зроблену через ChatGPT, Claude чи інші моделі, з коментарем, що зроблено саме так, бо «так запропонував AI». Відповідальність за результат у цьому випадку або переходить до керівника, або губиться десь у глибинах вагів мовної моделі.
З практики я б розклала роботу керівника з AI на три рівні. Особиста ефективність: менеджер ставить задачі в календар замість секретаря, збирає інформацію, готується до зустрічей. Масштабування досвіду: те, що керівник уміє робити добре, він перетворює на інструкції та правила і віддає моделі. І тільки потім починається найцікавіше — час, що вивільнився, йде на те, чого AI не зробить замість нього.
Спочатку AI працює на самого керівника
Раніше можна було написати асистенту: «знайди слот, постав зустріч і нагадай мені». Зараз частину таких задач можна віддати AI, якщо підключити календар, пошту та інші робочі сервіси через конектори. Зауважу: підключати треба обережно, а у фінансовій компанії це навіть не питання обережності. Це питання того, що ви взагалі маєте право підключати.
Починати можна з підготовки до зустрічей, збору інформації й роботи з документами. Але не просто: «щодня о 8:00 збери новини про фінтех». Корисніше: «раз на тиждень перевір ці джерела, вибери новини, які стосуються нас, і поясни, як вони на нас вплинуть».
Корисно створювати постійні проєкти, де вже лежать правила, файли й попередні рішення. Частина навантаження керівника, яку ми не завжди усвідомлюємо, — пам’ятати контекст і враховувати його під час прийняття рішень. Цю функцію AI вже може частково забирати на себе.
І тут добре видно, що стара управлінська навичка — нормально ставити задачі — нікуди не зникла. Керівник уміє ставити чіткі задачі, а модель — виконувати інструкції. Тільки тепер не так принципово, кому ми даємо завдання: Світлані, Юрію, Максиму чи GPT-6 Astra. Я не беруся оцінювати, хто з них сильніший — так само, як не порівнюю Юрія зі Світланою.
Далі керівник масштабує досвід
Досвідчений керівник часто дивиться на звіт, бюджет чи пропозицію і за кілька хвилин каже: «тут щось не так». Молодший співробітник бачить ті самі цифри і проблеми не помічає.
Ми називаємо це інтуїцією, але за нею часто стоять роки накопичених правил і звичок перевірки. Якщо показник різко змінився, треба перевірити причину. Якщо висновок не підтверджений даними, його треба позначити. Якщо в пропозиції немає чіткого наступного кроку, її треба повернути на доопрацювання.
Якщо частину цього досвіду можна сформулювати, її можна передати AI. Це можуть бути як спеціальні інструкції, які ви будуєте прямо в інтерфейсі моделі (наприклад, Gems у Gemini або Skills у Claude) так і правила проєкту або база знань.
Найважче тут не написати інструкцію. Реальна складність — витягти правила з голови людини, яка давно користується ними автоматично. Пряме інтерв’ю не працює: на питання «за якими критеріями ви це оцінюєте» досвідчена людина відповідає «ну, видно ж». Працюють приклади. Я беру серію реальних кейсів — документів, макетів, звітів, — саджаю кількох досвідчених людей і проходжу з ними по кожному: це ок, це ні, чому саме. За кілька годин з «видно ж» проступає десяток цілком конкретних правил. Далі вони стають інструкцією первинної перевірки: модель позначає підозріле, людина дивиться вже на позначене.
Подумайте: якщо ви вдесяте виправляєте одну й ту саму помилку, чому її досі шукаєте ви, а не ChatGPT з інструкцією?
Але AI так само добре масштабує хаос. Якщо немає правил і критеріїв якості, автоматизація просто прискорить поганий процес. Тому не раджу починати з великої AI-системи. Краще взяти один повторюваний сценарій, описати правила, протестувати, виправити — і тільки потім іти далі.
Той самий підхід працює і в найманні. Перед тим як відкривати нову вакансію в бек-офісі, спробуйте спочатку розкласти роль на задачі й запитати: що тут справді має робити людина? Можливо, людина все одно потрібна, але роль стане іншою: менше ручної операційки, більше координації, винятків і відповідальності.
Не заповнюйте вивільнений час новою рутиною
Якщо AI частково звільнив час керівника, не треба одразу заповнювати його новою операційкою. Варто підняти рівень задач і залишити собі те, де AI поки не може замінити керівника.
Команда іноді створює керівнику «теплу ванну»: не всі можуть критикувати його ідеї або сперечатися з підходом. Говорити в очі неприємну правду — окрема навичка, і не всі менеджери плекають її у своїх підлеглих. На відміну від співробітників, у моделі такого соціального бар’єра немає. Але просити треба прямо: моделі теж схильні погоджуватися й підлещуватися. Попросіть знайти аргументи проти вашого рішення, показати, де план не сходиться, подивитися на нього очима конкурента або роздратованого клієнта. Модель не прийме рішення за вас, але допоможе підсвітити нові фактори й неочевидні проблеми.
Ще одне: зробіть з моделі агрегатор ідей. Надиктуйте думку, поки їдете в машині. Заскриньте шматок статті, який зачепив. Складайте все в одну папку, не сортуючи. А коли з’явиться вільна година, попросіть модель це опрацювати за вашими правилами: що з цього стосується наших задач, що варто перевірити, що просто цікаво й може почекати. Ідеї губляться на етапі розбору: нотатки є, а часу впорядкувати їх немає ні в кого. Ось це якраз можна віддати моделі.
І окремо: пропишіть правила гри. Поки поодинокі ентузіасти за допомогою AI пишуть листи, це нікого не турбує. Але коли AI стає робочим інструментом команди, у менеджера з’являється нова задача: щоб робота з моделями не перетворилася на AI-слоп, який бісить клієнтів, а важливі дані не опинилися у вільному доступі. Ось мінімум, який варто зафіксувати: які дані можна завантажувати в зовнішні сервіси; де перевірка людиною обов’язкова; хто відповідає за результат, який модель підготувала, а співробітник відправив клієнту. У багатьох компаніях ці правила вже існують, просто написані для людей і паперу — і навіть підписані співробітниками при прийомі на роботу. Старі корпоративні правила не зникають через AI. Їх треба перепроєктувати під новий спосіб роботи.
Що керівнику не варто віддавати AI
AI може зробити перший аналіз, знайти аномалію, запропонувати сценарії й перевірити роботу за правилами. Але «так написав ChatGPT» не знімає відповідальності ні зі співробітника, ні з керівника.
Фінальне рішення лишається за менеджером там, де ситуація нова, де висока ціна помилки і де сам критерій «правильно» неочевидний. Кризи, кадрові рішення, складні переговори.
Але ціна помилки — не єдина причина. Складне варто лишати собі ще й тому, що саме на ньому керівник росте. Кожна ситуація, яку ви розібрали власною головою, згодом перетворюється на правило — те саме, яке потім можна описати й віддати моделі. Якщо ж віддати моделі одразу і рутину, і саме мислення, описувати з часом буде нічого.
Виходить парадокс: чим досвідченіший керівник, тим більше в нього того, що можна формалізувати. І тим легше непомітно перестати бути тим, ким він став.
Складне варто лишати собі свідомо, а не за залишковим принципом. Не «ось це я ще не встиг передати моделі», а «ось це я не передам, бо саме на ньому я росту».
AI добре працює там, де правила вже існують. Керівник потрібен там, де правило ще тільки треба придумати.
