Идеи для лидера: распределенное управление и «человеческие»
ошибки ИИ

В условиях удаленной работы и гибридной занятости старые модели лидерства больше не работают. Ученый из немецкого Университета прикладных наук и искусств Билефельда (HSBI) Филипп Корте сформулировал новую теорию —Temporal Leadership Mediation (TLM), объясняющую, как физический разрыв между лидером и командой влияет на эффективность руководства. На основе обзора 78 мультидисциплинарных статей автор обнаружил, что виртуальное взаимодействие усиливает зависимость от четкой координации задач, ослабляет доверие, спонтанность и командную работу.

Модель TLM утверждает, что в виртуальной среде эффективность лидерства больше зависит не от харизмы, а от структурной четкости, умения выстраивать доверие в цифровом пространстве и работать на опережение. Такие элементы, как общие цели, прозрачная коммуникация и регулярные встречи, становятся ключевыми компенсаторами.

О том, что лидерство как функция терпит изменения, говорит и профессор школы управления «Сколково» Алексей Улановский. По его словам, существует два фундаментальных способа проявления авторитета: доминантный — когда лидер заявляет о себе голосом, агрессией и постоянным присутствием, и поддерживаемый. Во втором случае человек верифицирует авторитет через других людей, так как решает их проблемы и создает нужную атмосферу.

Эффект распределенного лидерства

Американская WL Gore & Associates, в штате которой насчитывается 12 000 человек без традиционной иерархии, на протяжении 67 лет доказывает: распределенное лидерство работает, если задать четкие рамки и культивировать культуру уважения. Гендиректор компании Брет Снайдер в разговоре с MIT Sloan Management Review объяснил, что успех такой модели управления обусловлен рядом факторов. Например, компания размещает данные по всем проектам в доступном для всех месте. За счет этого команды могут сами решать, стоит ли закрывать неэффективные проекты. В Gore также существует правило «никаких придурков» — оно не подлежит обсуждению, и компания без сомнений увольняет всех, кто его не соблюдает. Настоящий лидер не приказывает, а влияет — через доверие, уважение и прозрачность в целях. Сотрудники придерживаются еще и «принципа ватерлинии» — сотрудники могут экспериментировать, ошибаться и учиться всему, кроме того, что может навредить бизнесу. Все, что потенциально может принести ущерб компании, требует консультаций с коллегами.

Поддерживаемый лидер

Тема авторитета без формальных полномочий — один из самых популярных запросов российских менеджеров среднего звена. Об этом рассказал профессор школы управления «Сколково» Алексей Улановский в интервью предпринимателю и эксперту Станиславу Логунову. Улановский объяснил, что существует два фундаментальных способа проявления авторитета: первичный, доминантный и поддерживаемый. В первом случае лидер доминирует через голос, агрессию, постоянное присутствие в команде — и люди начинают к нему прислушиваться. Главная проблема этого типа авторитета — он временный, особенно в равных командах. И в кризисных ситуациях выясняется, что людям сложно раскрываться в таких условиях. Во втором случае речь идет про авторитет, который авторизован через других людей, после того как лидер сформировал доверительную атмосферу. Таких людей еще называют людьми-хабами, так как благодаря своим навыкам они связывают сотрудников друг с другом и, в конечном итоге, могут иметь гораздо больше власти, чем первичные лидеры.

Три столпа корпоративной культуры

За последние 20 лет производитель инструментов Milwaukee Tool, основанный в начале XX века, из небольшого и устаревшего бренда превратился в лидера рынка благодаря своему президенту Стиву Ричману. В колонке для MIT Sloan Management Review Ричман рассуждает о том, как трансформировал этот бизнес: он начал менять стратегию и создавать самобытную корпоративную культуру в Milwaukee Tool сразу после того, как вступил в должность в 2007 году. По версии Glassdoor, этот производитель является одним из лучших мест работы в США на протяжении последних трех лет. Стивен Ричман приводит три основных столпа, на которых построена культура в его компании: стратегическая ясность — когда культура соответствует стратегии компании; идея экстремального владения — когда каждый сотрудник не просто исполнитель, но и владелец результата; а также открытое обсуждение неудач — в Milwaukee принято обсуждать проблемы, а не замалчивать.

Треугольник талантов

Генеральные директора и их HR должны собирать вокруг себя команду, состоящую из звездных сотрудников и ИИ, способных быстро адаптироваться к различным будущим сценариям. Аналитики BCG опубликовали пошаговую инструкцию о том, как изменить стратегию по управлению людьми с помощью «Треугольника талантов». Топ-менеджерам необходимо сформировать базу талантов, обладающих кросс-функциональными навыками, а для этого им придется нанять на работу лучших специалистов с навыками работы с ИИ и перестроить основные рабочие процессы для внедрения искусственного интеллекта. Директор по HR, отмечают аналитики, должен отойти от роли операционного менеджера и заняться стратегией: формировать культуру, прозрачность процессов и правильную логику решений.

Ошибки искусственного интеллекта

Генеративные модели, которые все больше учатся рассуждать как люди, совершают те же ошибки, что и люди. Ученый из школы бизнеса Kellogg Блейк МакШейн вместе с коллегами провел серию экспериментов и обнаружил, что популярные модели ChatGPT, Gemini и Claude при интерпретации статистических результатов ошибаются так же, как это делают люди. Ученые давно используют статистические тесты для интерпретации результатов исследований. Один из самых популярных тестов — проверка значимости нулевой гипотезы, известная как p-значение, которое находится в диапазоне от нуля до единицы. Традиционно результаты считаются «статистически значимыми», когда p-значение ниже 0,05, и «статистически незначимыми» — когда оно выше этого значения. Этот подход часто сопровождается когнитивной ошибкой: ученые ошибочно интерпретируют «статистическую значимость» как демонстрацию изучаемого ими эффекта, а «незначимость» — как демонстрацию отсутствия эффекта. ИИ совершает те же ошибки: при p = 0,049 модели уверенно делали вывод о наличии эффекта, а при p = 0,051 — резко меняли мнение. А попытки МакШейна обучить ИИ игнорировать этот порог провалились.