Переклад фахівців Професійної асоціації корпоративного управління та Українського інституту корпоративного управління за матеріалами Harvard Business Review «Can AI Boards Outperform Human Ones?» by Valery Yakubovich, Stanislav Shekshnia, Elizabett Yashneva and Kyle Sullivan, November 5, 2025 https://hbr.org/2025/11/can-ai-boards-outperform-human-ones
Резюме.
Нещодавнє опитування 500 глобальних CEO показало, що 94% вважають, що штучний інтелект може надавати кращі поради, ніж принаймні один із членів їхньої ради директорів. А в жовтні 2025 року національний фонд добробуту Казахстану призначив штучний інтелект «SKAI» директором з правом голосу. Такі події свідчать про зміну в корпоративному управлінні, оскільки великі мовні моделі (LLM) виявляються здатними надавати обґрунтовані, багаті на дані поради, які часто виходять за межі того, що можуть надати перевантажені, зайняті неповний робочий день директори. Щоб дослідити цей потенціал, дослідники з Інституту Мака Уортона та Центру корпоративного управління INSEAD провели експеримент, в якому порівняли «ради» людей та ШІ, які обговорювали один і той самий бізнес-кейс. Рада штучного інтелекту, побудована як мультиагентна симуляція, миттєво обробляла матеріали, дотримувалася стандартних протоколів ради та автономно взаємодіяла через структуровану систему пам’яті. Оцінювачі оцінили її ефективність за вісьмома критеріями управління. Результати були вражаючими: рада штучного інтелекту значно перевершила групи людей за якістю рішень, використанням доказів, інклюзивністю та плануванням реалізації. Людські ради втрачали фокус, обходили рішення і нехтували даними. Експерти відзначили, що хоча ради з штучним інтелектом не мали міжособистісних нюансів – побудови довіри та емпатії – вони перевершували людські групи за структурою, участю та чіткістю. Автори роблять висновок, що ради з штучним інтелектом не замінять людей, але вже можуть слугувати потужними інструментами планування – моделюючи дискусії, тестуючи варіанти на стійкість до стресів та виявляючи сліпі зони. Оскільки CEO стикаються з тиском, щоб продемонструвати прогрес у сфері штучного інтелекту, а багато хто ставить під сумнів стратегічну цінність своїх рад, компанії, які інтегрують штучний інтелект в управління, випередять тих, які цього не роблять.
Згідно з недавнім опитуванням 500 СЕО, 94% вважають, що ШІ може надавати кращі поради, ніж принаймні один із членів їхньої ради директорів. У жовтні 2025 року Samruk-Kazyna, Національний фонд багатства Казахстану, оголосив про призначення SKAI (Samruk-Kazyna Artificial Intelligence) членом ради директорів з правом голосу.
Ми спостерігаємо стрімке зростання здатності великих мовних моделей (LLM) генерувати релевантні, добре поінформовані результати в різних сферах. Натомість здатність незалежних директорів надавати обґрунтовані стратегічні поради є обмеженою. Як двоє з нас зазначили в недавній статті HBR, невиконавчі члени ради директорів є надзвичайно зайнятими працівниками, які зазвичай збираються лише чотири-п’ять разів на рік і часто працюють у кількох радах директорів. Неминуче, вони відірвані від повсякденної діяльності. Навіть виконавчі директори, занурені у свої функціональні сфери, часто намагаються пов’язати між собою різні дисципліни, узгодити суперечливі точки зору та йти в ногу з надзвичайною складністю сучасного бізнесу. Результатом можуть бути половинчасті судження, сліпі зони і навіть політична безвихідь за столом ради директорів.
У цьому контексті LLM виглядають привабливо. Вони можуть поглинати величезні обсяги інформації, генерувати глибоко досліджені результати, працювати цілодобово, не втомлюючись, і не мають особистих амбіцій. Не дивно, що все більше дослідників і практиків виступають за інтеграцію генеративної ШІ в корпоративні ради директорів і навіть створюють додатки для підтримки цієї ідеї. У міру набирання обертів цієї тенденції виникають неминучі питання: чи стануть обговорення в радах директорів застарілими? Чи зможуть чат-боти з часом приймати рішення настільки ж хороші, як люди, або навіть кращі?
