Workslop: как ИИ в команде ускоряет отчётность, а не саму работу

Термин workslop (от англ. work — «работа» и slop — «помои») закрепился в 2025 году за сгенерированным нейросетями контентом, который выглядит законченным, но не продвигает задачу и перекладывает разбор на коллег. Первыми явление описали в сентябре 2025 года исследователи BetterUp Labs и Stanford Social Media Lab: сотрудники массово жаловались на материалы, которые заставляют получателя доделывать чужую работу. Тогда же Harvard Business Review вышел с заголовком «AI-Generated “Workslop” Is Destroying Productivity» — несмотря на взрывной рост использования генеративного ИИ, большинство компаний так и не увидели измеримой отдачи. Контролируемый эксперимент с разработчиками показал, что с ИИ-инструментами они выполняли задачи на 19% дольше, чем без них, хотя сами прогнозировали ускорение на 24%. При этом, по опросу 121 тысячи разработчиков из более чем 450 компаний, 92,6% уже пользуются ИИ хотя бы раз в месяц. Разрыв между ожиданиями и реальным результатом стал главной темой ноябрьских обсуждений на Хабре.

Что такое workslop и откуда он берётся

Workslop появляется там, где нейросеть ускоряет создание документа, но не его осмысление. Раньше на описание задачи уходил день, теперь час — однако дальше по цепочке кто-то всё равно тратит день, чтобы вытащить из текста смысл и собрать недостающие решения. В опросе BetterUp Labs и Stanford Social Media Lab участники описывали сгенерированные материалы, которые выглядели готовыми, но требовали доработки на стороне получателя. Исследователи прямо называют это переносом работы на коллег.

Проблема не в том, что модель ошибается. Автор старался подробно описать задачу, получатель — быстрее в ней разобраться, нейросеть могла нигде не соврать. Просто команда успела написать заметно больше, чем успела решить. Опрос Russell Reynolds добавляет контекст: 79% руководителей ждут от ИИ резкого роста продуктивности команды, что само по себе подталкивает сотрудников генерировать больше отчётов.

Цифры: когда ИИ замедляет, а не ускоряет

Контролируемый эксперимент, перевод которого разошёлся по Хабру, дал неожиданный результат: с ИИ-инструментами разработчики решали задачи на 19% дольше. Участники прогнозировали ускорение на 24%, а после завершения всё ещё считали, что ИИ помог им примерно на 20% — расхождение между ощущением и фактом почти двукратное. Опрос METR 2026 года отдельно замерял влияние ИИ на скорость и на ценность работы: инструменты меняют не только темп, но и сам набор задач, за которые человек берётся.

На уровне компаний картина похожая. Анализ данных 25 000 работников в семи тысячах компаний показал, что пользователь ИИ при 40-часовой неделе экономит в среднем лишь 2,2 часа. В другом опросе 85% сотрудников заявили, что ИИ экономит им от 1 до 7 часов в неделю, однако 37% сэкономленного времени уходит на исправление ошибок самого ИИ. Исследователи Berkeley, восемь месяцев наблюдавшие за одной технологической компанией, зафиксировали парадокс: отдельные эпизоды работы с ИИ сотрудники называли увлекательными, а рабочий день в целом — более напряжённым.

Что происходит с качеством кода

Способность нейросетей улучшать качество пока используется слабее, чем способность ускорять написание нового кода. В Meta запустили TestGen-LLM, который дополняет уже написанные тесты: по данным авторов, 73% предложений после проверки инженерами приняли в прод. Это редкий пример, где ИИ повышает качество, а не просто генерирует очередную фичу.

Обратная сторона описана в ноябрьском препринте 2026 года. Авторы проверяли, повторяют ли агенты уязвимости, которые уже есть в проекте: когда модели показывали уязвимые варианты существующего кода, похожие уязвимости чаще появлялись и в новых изменениях, а просьба следовать существующему стилю усиливала эффект. То есть агент без контроля тиражирует ошибки образца, а не исправляет их.

Как оценивать результат работы с ИИ

Складный объёмный текст больше не доказывает, что автор разобрался в теме. В исследовании, опубликованном в PNAS в 2025 году, участники оценивали сотрудника по краткому описанию: если упоминалась помощь ИИ, его в среднем считали менее компетентным и старательным, чем при аналогичной помощи из других источников. На практике это порождает странную игру: от сотрудника ждут ускорения с нейросетями, но участие инструмента лучше спрятать. Bloomberg описывает, как люди меняют язык, чтобы не выглядеть пользователями ChatGPT.

Есть и позитивные примеры. В эксперименте Дэвида Аутора и соавторов с патентными юристами документы оценивали эксперты, не знавшие, кто пользовался ИИ: группа с доступом к специализированному помощнику получила более высокую среднюю оценку качества. Canva в 2025 году включила ИИ в технические собеседования и усложнила задания — кандидатам нужно разбираться с неоднозначными условиями и исправлять сгенерированный код. Инструментом пользоваться можно, понимать результат всё равно нужно.

Вывод. ИИ в команде ускоряет производство отчётов и черновиков, но не снимает необходимость разбираться в результате. Реальную эффективность стоит мерить не скоростью первой версии, а тем, сколько переделок и уточнений понадобилось после передачи работы дальше.

Источники: habr.com, hbr.org, naked-science.ru, devby.io, builtin.com, vc.ru