Если вы когда-нибудь поручали задачу коллеге и получали результат, который выглядит законченным, но внутри — пустота, поздравляем: скорее всего, вы столкнулись с workslop.

Нет, это не опечатка. Workslop — главный термин 2026 года, и если вы о нём ещё не слышали, скоро услышите. Понятие популяризировали исследователи из Стэнфорда и BetterUp, а также Harvard Business Review, CNBC и Gartner. «Workslop» — это то, с чем многие из нас уже сталкивались, но не знали, как это назвать: халтурная работа, сгенерированная ИИ и выданная за полноценный результат. Это растущая проблема, которая напрямую влияет на качество работы сделанной с помощью ИИ в командах.

Но прежде чем вы решите, что это очередная статья про этику ИИ, давайте поговорим о том, что мы реально теряем. И потери — совсем не маленькие.

Проблема на $9 миллионов, которая прячется у всех на виду

Workslop опасен тем, что на первый взгляд не выглядит как проблема. В презентации есть буллиты, чёткая структура и даже выводы — всё на месте. Проблемы проявляются позже. Клиент отклоняет шаблонную стратегию. Цифра в отчёте оказывается «галлюцинацией» нейросети. Кто-то пытается действовать на основе «инсайтов» и обнаруживает, что за уверенными формулировками — ничего.

Именно здесь становится видна разница в качестве работы, сделанной с помощью ИИ.

По данным последних исследований:

• 41% сотрудников получали от коллег халтурную работу, сгенерированную ИИ
• Каждый такой случай стоит в среднем 2 часа на переделку
• 58% сотрудников крупных компаний тратят больше 3 часов в неделю только на исправление результатов работы ИИ
• И, пожалуй, самое болезненное: половина получателей после этого считают отправителя менее компетентным

Если пересчитать эти цифры на среднюю или крупную компанию, получится примерно $9 миллионов в год потерянной продуктивности — именно такую цифру приводит Gartner, описывая реальную стоимость потерь продуктивности из-за workslop на уровне предприятия.

Это и есть реальное влияние снижения продуктивности из-за workslop внутри организаций. Тысячи мелких провалов каждый день. Отчёт, который пришлось переписывать. Предложение, которое собирали заново. Бриф, который ушёл клиенту полусырым и вернулся с вопросами, на которые никто не смог ответить.

Эти скрытые затраты на переделку результатов ИИ накапливаются в командах со временем.

Что такое workslop на рабочем месте?

Слово звучит грубовато — так и задумано. Workslop = work (работа) + slop (помои). Это то, что получается, когда человек берёт ИИ-инструмент, вносит минимальные правки и выдаёт результат за свою работу — не думая, не исследуя, не проверяя и не добавляя ничего по-настоящему ценного.

Важно также сказать, чем workslop не является. Workslop — это не использование ИИ как таковое. Использовать ИИ, чтобы ускорить мышление, структурировать мысли, обработать информацию или сгенерировать варианты — это нормально. Для этого ИИ и существует. Проблема не в самом ИИ. Проблема — в использовании его как замены мышлению, а не как ускорителя мышления.

Простой тест: спросите себя: «Сможет ли человек, который сдал эту работу, объяснить её устно?» Сможет ли он обосновать конкретное утверждение? Скажет ли, откуда взял конкретную статистику?

Работу сделал ИИ. Сотрудник просто нажал «отправить».

Почему workslop распространяется — и почему его сложно остановить

Вот почему качество работы, выполненной с помощью ИИ, в командах стало так резко падать:

Команды быстро внедрили ИИ-инструменты, но всё остальное осталось прежним. Дедлайны, ожидания и требования к результату не изменились. А потом появляется инструмент, который может сгенерировать что-то завершённое за пару минут — и кто-то просто идёт по пути наименьшего сопротивления.

Никто не сказал им, что так нельзя. Никто не объяснил, что на самом деле значит «ответственное использование ИИ». А поскольку результат выглядит хорошо — ИИ пишет уверенно, попадает в нужный объём, всё красиво оформлено — он чаще всего проходит первичную проверку.

Есть и социальный аспект. Когда вам кажется, что коллега сгенерировал работу через ИИ, хочется сказать об этом, но вы не уверены. Вам некомфортно предъявлять такие обвинения. Вы не хотите обвинить человека несправедливо. Поэтому просто исправляете и идёте дальше.

Тем временем затраты на переделку результатов ИИ — часы, которые ваша команда тратит на исправление чужих работ — не попадают ни в один отчёт о продуктивности. Они растворяются в «текучке» и переработках, в тихом раздражении людей, которые чувствуют, что постоянно разгребают за кем-то.

7 признаков того, что в вашей команде есть проблема workslop

Не нужно параноидально следить за использованием ИИ. Достаточно знать, на что обращать внимание.

Сроки выполнения, которые не соответствуют сложности задачи

Глубокий конкурентный анализ готов за 45 минут. Техническая спецификация, на которую нужен день, сдаётся к обеду. Скорость сама по себе не подозрительна — но резкое и необъяснимое сжатие сроков на сложных задачах стоит перепроверить.

Шаблонные рассуждения, которые подходят к чему угодно

«Компаниям в этой отрасли следует сосредоточиться на цифровой трансформации и клиентском опыте.» Эту фразу мог выдать любой ИИ, про любую отрасль, в любое время. Настоящий анализ — конкретный. У настоящего анализа есть точка зрения.

Уверенная статистика без источников

«Исследования показывают, что 67% потребителей предпочитают…» — и дальше ни ссылки, ни цитирования, ни источника. ИИ обожает генерировать правдоподобные цифры. Это один из самых простых маркеров.