Щоб вийти за межі спекуляцій, Інститут управління інноваціями Макка при Уортоні та Центр корпоративного управління при INSEAD розробили експеримент для прямого порівняння штучного інтелекту та людських рад директорів.
Експеримент
Учасники програми Advanced Board Program в INSEAD взяли участь у двогодинній симуляції засідання ради директорів вигаданої компанії Fotin, заснованої на реальному випадку. Вони були розділені на шість груп (або рад) і отримали завдання підготуватися до засідання, при цьому кожна група заздалегідь отримала довідник ради (порядок денний засідання та допоміжні матеріали, підготовлені менеджментом) та опис індивідуальних ролей. Потім вони провели засідання і оцінили свою роботу за допомогою стандартизованої форми оцінки з вісьмома критеріями: якість рішень, можливість реалізації, колективне навчання, участь директорів, використання фактів, справедливий і інклюзивний процес, глибина дослідження та ефективність роботи голови.
Паралельно команда Mack Institute створила LLM-аналітичну мультиагентну платформу для моделювання засідань ради директорів, призначену для проведення ідентичних обговорень та дотримання тих самих найкращих практик для засідань ради директорів, які викладаються в програмі INSEAD. Перед засіданням ШІ-агенти прочитали всі документи та підготували детальні нотатки, що висвітлювали їхню позицію щодо питань порядку денного, проблем та ризиків, можливостей та сильних сторін, потенційних компромісів, стратегічних альянсів та початкового плану дій. Після початку засідання віртуальний голова провів раду через порядок денний, переконався, що всі були вислухані, та узагальнив думки членів.
Експеримент вимагав від ботів самостійно вирішувати, коли говорити або слухати, як коригувати свої цілі та позиції, а також які рішення приймати. Для цього ми оснастили їх системами пам’яті, які зберігали змінювані цілі та постійно вдосконалювали думки інших членів ради. Натхненні людським пізнанням, ці системи працювали у трьох часових періодах: у короткостроковій перспективі обміни зберігалися дослівно. У середньостроковій перспективі вони перетворювалися на узагальнені обміни. У довгостроковій перспективі вони запам’ятовувалися як стислі основні моменти. Така структура дозволяла ботам відстежувати поточні обговорення та динамічно адаптуватися.
Між висловлюваннями агенти використовували свої спогади для саморефлексії, аналізу зустрічей, стратегічного планування та зовнішніх досліджень. Послідовності підказок для конкретних етапів допомагали проводити аналіз ситуації та перевіряти факти, а пошук документів доповнював пам’ять відповідними доказами з великого корпусу наданих матеріалів.
Якщо мовний бот явно не називав наступника, його висловлювання розділялося на семантичні одиниці, а алгоритм черги пріоритетів діалогу визначав наступного мовця за чотирма критеріями:
- Схожість між семантичними одиницями та спогадами бота
- Важливість і актуальність найбільш схожого спогаду
- Важливість семантичної одиниці, що відповідає найбільш схожому спогаду
- Частота мовлення бота
Бот з найвищим балом запрошувався до розмови, а інші зберігали свої бали з невеликим зниженням після кожного раунду. По суті, як і в людських радах, якщо поточний мовник згадував щось, що мало велике значення для минулого або останніх думок іншого бота, то цей бот, ймовірно, говорив наступним.
Транскрипт ради ШІ був оцінений за вісьмома критеріями управління трьома LLM та трьома незалежними експертами. Ті самі оцінювачі також оцінили транскрипти шести людських рад, як і учасники цих рад. Ні людські експерти, ні оцінювачі LLM не знали, чи був даний транскрипт створений людиною чи радою ШІ, що забезпечило проведення всіх оцінок на основі подвійного сліпого методу. Усі оцінки використовували трибальну шкалу: погано, задовільно, добре.
Результати
Рада з штучного інтелекту отримала максимальну оцінку (3 бали) за п’ятьма критеріями як від експертів, так і від LLM. З’явилися незначні критичні зауваження: LLM оцінили реалістичність рішень та підготовку директорів дещо нижче (2,7 та 2,9 відповідно), а експерти дали 2,7 за глибину дослідження. Людські ради отримали значно нижчі оцінки за всіма вісьмома критеріями від усіх трьох груп оцінювачів, як показано на малюнку нижче. Але загалом ШІ та експерти були більш критичними до результатів людських рад, ніж самі учасники цих рад. Давайте розберемося в цих відмінностях.
