ИИ-бумеранг: почему компании возвращают уволенных сотрудников

ИИ 10 мин чтения

---

Компании по всему миру массово сокращали персонал, объясняя это переходом на автоматизацию. Теперь часть из них тихо возвращает тех же людей обратно, иногда на те же должности, иногда на новые, но с похожими функциями. Это явление получило название «ИИ-бумеранг», и оно уже затронуло финансовый сектор, инженерию, клиентский сервис, HR и маркетинг. Ниже: что именно пошло не так, какова реальная цена поспешной автоматизации и что из этого следует для тех, кто сейчас выстраивает процессы с опорой на ИИ-инструменты.

Почему компании начали возвращать людей

Когда автоматизация только набирала обороты, логика казалась очевидной: ИИ выполняет рутинные задачи быстрее и дешевле человека, значит, часть штата можно сократить. Многие компании так и поступили, и столкнулись с проблемами, которые не были заложены в расчёты.

По данным исследования Robert Half, среди американских работодателей, ранее упразднявших должности из-за автоматизации, 32% впоследствии восстановили эти позиции. В Канаде показатель оказался чуть выше, 34%. Отдельный опрос, проведённый SHL совместно с Propeller Insights среди более чем тысячи работников в США, показал: почти каждый пятый сотрудник, уволенный или замещённый ИИ, получил предложение вернуться.

Причины разворота оказались системными, а не единичными. ИИ хорошо справляется с формализованными, повторяющимися операциями: обработкой стандартных запросов, заполнением форм, базовой классификацией данных. Но как только задача выходит за рамки шаблона, требует контекстного суждения, учёта исключений или понимания неформальных договорённостей внутри компании, качество результата резко падает. Ошибки накапливаются, их приходится исправлять вручную, и расходы на «починку» автоматизации начинают перекрывать экономию.

Дополнительный фактор: потеря институциональных знаний. Опытный сотрудник несёт в себе понимание того, как устроены процессы именно в этой компании, какие клиенты требуют особого подхода, где скрыты нетипичные риски. Это знание не хранится в базах данных и не передаётся ИИ при внедрении.

Реальные примеры: что пошло не так

Абстрактные рассуждения о пределах автоматизации хорошо иллюстрируются конкретными случаями из практики крупных компаний.

• Ford за несколько лет нанял, вернул или повысил около 350 опытных инженеров после того, как автоматизированные системы контроля качества не смогли выявить ряд производственных проблем. Вернувшиеся специалисты не только закрыли пробелы в контроле, но и доработали сами ИИ-инструменты, компания сообщила о значительной экономии на гарантийных ремонтах и отзыве автомобилей. То есть люди здесь стали не заменой автоматизации, а условием её нормальной работы.
• Klarna, активно внедрившая ИИ в клиентскую поддержку, также была вынуждена снова нанимать специалистов. Компания признала, что чрезмерная оптимизация ухудшила качество обслуживания: бот продолжил обрабатывать большую часть обращений, но сложные и нестандартные случаи требовали живого участия.
• Commonwealth Bank of Australia восстановил более 40 клиентских позиций после неудачного запуска голосового ИИ-бота: вместо снижения нагрузки на операторов бот спровоцировал рост числа повторных обращений, клиенты не получали нужного ответа и перезванивали.
• IBM внедрила систему для HR, которая обрабатывала около 94% запросов сотрудников. Оставшиеся 6% включали случаи, требующие этических решений и тонкого суждения, именно там автоматизация давала сбой. Компания решила увеличить найм сотрудников начального уровня, чтобы закрыть этот разрыв.

Все эти случаи объединяет одно: ИИ не провалился полностью он просто оказался неполным решением там, где его считали полным.

Сколько стоит поспешная автоматизация

Экономика «ИИ-бумеранга» выглядит неприятно для тех, кто торопился с сокращениями.

По данным исследования Careerminds, около двух третей компаний, сокративших персонал из-за ИИ, уже начали возвращать сотрудников. При этом 30,9% потратили на повторный найм больше, чем сэкономили на автоматизации. Ещё 42,4% оказались примерно в нуле. С учётом выходных пособий, потери производительности в переходный период и затрат на рекрутинг средняя стоимость сэкономленного доллара составила 1,27 доллара.

Forrester прогнозирует, что к концу года будет пересмотрена примерно половина увольнений, напрямую связанных с внедрением ИИ. По данным исследований Forrester и Orgvue, более половины компаний, сокративших персонал в расчёте на автоматизацию, впоследствии пожалели об этом решении.

Отдельная статья расходов: условия возвращения. Сотрудники, которым предлагают вернуться, понимают свою переговорную позицию. По данным опроса SHL и Propeller Insights, почти половина потребует существенного повышения зарплаты, 43%: письменных гарантий занятости, около 40%: полной прозрачности относительно того, как именно ИИ будет использоваться в их работе. Доверие подорвано, и восстанавливать его придётся на условиях сотрудника, а не работодателя.

Что ИИ умеет хорошо, а что: плохо

Чтобы не повторять чужих ошибок, полезно чётко разграничить, где автоматизация работает надёжно, а где создаёт риски.

