Как передавать дела между людьми и AI

Когда AI начинает участвовать в рабочих процессах, первая проблема обычно возникает не в самой нейросети. Она появляется на стыке между людьми и системой: человек сделал часть работы, AI должен продолжить, затем результат возвращается сотруднику — и в какой-то момент теряется контекст.

В обычной команде передача задачи тоже требует контекста, но люди умеют восполнять пробелы вопросами. AI работает иначе. Если ему не передали исходные данные, промежуточный результат, ограничения и критерии качества, он может продолжить работу вполне уверенно, но уже не с той задачей, которая была у человека.

Поэтому при внедрении AI нужно проектировать не только отдельные действия системы, но и сами точки передачи работы.

Проблема начинается там, где работа передаётся без контекста

Представим простой процесс. Маркетолог анализирует рекламную кампанию, формулирует гипотезу и передаёт задачу AI подготовить новые объявления. Если система получает только фразу «сделай варианты по этой гипотезе», часть смысла уже потеряна.

AI может не знать, на каких данных основана гипотеза, какую аудиторию анализировал маркетолог, что именно не устроило в текущих объявлениях и какие ограничения действуют для бренда.

В результате следующий участник процесса работает не с исходной задачей, а с её сокращённой версией.

Передавать нужно не задачу, а рабочий контекст

Хорошая передача работы содержит несколько элементов: что произошло, что уже сделано, почему принято текущее решение, что нужно получить дальше и по каким критериям оценивать результат.

Элемент

Что должен получить следующий участник

Цель

Какого результата нужно добиться

Контекст

Какие данные и обстоятельства важны

Проделанная работа

Что уже проверено или сделано

Решения

Что уже решили и почему

Ограничения

Что нельзя менять или нарушать

Следующий шаг

Что именно нужно сделать

Критерии качества

Как понять, что результат хороший

Такой формат одинаково полезен для передачи работы от человека к AI, от AI к человеку и между несколькими AI-агентами.

Почему нельзя рассчитывать на историю чата

Иногда кажется, что весь необходимый контекст уже есть в переписке. Но рабочий процесс не должен зависеть от того, сможет ли следующий участник найти нужную информацию среди десятков сообщений.

Чат может содержать устаревшие решения, промежуточные гипотезы и несколько вариантов одной задачи. Для устойчивого процесса важные сведения лучше фиксировать в структурированном виде, отдельно от потока общения.

Тогда передача становится явной, а не случайной.

Промежуточный результат должен быть артефактом

Одно из самых полезных изменений при работе с AI — перестать передавать друг другу только текстовые указания. Вместо этого каждый этап должен оставлять после себя понятный артефакт: таблицу, отчёт, список гипотез, карточку клиента, набор проверенных вариантов или другой результат.

Например, AI-аналитик не просто пишет «в кампании есть проблема», а создаёт карточку с показателями, периодом, сравнением с нормой, возможными причинами и ссылкой на источник данных.

Следующий участник уже может работать с этим объектом, не восстанавливая предыдущую логику по памяти.

У каждого этапа должен быть понятный владелец

Если задача переходит между людьми и AI без обозначения ответственности, быстро появляется серая зона. Все участвовали в процессе, но никто не отвечает за конечный результат.

Лучше заранее определить, кто владеет каждым этапом. AI может анализировать данные и готовить предложение, но человек остаётся ответственным за решение. Или наоборот: в простом и обратимом процессе AI может самостоятельно выполнить действие, а человек контролирует исключения.

Сценарий

AI

Человек

Анализ рекламы

Ищет отклонения и готовит гипотезы

Принимает решение

Классификация заявок

Определяет категорию

Проверяет спорные случаи

Подготовка контента

Создаёт варианты

Утверждает результат

Отчётность

Собирает и структурирует данные

Использует выводы для управления

Критерии качества должны переходить вместе с задачей

Одна из частых ошибок — передать AI инструкцию, но не объяснить, что считается хорошим результатом. В этом случае система будет оптимизировать под собственное понимание задачи.

Фраза «подготовь качественные объявления» почти бесполезна. Гораздо лучше задать конкретные критерии: какие сегменты учитывать, какие обещания запрещены, какие характеристики продукта обязательны, сколько вариантов нужно подготовить и что будет основанием для отбора.

Чем выше цена ошибки, тем конкретнее должен быть критерий качества.

Не вся работа должна передаваться автоматически

Есть процессы, где передача между человеком и AI должна включать обязательную точку контроля. Особенно это касается решений с высокой стоимостью ошибки или задач, где требуется бизнес-контекст.

В таких случаях AI может подготовить результат, но перед следующим этапом человек подтверждает его. Это не отменяет автоматизацию. Наоборот, такой контроль позволяет автоматизировать большую часть работы, не отдавая системе финальную ответственность там, где она пока не нужна.

Полезно разделять работу на обратимые и необратимые действия

Если AI готовит черновик рекламного объявления, ошибку легко исправить. Если он самостоятельно меняет рекламный бюджет или отправляет сообщение клиенту, последствия уже могут быть заметнее.

Поэтому чем ближе действие к необратимому изменению во внешней системе, тем больше контроля должно быть перед передачей результата.

Тип действия

Рекомендуемый уровень контроля

Черновик

Можно выполнять автоматически

Анализ и классификация

Автоматически, с выборочной проверкой

Создание внутренней задачи

Автоматически по понятным правилам

Изменение бюджета

Подтверждение человеком

Отправка клиенту

Контроль в зависимости от сценария

Изменение критичных данных

Обязательное подтверждение

Передача должна быть стандартизирована

Если каждый сотрудник передаёт работу по-своему, AI-система быстро становится непредсказуемой. Один человек прикладывает ссылки и цифры, другой пишет длинное описание, третий ограничивается одной фразой.

