Uber перевела эксперимент с корпоративным AI в масштабный режим: ChatGPT Work стал доступен более чем 30 тысячам сотрудников компании. До этого инструмент тестировала примерно тысяча человек. Теперь перед Uber стоит задача сложнее самого запуска — доказать, что AI-агент меняет рабочие процессы, а не просто добавляет ещё одно приложение в корпоративный стек.
Важно уточнить масштаб. Речь идёт о штатном корпоративном персонале Uber, а не о водителях и курьерах платформы. И это не подтверждение того, что AI уже заменяет сотрудников: компания не связывала внедрение ChatGPT Work напрямую с сокращениями и не раскрыла проверенных показателей экономии или роста производительности.
От пилота к доступу по умолчанию
ChatGPT Work получил доступ к инструментам, которыми сотрудники пользуются ежедневно: Gmail, Google Drive, Calendar и Slack. По заявленным возможностям, он может искать информацию во внутренних материалах, готовить документы к встречам, собирать презентации, анализировать данные и помогать с многошаговыми задачами. Разработчики Uber при этом продолжают использовать отдельный инструмент Codex.
Пилот проходил примерно на тысяче сотрудников из финансовых, операционных и продуктовых команд. Около 80% участников не были инженерами. Среди сценариев назывались анализ операционных данных, локализация учебных материалов и создание интерактивных дашбордов.
Это важная деталь: Uber проверяла инструмент не только там, где сотрудники привыкли работать с кодом и техническими системами. Массовая ценность корпоративного AI должна проявляться в менее эффектных, но регулярных задачах — подготовке сводок, поиске информации, обработке запросов, сравнении документов и координации работы между командами.
Компания также создала внутреннюю библиотеку AI-навыков, перечень одобренных интеграций и программу обучения. Иными словами, масштабируется не только модель. Uber пытается построить вокруг неё правила, примеры использования и ограничения.
Почему лицензия не равна производительности
Количество подключённых сотрудников — удобный показатель для пресс-релиза, но слабый показатель для бизнеса. Он не отвечает на несколько практических вопросов:
- сколько времени занимает задача до и после внедрения;
- сколько ответов и документов приходится исправлять вручную;
- кто проверяет результат и сколько стоит такая проверка;
- в каких командах инструмент действительно используется регулярно;
- не приводит ли ускорение подготовки материалов к росту числа ненужных документов и согласований.
Например, AI может за несколько минут собрать сводку из переписки и документов. Но если руководителю приходится заново проверять каждую цифру, искать пропущенный контекст и исправлять формулировки, реальная экономия времени окажется меньше, чем кажется по скорости генерации.
Другой сценарий — подготовка к встрече. Агент способен найти письма, документы и предыдущие договорённости в нескольких системах. Однако ценность такой функции появляется только тогда, когда собранная информация полна, корректна и действительно сокращает время подготовки, а не создаёт ещё один файл для проверки.
Как оценивать эффект после пилота
Массовое внедрение имеет смысл рассматривать как измерительный проект. Компании стоит сравнивать не абстрактную «удовлетворённость AI», а конкретные процессы.
1. Время выполнения типовых задач
Нужно выбрать повторяемые операции и сравнить их длительность до и после подключения инструмента. Например, подготовку еженедельного отчёта, сбор данных для встречи или обработку внутреннего запроса. Сравнение должно учитывать не только время работы AI, но и время сотрудника на проверку и доработку.
2. Доля ручных исправлений
Быстрый черновик не обязательно является готовым результатом. Полезно фиксировать, какая часть созданного материала сохраняется без существенных изменений, а какая переписывается человеком. Это особенно важно для финансовых расчётов, операционных инструкций и внешних коммуникаций.
3. Полную стоимость операции
В расчёт входят лицензия, интеграции, обучение, контроль доступа и работа специалистов, проверяющих результат. Если агент выполняет задачу быстро, но требует дорогой многоступенчатой верификации, бизнес-эффект может оказаться ограниченным.
4. Число процессов с доступом к нескольким системам
Сильная сторона агента — не только умение отвечать на вопрос, но и способность связать контекст из Gmail, Drive, Calendar и Slack. Поэтому отдельно стоит отслеживать процессы, где AI работает с несколькими источниками, а не используется как обычное окно для вопросов.
При этом такой доступ повышает требования к разрешениям и контролю. Чем больше систем связано в одном сценарии, тем важнее понимать, какие данные агент видит, какие действия может инициировать и где остаётся обязательная проверка человеком.
Что Uber пока не доказала
Публично подтверждены масштаб развёртывания, перечень подключаемых инструментов, опыт пилота и организационные меры вокруг внедрения. Но этого недостаточно, чтобы утверждать рост производительности или снижение расходов.
Uber не раскрыла стоимость программы и не представила проверенные показатели, показывающие, сколько времени или денег удалось сэкономить. Поэтому корректнее говорить о переходе к этапу, на котором такие данные должны появиться, а не о доказанной окупаемости.
Есть и ещё одна важная граница интерпретации. Недавняя реорганизация Uber и сокращения примерно 10% команды не позволяют автоматически сделать вывод, что их причиной стал ChatGPT Work. Компания описывала изменения как перестройку организации и не называла AI основанием увольнений.
Главный урок для компаний
Uber интересна не тем, что выдала сотрудникам корпоративный чат-бот. Гораздо важнее сам переход от пилота к широкому доступу. На этой стадии компаниям уже недостаточно считать активных пользователей, число запросов или количество созданных документов.
Следующий стандарт корпоративного AI — это прозрачная экономика рабочего процесса: сколько времени сэкономлено, сколько ошибок устранено, сколько стоит проверка и какие операции действительно стали быстрее или качественнее.
Массовый доступ может ускорить обучение организации и выявить новые сценарии. Но он же способен масштабировать неэффективность: плохо настроенные процессы, лишние согласования и поток материалов, которые никто не использует. Поэтому главный вопрос для Uber и других компаний звучит не «у кого есть AI-агент?», а «какую измеримую работу он выполняет лучше человека или вместе с ним?»