Наприклад, щодо якості рішень, як штучний інтелект, так і експерти-оцінювачі відзначили, що людські ради часто «вагалися і обходили варіанти, не зупиняючись на чіткій стратегії». Їхні дискусії були описані як «важкі для сприйняття» і «не завжди чітко сформульовані». На відміну від цього, рада чат-ботів «досягла чітких, реалістичних рішень», а в одній з оцінок було підкреслено, як вона «формулювала рішення з чіткими умовами та наступними кроками».
Щодо можливості реалізації рішень, експерти-оцінювачі зазначили, що людські ради «рідко перетворювали стратегію на конкретні цілі» і пропонували «недостатньо обговорень на основі фактів». Питання зменшення ризиків було проігноровано, а учасники визнали, що не впевнені в тому, як обрані стратегії можуть бути реалізовані. На відміну від цього, рада чат-ботів «узгодила свій напрямок з наявними ресурсами» і «перетворила основні рішення на конкретні дії». Оцінювачі послідовно підкреслювали, що ці рішення були «практичними, реалістичними та добре узгодженими з обмеженнями».
Що стосується підготовки та фактичних доказів, людські ради показали «обмежену залученість до попереднього ознайомлення» та «втратили можливість обґрунтувати аргументи даними». Натомість чат-боти «активно цитували цифри з документів», «усували розбіжності в режимі реального часу» та «вплітали кількісні докази у своє міркування». LLM описали обговорення чат-ботів як «добре обґрунтовані та ретельно синтезовані», з планами реалізації, що включали «конкретні кроки та непередбачені обставини, такі як цілі економії витрат та поетапні пілотні проекти». Їхні обговорення були охарактеризовані як «орієнтовані на дані, з узгодженням розбіжностей та глибоким використанням документів».
Експерти-люди вказали на труднощі чат-ботів з неформальними, міжособистісними та культурними аспектами управління – вони мало допомагають у розмові, заохоченні або формуванні загальної картини. На їхню думку, результатом цього стало створення ради, яка була досконалою в плані структури та деталей, але не відповідала вимогам щодо динаміки відносин, що формують людську взаємодію. Для формування загальної картини це, можливо, не є проблемою, але коли йдеться про міжособистісну та емоційну динаміку управління – заохочення, побудову довіри та неформальні зв’язки, що підтримують колективне судження – ці прогалини заслуговують на більш глибоке осмислення.
Інші уроки
Під час підготовки до експерименту ми дізналися, що спонукання чат-ботів до взаємодії між собою є якісно іншим завданням, ніж спонукання їх до взаємодії з людьми. Людський діалог розгортається за допомогою невербальних сигналів: коли говорити або поступатися, кого підтримувати або кидати виклик, і як збалансувати переконання з цікавістю. Ці моделі поведінки випливають із цінностей, особистості, досвіду та соціальної та контекстуальної обізнаності — якостей, яких сучасні чат-боти не мають. Тому їхня поведінка повинна формуватися за допомогою чітких інструкцій, які за своєю природою є нестійкими, неповними та негнучкими.
Це вказує на фундаментальну різницю: ради з штучного інтелекту можуть приймати, на перший погляд, обґрунтовані рішення, але вони роблять це способами, які відрізняються від людської практики. Отже, справжнє питання полягає в тому: чи повинні вони це робити? Чи хочемо ми ради, які оптимізують кожну явну метрику, але залишаються сліпими до неявних, емоційних та взаємовідносинних підводних течій, які формують судження та довіру?
Картина стає ще складнішою, якщо врахувати здатність LLM навчатися за допомогою підкріплення від зворотного зв’язку з людьми (RLHF). Виявляючи закономірності в реакціях користувачів, моделі можуть набувати обмеженої форми неявних знань, коригуючи свою реакцію на різні сигнали. Однак те, що саме вони засвоюють, і чи дійсно ці закономірності відповідають людським намірам, залишається незрозумілим. Для управління це створює як перспективи, так і ризики: ради з питань ШІ можуть поступово засвоювати елементи судження та нюанси, але таким чином, що їх важко відстежити або контролювати.
