Fable claude-fable-5-1 · effort max срез: 2026-09-21 источников: 103 слов: 18334 complete

Проактивные системы взаимодействия с людьми: от опросов до агентного управления

Проактивные системы сами инициируют обращение к человеку за данными, статусом, решением или действием: от опросов, EMA и полевого сбора до JITAI, алгоритмического управления и human-in-the-loop прерываний агентов. Главный вывод: для продукта управления компанией правило инициативы, бюджет внимания, согласие и эскалация должны быть детерминированным кодом поверх движка задач, а LLM отвечает лишь за формулировку и интерпретацию, поскольку лучшие модели ошибаются примерно в трети решений «вмешаться или нет», а напоминания без структурного упрощения дают близкий к нулю эффект. Ключевое ограничение: усталость и утрата доверия при избыточных обращениях и регуляторный высокий риск при переходе от координации к мониторингу; полевых данных по компаниям 5–500 человек нет.

Вердикт

Проактивные системы взаимодействия с людьми — это класс систем, которые сами инициируют обращение к человеку за данными, статусом, решением или действием, от опросов и полевого сбора данных до JITAI, алгоритмического управления и агентных прерываний human-in-the-loop. Для продукта управления компанией 5–500 человек они пригодны как слой политики обращений поверх движка задач: правило инициативы, бюджет внимания, согласие и эскалация — детерминированный код, а LLM отвечает только за формулировку, интерпретацию ответов и подготовку вариантов решения. Главный вывод: своевременность и структурное упрощение действия дают эффект, а напоминания и информирование сами по себе почти нет; лучшие модели проактивности ошибаются примерно в трети решений «вмешаться или нет», поэтому решение об обращении нельзя отдавать модели. Ключевое ограничение — усталость и утрата доверия: рост потока уведомлений связан с негативными эмоциями, при перегрузке люди игнорируют большинство алертов, а обращения, превращающиеся в мониторинг, ведут к выгоранию и попадают под высокорисковый режим EU AI Act. Самая сильная альтернатива для регламентированных процессов — BPM human tasks с ролями, дедлайнами и эскалацией без LLM; для измерения климата — короткие pulse-опросы; для действий внутри интерфейса — подсказки DAP. Психологическая основа (ожидаемая полезность вмешательства, модель Фогга, теория самодетерминации, восприимчивость JITAI) и граница манипуляции (скрытое влияние, эксплуатация уязвимостей) описаны в источниках достаточно, чтобы задать проверяемые правила. Уверенность в архитектуре и принципах высокая, в числовых нормах средняя: эмпирика взята из здоровья, HCI и платформенной занятости, а полевых данных по компаниям такого размера нет, и часть первоисточников доступна только в аннотациях.

Что это и как работает

1.1. Определение и границы предмета

Проактивная система взаимодействия с людьми — программная система, которая сама инициирует обращение к человеку, чтобы получить от него информацию (данные, статус, оценку, решение) или побудить его к действию (выполнить задачу, отреагировать на отклонение, подтвердить факт), и делает это по правилам: по триггеру, в подходящий момент, по подходящему каналу, с ограниченной нагрузкой на внимание. Общий знаменатель всех классов из формулировки задания один: инициатива принадлежит системе, а не человеку. В научной литературе это свойство названо по-разному в зависимости от области: «just-in-time adaptive intervention» в поведенческой медицине факт [S1], «mixed-initiative» в человеко-машинном взаимодействии факт [S2], «proactive dialogue» в диалоговых системах факт [S3], «algorithmic control» в социологии труда факт [S4].

Предметом не являются:

  • реактивные чат-боты поддержки и любые интерфейсы, которые ждут запроса человека;
  • маркетинговые рассылки как канал доставки и их доставляемость;
  • психометрика и дизайн опросников в глубину (берутся только принципы нагрузки и отклика);
  • HR-системы, LMS и рекрутинг как классы продуктов;
  • устройство LLM и агентных фреймворков вне паттернов инициативы и human-in-the-loop.

С предметом часто путают уведомления как таковые. Уведомление — это канал; проактивная система — это политика, решающая, когда, кому, что и с какой нагрузкой отправить, и что делать с ответом или его отсутствием гипотеза.