ИИ справляется с задачами, которые:

• имеют чёткий алгоритм и предсказуемый набор входных данных;
• не требуют понимания контекста за пределами конкретного запроса;
• допускают ошибку без серьёзных последствий для бизнеса или клиента;
• повторяются в большом объёме и не меняются от случая к случаю.

ИИ работает хуже там, где нужны:

• эмпатия и управление эмоциональным состоянием клиента;
• институциональные знания: понимание истории отношений, неформальных договорённостей, специфики конкретного клиента;
• способность распознать, что задача поставлена неверно, и переформулировать её;
• этическое суждение в нестандартных ситуациях;
• построение долгосрочных отношений, где важна личная ответственность.

Это разграничение не теоретическое. Именно его игнорирование привело к проблемам у Ford, Klarna, Commonwealth Bank и IBM. Автоматизация работала на «стандартном» потоке, но не справлялась с исключениями, а исключения в бизнесе случаются постоянно.

Как это работает в клиентских коммуникациях и работе с отзывами

Для команд, которые работают с покупателями на маркетплейсах, описанная динамика особенно показательна. Отзывы на Wildberries, Ozon или Яндекс Маркете это именно тот тип задачи, где автоматизация даёт реальный эффект при правильном подходе: большой объём, повторяющиеся паттерны, необходимость быстрого ответа.

Но опыт компаний, попавших в «ИИ-бумеранг», подсказывает: автоматизация ответов на отзывы работает устойчиво только тогда, когда она дополняет человеческий контроль, а не полностью его заменяет. Стандартный позитивный отзыв: задача для автоответа. Негативный отзыв с претензией к качеству товара, который уже набрал несколько лайков и влияет на рейтинг карточки, это случай, где нужна живая оценка и точная формулировка.

Сервисы вроде SaleSynergy строятся именно на этой логике: ИИ-агенты обрабатывают поток стандартных обращений и генерируют персонализированные ответы с учётом tone of voice бренда, а аналитика отзывов маркетплейсов помогает выявить системные проблемы с товаром, то, что требует уже человеческого решения на уровне ассортимента или производства. Автоматизация ответов на отзывы здесь не вытесняет команду, а освобождает её от рутины ради задач, где человеческое суждение действительно необходимо.

Управление репутацией на маркетплейсе: хороший пример того, как правильно выстроенная граница между автоматическим и ручным режимом даёт устойчивый результат без откатов.

Чему учит тренд: устойчивая модель вместо маятника

Историй с «ИИ-бумерангом» становится больше не потому, что ИИ плохо работает. Они появляются потому, что компании переоценили его возможности в конкретных контекстах и недооценили стоимость человеческой экспертизы.

Наиболее устойчивая модель, которую подтверждает практика Ford, IBM и других компаний, это не выбор между людьми и автоматизацией, а их осознанное сочетание. Автоматизация берёт объём и скорость. Люди берут суждение, контекст и ответственность за нестандартные случаи. Попытка сдвинуть эту границу слишком далеко в одну сторону ведёт к сбоям, и к затратам на их устранение, которые превышают изначальную экономию.

Возвращающиеся сотрудники, в свою очередь, меняют свою роль: они уже не просто исполнители тех же функций, что до автоматизации, а люди, которые умеют работать вместе с ИИ-инструментами, контролировать их вывод и вмешиваться там, где алгоритм даёт сбой. Именно эта комбинация: опыт плюс умение работать с автоматизацией, становится реальным конкурентным преимуществом как для сотрудника, так и для компании.

Что делать с этим прямо сейчас

Если вы строите или пересматриваете процессы с участием ИИ-инструментов, вот практические ориентиры, которые следуют из описанных кейсов.

Перед внедрением автоматизации:

• Разделите задачи на две группы: те, где ошибка некритична и объём высок, и те, где ошибка влечёт репутационные или финансовые потери. Первые автоматизируйте смело, вторые: только с человеческим контролем на выходе.
• Не рассчитывайте на полное замещение: закладывайте в модель, что часть задач всегда будет требовать живого участия.
• Оцените стоимость возврата: если автоматизация не сработает, сколько будет стоить восстановление экспертизы? Это должно быть частью расчёта ROI.

Если автоматизация уже внедрена и даёт сбои:

• Не ждите, пока проблема вырастет. Точечный возврат людей на критичные участки обходится дешевле, чем устранение накопленного ущерба.
• Используйте возвращающихся сотрудников не как замену автоматизации, а как её надзорный слой это даёт двойной эффект.
• Фиксируйте, какие типы задач регулярно требуют ручного вмешательства: это сигнал либо к доработке модели, либо к постоянному выделению человеческого ресурса на этот участок.

Типичные ошибки, которых стоит избегать:

• Считать экономию на зарплатах чистой прибылью без учёта потерь производительности, стоимости ошибок и затрат на повторный найм.
• Внедрять автоответы на отзывы или автоматизацию поддержки без мониторинга качества вывода, особенно на негативных и нестандартных обращениях.
• Игнорировать институциональные знания при сокращениях: часть из них невозможно восстановить даже при возврате тех же людей, если прошло достаточно времени.

Тренд «ИИ-бумеранга» не аргумент против автоматизации. Это аргумент против автоматизации без анализа границ её применимости. Компании, которые это поняли раньше, уже перестраивают процессы. Остальные, судя по прогнозам Forrester, сделают это в ближайшие месяцы, но с более высокой ценой урока.