Для повторяющихся процессов лучше создать простой шаблон передачи. Он не должен быть огромным: достаточно нескольких обязательных полей, которые гарантируют, что следующий участник получит минимально необходимый контекст.

Со временем такой шаблон можно улучшать на основе реальных ошибок.

Как выглядит хороший handoff

Допустим, маркетолог обнаружил, что стоимость заявки в рекламной кампании выросла. Вместо сообщения «проверь кампанию» он передаёт AI структурированный результат: период сравнения, текущий CPL, нормальный диапазон, кампанию, источник данных, уже проверенные факторы и задачу — найти наиболее вероятные причины роста.

AI получает достаточно информации, чтобы не начинать расследование с нуля. Если он находит отклонение, он возвращает не просто текстовый вывод, а следующий артефакт: причину, подтверждающие данные, степень уверенности и рекомендуемое действие.

После этого человек принимает решение или передаёт задачу дальше.

AI должен уметь говорить «контекста недостаточно»

Это важное правило для качественной системы. Если AI всегда обязан выдать результат, он будет заполнять пробелы предположениями.

Гораздо безопаснее предусмотреть отдельный сценарий: если не хватает данных, система не продолжает работу наугад, а возвращает задачу с конкретным запросом на недостающую информацию.

Такой механизм особенно важен для процессов, где ошибка дорого обходится.

Что делать с исключениями

Любой реальный процесс имеет нестандартные случаи. Не стоит пытаться сразу описать все исключения в огромной инструкции.

Для начала достаточно определить несколько распространённых ситуаций и правило эскалации: если AI не может уверенно классифицировать случай или не выполняется критерий качества, задача передаётся человеку.

Затем реальные исключения можно постепенно добавлять в систему как новые правила и примеры.

Передача между несколькими AI-агентами требует ещё большей дисциплины

Когда в workflow участвуют несколько агентов, проблема контекста становится заметнее. Один собирает данные, второй анализирует, третий готовит материал, четвёртый проверяет результат.

Если каждый агент получает только предыдущий ответ, ошибки и потерянный контекст начинают накапливаться. Поэтому между агентами должны передаваться не только сообщения, но и структурированные артефакты.

В зрелой системе следующий агент понимает не только «что сказал предыдущий», но и на каких данных основан результат, какие проверки уже проведены и что осталось сделать.

Не нужно передавать весь контекст на каждом шаге

Есть и обратная проблема. Если каждый этап получает всю историю компании, все документы и все предыдущие результаты, системе становится сложнее выделять действительно важную информацию.

Лучше передавать минимально достаточный контекст для конкретного действия. Общая база может быть доступна системе, но в рабочий шаг должны попадать именно те данные, которые нужны для принятия текущего решения.

Как измерять качество передачи работы

Если handoff постоянно приводит к уточняющим вопросам, ошибкам или повторной работе, проблема может быть не в AI, а в самой передаче.

Полезно отслеживать несколько показателей: сколько раз приходится возвращать задачу на предыдущий этап, сколько времени уходит на уточнение контекста, сколько ошибок появляется после передачи и какая доля результатов проходит проверку с первого раза.

Показатель

Что показывает

Возвраты задачи

Насколько полно передан контекст

Уточняющие вопросы

Каких данных не хватает

Ошибки после передачи

Где теряется смысл задачи

Время на повторную работу

Стоимость плохого handoff

Доля результатов без доработки

Качество передачи и критериев

Как внедрять это на практике

Не нужно сразу создавать универсальный стандарт для всей компании. Выберите один повторяющийся процесс, где работа действительно переходит от одного участника к другому.

Опишите, какие данные нужны на входе, какой артефакт должен появляться после каждого этапа, кто принимает решение и что происходит при недостатке информации. После нескольких циклов станет видно, какие поля действительно нужны, а какие можно убрать.

Так стандарт передачи формируется из реальной работы, а не из теоретической инструкции.

Хороший handoff снижает зависимость от конкретного сотрудника

Это особенно важно для бизнеса, где процессы держатся на опыте нескольких сильных специалистов. Пока знания находятся только в голове сотрудника, автоматизировать работу сложно.

Когда решения, критерии, примеры и промежуточные результаты фиксируются как часть процесса, часть экспертности становится доступной другим людям и AI.

В результате система становится устойчивее: работа не останавливается полностью, если конкретный человек заболел, ушёл в отпуск или сменил должность.

Вывод

Передача работы между человеком и AI — это отдельная часть процесса, а не техническая мелочь. Если на этом этапе теряется контекст, даже хороший AI начинает работать хуже.

Поэтому в каждом AI-workflow стоит заранее определить, что именно передаётся дальше: цель, исходные данные, уже выполненная работа, решения, ограничения, следующий шаг и критерии качества. Для повторяющихся процессов всё это лучше оформить в понятный шаблон или структурированный артефакт.

Не обязательно стремиться к полной автоматизации. Во многих случаях гораздо разумнее построить цепочку, где AI выполняет рутинные действия, человек принимает важные решения, а каждый следующий участник получает достаточно информации, чтобы продолжить работу без повторного сбора контекста.

Когда такая передача становится частью системы, AI перестаёт быть отдельным инструментом. Он начинает работать внутри процесса — вместе с людьми, данными и другими AI-компонентами.