1.2. Таксономия по цели и по инициативе

Классы из формулировки задания различаются двумя осями: цель обращения и режим инициативы. Таблица сводит оба измерения.

Класс Цель обращения Кто и по какому триггеру инициирует Типичная нагрузка на человека Что означает ответ
Survey / XM / VoC / VoE (Qualtrics, Medallia) получить оценку и мнение организация по расписанию или по событию (после взаимодействия) 10–30 вопросов раз в месяц–полгода вендор [S5] измерение установки; отсутствие ответа — нонреспонс, смещение выборки
Mobile / field data collection (ODK, KoboToolbox, SurveyCTO, Fulcrum) получить данные о факте в поле оператор назначает форму или задание; сбор офлайн форма на десятки полей за визит запись о событии; проверяется валидацией формы
Conversational surveys получить открытые ответы в диалоге система по расписанию или по событию, далее ведёт диалог сама несколько минут диалога текст, который надо ещё интерпретировать
EMA / ESM получить «что происходит сейчас» система по случайному или событийному расписанию, в среднем 6 раз в день 7 дней эмпирика [S6] короткая анкета, минуты моментальное самонаблюдение; пропуск — потеря точки данных
Participatory sensing / human-as-a-sensor получить наблюдение из среды система назначает задачу сенсинга по месту и времени секунды–минуты, часто пассивно измерение, требующее агрегации и контроля качества
Human computation / crowdsourcing (MTurk) получить результат микрозадачи заказчик публикует задание; исполнитель сам его принимает микрозадача результат с проверкой качества, одобрением и оплатой факт [S7]
Persuasive technology / BCSS побудить к действию или изменить установку система по правилам дизайна (напоминания, подсказки, обратная связь) от одного касания до ежедневного участия поведение, измеряемое самоотчётом или сенсором
Digital nudging побудить к выбору дизайн среды выбора срабатывает в момент решения почти нулевая, встроено в интерфейс выбор; согласие не запрашивается
JITAI побудить к действию в нужный момент система по правилу решения на основе переменных состояния и контекста факт [S1] короткое сообщение в момент уязвимости или возможности проксимальный исход; есть опция «ничего не предоставлять» факт [S1]
NBA / customer engagement / journey orchestration (Braze, Pega) побудить клиента к действию движок по событию, с арбитражем и лимитами частоты вендор [S8, S9] сообщение или предложение конверсия; отказ — сигнал для подавления
Digital adoption platforms (WalkMe, Pendo) подсказать действие в интерфейсе оверлей по правилам показа и сегментам факт [S10, S11] всплывающая подсказка, ограниченная троттлингом вендор [S12] выполнение шага; закрытие подсказки
Algorithmic management (Uber, курьерские сервисы) направлять, оценивать, дисциплинировать система непрерывно, по данным о работнике факт [S4] постоянная выполнение или сопротивление
WFM / FSM (Dynamics 365 Field Service) назначить работу и контролировать выполнение диспетчер или оптимизатор расписания по наряду факт [S13] наряд, маршрут, отметки статуса статус наряда; эскалация при просрочке
Human tasks в BPM (Camunda, WS-HumanTask) получить решение или выполнение шага процесса процесс создаёт задачу, назначает, ставит дедлайн, эскалирует факт [S14, S15] задача с формой завершение или отклонение задачи; данные процесса
Mixed-initiative systems (Horvitz) помочь в момент, когда ожидаемая полезность вмешательства выше бездействия система по оценке полезности с учётом внимания факт [S2] зависит от модели стоимости прерывания принятие или отклонение предложения
Proactive (conversational) agents вести диалог к цели, предлагать помощь без запроса агент по наблюдению за средой и состоянием пользователя факт [S3, S16] предложение помощи принятие или отказ; ложные срабатывания как основная цена
HITL orchestration / agent-initiated interaction (HumanLayer, LangGraph interrupt, MCP elicitation) получить одобрение, данные или решение от человека агент прерывает выполнение и адресует запрос человеку факт [S17, S18, S19] одно решение на запрос accept / decline / cancel или отредактированные аргументы факт [S19]

Из таблицы видно четыре целевых типа, на которые далее опирается дерево решений раздела 4: получить информацию (данные, статус, оценка), побудить к действию, управлять (назначить, проконтролировать, эскалировать), ассистировать решению (подготовить и запросить решение). По режиму инициативы классы делятся на три группы: по расписанию (опросы, pulse, EMA по времени), по событию или отклонению (JITAI, NBA, BPM-эскалация, алерты), по оценке полезности в момент (mixed-initiative, proactive agents).