Ці міркування не виключають використання ШІ-рад, але пропонують обережний шлях уперед. Сьогодні голови та члени рад можуть використовувати ШІ-ради як інструмент планування — для моделювання перебігу засідання, передбачення аргументів, стрес-тестування варіантів або виявлення пропущених інсайтів. І якщо їм не подобається те, що показує ШІ, вони повинні запитати, чому, і подумати, як змінити людську розмову в бік бажаного результату.
Тим не менш, людські ради директорів можуть винести корисні уроки з досвіду своїх ШІ-колег.
- Структурна дисципліна. Боти були набагато ефективнішими за людей у переході від обговорення фактів до розгляду варіантів, компромісів і прийняття рішень. На відміну від них, групи людей часто втрачали контроль над часом і концентрацією уваги та висловлювали розчарування з приводу «руху по колу». Оцінювачі зауважили, що учасники «не підтримували детальну дискусію», «дозволяли дискусіям відхилятися від теми» і «дозволяли домінуючим голосам керувати розмовою». Для директорів урок полягає не в тому, щоб поводитися як запрограмовані боти, а в тому, щоб застосовувати прості техніки послідовності та розрізняти різні етапи обговорень, такі як обмін фактами, вивчення варіантів, їх оцінка та вибір рішення. Це допоможе утримати складні дискусії в потрібному руслі.
- Інклюзивність у діалозі. ШІ-голови надійно залучали кожного учасника, перевіряли узгодженість і надавали слово для висловлення альтернативних думок. Натомість людські голови часто дозволяли голосним учасникам домінувати, а інші залишалися осторонь. Урок для голів полягає в тому, щоб бути терплячими під час обговорення, залучати до розмови тихіших учасників, стримувати балакучих учасників, які повторюють одні й ті ж ідеї, утримуватися від занадто раннього висловлення власних думок і узагальнювати розбіжні думки, перш ніж рухатися до консенсусу.
- Комфорт у незнайомій ситуації. Зіткнувшись з новим або технічним матеріалом, вони використовували рамки та структуровані запитання, щоб зменшити невизначеність. Тим часом групи людей часто застрягали, коли дискусії переходили до технічних деталей. Урок тут полягає в тому, щоб сповільнитися і переосмислити складність за допомогою рамок і моделей, які можуть бути незнайомі членам ради, але які можна знайти (за допомогою ШІ), а не продовжувати рухатися вперед з обмеженим розумінням. У нашому експерименті рада директорів з ШІ пройшла дуже стрімку криву навчання. Члени ради директорів можуть застосовувати ту саму стратегію навчання для підвищення своєї ефективності — поглиблюючи своє розуміння конкретних питань порядку денного, своєї компанії та її контексту, поєднуючи це з розширенням свого розуміння корпоративного управління, соціальних теорій, що лежать в його основі, та концептуальних моделей, що описують ефективні підходи. (ШІ може тут допомогти, як ми пропонуємо в нашій статті в HBR, за умови, що директори мають доступ до служби LLM компанії).
На завершення повернемося до опитування, яке ми цитували на початку. В іншому розділі 74% опитаних CEO заявили, що побоюються втратити роботу, якщо не продемонструють прогрес у сфері ШІ, а 66% зазначили, що їхні ради директорів вимагають помітного підвищення продуктивності за допомогою ШІ. Якщо поєднати ці висновки зі скептицизмом CEO щодо цінності, яку ради директорів приносять у стратегічні рішення, стає цілком очевидним, що корпоративне управління має впровадити ШІ. Компанії, які чинять опір впровадженню штучного інтелекту на рівні ради директорів, майже напевно будуть витіснені з ринку компаніями, які цього не роблять.
Про авторів
Валерій Якубович є виконавчим директором Інституту управління інноваціями імені Мака та ад’юнкт-професором Уортонської школи бізнесу.
Станіслав Шекшня є старшим професором INSEAD, де він є співзасновником і співдиректором програми «Leading from the Chair». Він є головою правління Technoenergy AG.
Елізабет Яшнева, керівник Інституту талантів у WH Advisors, провідній консалтинговій компанії з управління талантами, що базується в Дубаї, ОАЕ.
Кайл Салліван, співробітник Інституту Мак та асистент викладача у Школі інженерії та прикладних наук Університету Пенсильванії у Філадельфії, штат Пенсильванія.