Гладкий текст, пустое содержание

Работа читается хорошо, но не выдерживает вопросов. Копните логику — а за ней ничего нет. Workslop часто безупречен по структуре и абсолютно пуст интеллектуально.

Рекомендации под копирку

Каждая стратегическая записка заканчивается вариацией на тему «инвестируйте в технологии, развивайте компетенции команды, приоритизируйте данные». Если рекомендации мог написать любой человек, не знающий ни вашу компанию, ни контекст — скорее всего, так и было.

Нет следов рабочего процесса и итераций

Реальная работа оставляет следы — заданные вопросы, промежуточные черновики, переписка. Когда человек сдаёт отполированный документ без единого следа процесса и ни разу не задал уточняющий вопрос — это повод задуматься.

Доработка ложится на других

Один из самых чётких паттернов workslop: один человек стабильно сдаёт работу быстро, а все, кто работает с его результатами, стабильно всё переделывают. Работа никуда не исчезла. Она просто переложена на чужие плечи.

Ловушка переделок, о которой никто не говорит

А теперь — самое болезненное. Один сотрудник пишет отчёт за три минуты. Выглядит как звезда: задача выполнена, работа сделана, всё быстро. Затем другой член команды два часа переделывает этот отчёт. Эта работа полностью невидима. Она записывается как «занятость» второго сотрудника, а не как следствие низкого качества исходного отчёта.

Именно так workslop незаметно проникает в организации. С точки зрения метрик продуктивности всё отлично: объёмы растут, задачи закрываются, дедлайны соблюдаются. Но на уровне команды качество падает. Часы, потраченные на переделку результатов ИИ, — скрытые, но растущие затраты на переработку ИИ-контента, — прячутся в табеле другого сотрудника.

Вы не увидите этого, если смотрите только на то, что сдано. Нужно видеть, как это было создано и что произошло с результатом потом.

Как учёт времени в WebWork выявляет workslop до того, как он нанесёт ущерб

Именно здесь такой инструмент, как WebWork, становится по-настоящему полезным — не как система слежки, а как система раннего предупреждения.

Учёт времени и мониторинг активности в WebWork дают руководителям возможность увидеть как за что. Когда вы видите, как на самом деле выполняется работа, вы можете отслеживать паттерны и со временем повышать продуктивность, снижая уровень workslop.

Разрыв между временем и результатом: Если задача, которая исторически занимает два часа, залогирована как выполненная за восемь минут — это сигнал. Сам по себе он ничего не доказывает, но заслуживает внимания, особенно если повторяется на сложных задачах.

Данные о приложениях и активности: Программа мониторинга компьютеров сотрудников WebWork отслеживает, какие приложения используются в рабочее время. Если кто-то выдаёт аналитические материалы, но не проводит времени в исследовательских инструментах, базах данных или источниках — а вся активность сосредоточена в одном окне ИИ-чата — паттерн говорит сам за себя.

Тренды продуктивности во времени: Когда объём работы резко растёт, а качество работы, сделанной с помощью ИИ, падает — это хорошо видно в данных. Это тот паттерн, который невозможно заметить без трекинга, но очевиден, когда есть наглядная картина.

Ключевое отличие: Программа мониторинга сотрудников WebWork — это не про то, чтобы ловить людей. Это про то, чтобы дать руководителям данные для конструктивного диалога. «Я заметил, что на этот отчёт ушло 11 минут. Расскажи, как ты к нему подошёл?» — это совершенно другой разговор, чем «По-моему, ты использовал ИИ». Первое — это коучинг. Второе — обвинение. Данные делают возможным именно первый вариант.

Как построить команду, которая использует ИИ правильно

Цель — не в том, чтобы люди боялись ИИ. Цель — чтобы использование ИИ делало команду реально сильнее, а не просто создавало видимость скорости.

Определите критерии качества, а не правила использования инструментов: Вместо регламентов о допустимых инструментах определите, что такое хороший результат. Какой уровень детализации нужен? Что должно быть исследовано? На какие вопросы должна отвечать работа? Чёткие критерии качества не оставляют шансов выдать сгенерированную «воду» за полноценный результат.

Сделайте переделки видимыми: Если чья-то работа стабильно требует двух часов доработки от других — это должно быть где-то зафиксировано. Сейчас это нигде не видно: автор выглядит продуктивным, а те, кто за ним переделывает — перегруженными.

Сделайте нормой обсуждение процесса: В команде должно быть нормально спросить: «Как ты к этому подошёл?» Не в форме допроса, а как естественная часть культуры качества. Команды, которые обсуждают рабочий процесс, выявляют workslop органически.

Сначала коучинг, потом меры: Иногда workslop — это симптом того, что человек перегружен и хватается за быстрые решения. Данные из WebWork помогают заметить это до того, как сформируется паттерн, — и решить вопрос как проблему нагрузки, а не как нарушение дисциплины.

Заключение

ИИ был создан, чтобы сделать вашу команду продуктивнее. И он может — если используется для усиления человеческого мышления, а не для его замены.

Большинство организаций до сих пор не умеют эффективно измерять качество работы, сделанной с помощью ИИ. Вместо этого они опираются на количественные метрики продуктивности — выполненные задачи, сданные документы, проекты со статусом «завершён» — без какого-либо реального измерения качества, затрат на переделку или скрытых расходов. Они видят скорость и не замечают ущерба.

Цифра в $9 миллионов — это сигнал к пробуждению. Не только потому, что это реальная сумма (хотя так и есть). Это реальная проблема, которая касается множества людей и плохо измеряется, потому что компании внедряют ИИ-инструменты без чётких правил их эффективного использования.

Хотите увидеть, как ваша команда действительно работает — а не просто что она сдаёт? Программа мониторинга сотрудников WebWork помогает выявлять пробелы в продуктивности, сокращать переделки и повышать качество результатов в реальном времени.