1.3. Принципы проактивности

Ниже — сквозные принципы, извлечённые из первоисточников по классам. Каждый принцип имеет источник и точку, где он ломается.

Право на обращение как ожидаемая полезность. Horvitz формулирует основание mixed-initiative интерфейсов: автономное действие оправдано, только когда его ожидаемая ценность для пользователя выше бездействия, с учётом неопределённости о целях пользователя, статуса его внимания и стоимости лишнего беспокойства факт [S2]. Та же логика в проекте Attentional User Interfaces: ценность информации взвешивается против стоимости прерывания, а уведомления откладываются до менее разрушительного момента факт [S20]. Ломается, когда система не умеет оценивать ни ценность, ни стоимость и по умолчанию считает обращение бесплатным гипотеза.

Тайминг и контекст: уязвимость, возможность, восприимчивость. JITAI различает состояния уязвимости (повышенный риск нежелательного исхода) и возможности (повышенная готовность к желательному действию), а также восприимчивость — «преходящую способность и/или готовность человека получить, обработать и использовать поддержку» факт [S1]. Поддержка в невосприимчивый момент «не будет полезной и может иметь негативные последствия для вовлечённости и вызвать усталость от вмешательства» факт [S1]. Полевое исследование с 189 участниками в течение 6 недель показало, что восприимчивость к вмешательствам зависит от возраста, личности, типа устройства, времени дня, заряда батареи, взаимодействия с телефоном, физической активности и местоположения; модель предсказания восприимчивости давала до 77 % прироста F1 над случайным классификатором эмпирика [S21].

Опция «ничего не делать». JITAI явно включает вариант «не предоставлять поддержку»: когда человек невосприимчив, когда поддержка не нужна, когда вмешательство небезопасно или неэтично факт [S1]. Это формальная часть правила решения, а не отсутствие правила.

Частота и бюджет внимания. Метаанализ 477 статей EMA (496 выборок, N = 677 536) показал средний дизайн 6 опросов в день в течение 7 дней при средней комплаентности 79 %; число опросов в день не предсказывало ни комплаентность, ни отсев, а финансовые стимулы повышали комплаентность эмпирика [S6]. Рандомизированное исследование на 163 студентах (30 или 60 вопросов, 3, 6 или 9 раз в день, 14 дней) показало, что длинные анкеты повышают воспринимаемую нагрузку и ухудшают количество и качество данных, тогда как более частые короткие опросы не имели негативных последствий эмпирика [S22]. Отсюда правило: бюджет внимания измеряется длиной и содержанием обращения сильнее, чем их числом гипотеза. В маркетинговых движках бюджет задаётся явно: Braze применяет глобальные лимиты частоты по каналам и окнам до 30 дней, при конфликте — самое строгое правило вендор [S9]; Pendo ограничивает автоматические подсказки минимальным интервалом между ними и показывает одну за раз вендор [S12]; Pega подавляет действие после заданного числа контактов через contact policies вендор [S8].

Канал и его допуски. Канал определяет, что система вообще может сделать. В Microsoft Copilot Studio проактивное сообщение агента в Teams доставляется только тем, кто установил агента и не заблокировал его, и может быть отложено, если получатель в активном диалоге с агентом факт [S23]. В BPM-задачах канал — это список задач с назначением, кандидатами, сроком и follow-up-датой факт [S15]. В опросах способ контакта — один из главных модераторов отклика эмпирика [S24].

Эскалация как заранее описанный путь. WS-HumanTask задаёт дедлайны старта и завершения задачи и действия эскалации: уведомление и переназначение факт [S14]. Camunda позволяет менять исполнителя, кандидатов, срок и приоритет во время выполнения и возвращать задачу в очередь снятием исполнителя факт [S15]. Temporal реализует ожидание решения человека через durable-таймеры и сигналы, при таймауте процесс завершается результатом «timeout» и может эскалировать факт [S25].

Объяснимость и прозрачность инициативы. EU AI Act требует сообщать людям, что они взаимодействуют с ИИ-системой, если это не очевидно факт [S26], а Article 26(7) обязывает работодателя информировать работников и их представителей до ввода высокорискового ИИ на рабочем месте факт [S27]. MCP-спецификация elicitation требует, чтобы клиент ясно показывал, какой сервер запрашивает информацию и зачем, и давал возможность отклонить запрос факт [S19].

Согласие и отказ как данные. Elicitation в MCP различает три исхода: accept (данные предоставлены), decline (явный отказ), cancel (закрыто без решения), и рекомендует серверу для decline предлагать альтернативу, а для cancel — спросить позже факт [S19]. Agent Inbox от LangChain формализует четыре разрешённых реакции человека на прерывание агента: accept, edit, response, ignore факт [S28]. Это готовая машиночитаемая модель ответа, переносимая на любые обращения.

1.4. Психология отклика и действия

Почему человек отвечает. Метод Dillman (Tailored Design Method) объясняет отклик через социальный обмен: вероятность ответа максимальна, когда одновременно снижаются издержки, повышаются выгоды и формируется доверие, что выгоды перевесят издержки; практика включает несколько скоординированных контактов факт [S29, S30]. Вендорская практика Qualtrics утверждает, что на усталость от опросов сильнее всего влияет не частота, а коммуникация о программе: если сотрудники не слышат, что стало с их обратной связью вендор [S5].

Почему человек действует. Модель Фогга: поведение происходит, когда мотивация, способность и подсказка (prompt) сходятся в один момент; если поведение не произошло, отсутствует хотя бы один из трёх элементов факт [S31]. Persuasive Systems Design (Oinas-Kukkonen, Harjumaa) даёт 28 принципов в четырёх категориях (поддержка основной задачи, диалог, достоверность системы, социальная поддержка) и семь постулатов, среди которых: технология никогда не нейтральна, убеждение должно быть открытым, ненавязчивым, поэтапным и полезным факт [S32]. Behaviour Change Wheel (Michie и соавторы) описывает поведение как функцию capability, opportunity, motivation и связывает их с девятью функциями вмешательства, от обучения и убеждения до ограничения и принуждения факт [S33]. Self-Determination Theory (Deci, Ryan) объясняет, почему контролирующие обращения подрывают внутреннюю мотивацию: удовлетворение потребностей в автономии, компетентности и связанности порождает качественную мотивацию, а внешние награды и межличностный контроль её снижают факт [S34]. JITAI прямо рекомендует удовлетворять эти три потребности как способ снижать усталость от вмешательства факт [S1].

Почему действие удерживается. Формирование привычки у 96 добровольцев занимало в среднем 66 дней до максимальной автоматичности с разбросом от 18 до прогнозных 254 дней; пропуск одного дня мало влиял на результат эмпирика [S35]. Для проактивной системы это означает, что напоминания нужны месяцами, а не неделями, и что одиночный пропуск не повод для эскалации гипотеза.

Где граница манипуляции. Susser, Roessler и Nissenbaum определяют манипуляцию как скрытое влияние, эксплуатирующее уязвимости и обходящее рациональное обдумывание; она отличается от убеждения (открытые доводы), принуждения (угроза) и nudging (сохраняет свободу выбора и прозрачно) и вредит автономии факт [S36]. Sunstein считает, что этичность nudge оценивается по влиянию на благополучие, автономию и достоинство, признаёт риск манипуляции для части nudges и утверждает, что любая архитектура выбора так или иначе подталкивает факт [S37]. Digital nudging определён как использование элементов интерфейса для направления поведения в цифровых средах выбора, таких как веб-формы и экраны ERP факт [S38]. Dark patterns — «выборы дизайна интерфейса, которые выгодны сервису, принуждая, направляя или обманывая пользователей к непреднамеренным и потенциально вредным решениям»; в 11 тысячах магазинов найдено 1 818 таких случаев 15 типов эмпирика [S39].

1.5. Механика классов: входы, триггеры, форма обращения, точки поломки

JITAI. Шесть элементов: дистальный исход, проксимальные исходы, точки решения, варианты вмешательства, переменные адаптации, правила решения факт [S1]. Переменные адаптации бывают активными (самоотчёт) и пассивными (сенсоры); при ненадёжном измерении правило решения «работает немногим лучше случайного выбора» факт [S1]. Оценивается микрорандомизированными испытаниями, где вмешательство рандомизируется в каждой точке решения, что позволяет оценивать проксимальные эффекты и их изменение во времени факт [S40]. Ломается на ненадёжных переменных состояния, отсутствии правила для пропущенных данных и игнорировании восприимчивости.

EMA / ESM. Повторные оценки текущего состояния в естественной среде, чтобы снизить ошибку припоминания и изучать микропроцессы факт [S41]. В организационных исследованиях ESM применяют для изучения аффекта, событий и взаимодействий внутри человека в течение дней и недель факт [S42]. Ломается на длине анкеты сильнее, чем на частоте эмпирика [S22], и на отсутствии стимулов эмпирика [S6].

Опросы и pulse. Веб-режим даёт отклик в среднем на 12 процентных пунктов ниже других режимов по 114 экспериментальным сравнениям; модераторы — предуведомление, способ приглашения, число контактов, тип популяции эмпирика [S24]. В организациях отклик зависит от размера: по вендорскому бенчмарку за I квартал 2025 года компании до 250 сотрудников показывали 38 %, 251–500 — 56 % вендор [S43]. Ломается на отсутствии действия по итогам и на повторных вопросах без обратной связи вендор [S5].

Conversational surveys. Полевой эксперимент с примерно 600 участниками и 5 200 открытыми ответами: чат-бот дал значимо более высокую вовлечённость и более качественные ответы по максимам Грайса (информативность, релевантность, специфичность, ясность) по сравнению с формой Qualtrics эмпирика [S44]. Факторный эксперимент: респонденты чат-бота давали более дифференцированные ответы (меньше satisficing), а разговорный стиль снижал satisficing только в чат-боте эмпирика [S45]. LLM-интервью показали качество, сопоставимое с человеческим интервьюером, в малом эксперименте на студентах эмпирика [S46]; телефонный LLM-опрос на 2 739 респондентах в Перу приблизился к человеческому стандарту по структурированным вопросам, но уступал в глубине уточняющих вопросов эмпирика [S47]. Ломается на интерпретации свободного текста и на ожидании глубины от модели.

Human computation. Quinn и Bederson определяют human computation как вычислительный процесс, использующий усилия людей для задач, которые компьютеры решить не могут, и классифицируют системы по мотивации, контролю качества, агрегации, навыку, порядку процесса и кардинальности «задача–запрос» факт [S48]. Механика MTurk: HIT как атомарная микрозадача, assignment принадлежит исполнителю, вознаграждение выплачивается при одобрении или по автоодобрению, квалификации фильтруют исполнителей; сервис закрывается 30 сентября 2026 года факт [S7]. Ломается на контроле качества и на отсутствии обратной связи исполнителю.

Algorithmic management. Kellogg, Valentine и Christin: работодатели используют алгоритмы, чтобы направлять (restricting, recommending), оценивать (recording, rating) и дисциплинировать (replacing, rewarding) работников; работники отвечают «алгоактивизмом» факт [S4]. Parent-Rocheleau и Parker выделяют шесть функций (мониторинг, постановка целей, управление результативностью, планирование, вознаграждение, увольнение) и три модератора вреда: прозрачность, справедливость, влияние человека на систему факт [S49]. Ломается на непрозрачности и на лишении работника голоса.

Human tasks в BPM. WS-HumanTask задаёт роли (инициатор, потенциальные владельцы, фактический владелец, исключённые владельцы, администраторы, получатели уведомлений), состояния задачи от Created и Ready до Completed, Failed, Exited, а также дедлайны и эскалации; уведомление — «особый тип задачи» без подтверждения факт [S14]. Camunda 8 выводит статус задачи из событий creating, assigning, updating, completing, canceling, а листенеры могут отклонить завершение факт [S15]. Ломается, когда задача назначена человеку без полномочий или срок задан без правила эскалации гипотеза.

Proactive agents. Deng и соавторы определяют проактивные диалоговые системы как способные вести диалог к заданным целям и выделяют три типа задач: уточнение, целенаправленное ведение, некооперативные диалоги факт [S3]. Lu и соавторы обучают агента предсказывать, когда предложить помощь, по 6 790 событиям ProactiveBench, размеченным как принятые или отклонённые; лучшая модель дала F1 66,47 % эмпирика [S16]. Ломается на ложных срабатываниях: треть предложений отклоняется даже у лучшей модели.

HITL orchestration. LangGraph: interrupt() сохраняет состояние через checkpointer и возвращает значение вызывающей стороне; при возобновлении узел выполняется с начала, поэтому побочные эффекты до прерывания должны быть идемпотентны факт [S18]. OpenAI Agents SDK: инструмент объявляет needs_approval, выполнение останавливается с interruptions, состояние сериализуется в RunState, человек одобряет или отклоняет, при невозможности безопасно разобрать аргументы правило «закрывается» на ручное одобрение факт [S50]. Claude Agent SDK: шесть шагов проверки разрешения — hooks, deny, ask, режим, allow, callback canUseTool факт [S51]. HumanLayer вводил require_approval и human_as_tool для контакта агента с человеком по каналам, но SDK удалены, проект замещён CodeLayer факт [S17]. Ломается на неидемпотентных действиях до прерывания и на отсутствии таймаута ожидания человека.

Актуальность и доказательная база на дату среза

2.1. Распространённость и тренд

Алгоритмическое управление уже массово. Опрос OECD более 6 000 менеджеров среднего звена в шести странах показал, что в США 90 % фирм используют хотя бы один инструмент для инструктирования, мониторинга или оценки работников, в европейских странах в среднем 79 %; 55 % американских фирм мониторят переписку работников против 6 % в Европе; около двух третей менеджеров сообщают о сомнениях в надёжности инструментов, 63 % фирм заявляют, что консультируются с работниками эмпирика [S52]. Менеджеры считают, что инструменты улучшают качество их решений и удовлетворённость работой, но называют неясную ответственность, невозможность проследить логику и недостаточную защиту здоровья работников эмпирика [S53]. Совместное исследование ILO и JRC по логистике и здравоохранению во Франции, Италии, Индии и ЮАР зафиксировало одновременно упрощение процессов и риск ухудшения качества работы и навязчивой слежки; эффекты одной и той же технологии сильно различались по странам эмпирика [S54]. По опросу AIM-WORK (70 316 респондентов во всех странах ЕС) у 24 % работников рабочее время распределяется автоматически цифровыми устройствами эмпирика [S55]. Тренд растущий, регуляторный ответ формируется (раздел 2.5).

Опросы сотрудников стабильны, отклик в малых компаниях низкий. Вендорский бенчмарк на более чем 500 000 ответов за I квартал 2025 года даёт отклик 38 % в организациях до 250 человек и 56 % в организациях 251–500 человек вендор [S43]. Вендор рекомендует pulse-опросы из 10–15 вопросов ежемесячно или 15–20 ежеквартально и утверждает, что 77 % сотрудников хотят давать обратную связь чаще раза в год вендор [S5]. EMA как метод устойчиво распространён в психологии и смежных областях: 477 статей в метаанализе эмпирика [S6].

Проактивные LLM-агенты вышли в продукты в 2025–2026 годах. OpenAI запустила ChatGPT Pulse 25 сентября 2025 года для подписчиков Pro: ночная асинхронная подготовка 5–10 персональных карточек на основе памяти, истории чатов, обратной связи и коннекторов Gmail и Calendar, с намеренной остановкой после нескольких карточек вендор [S56]. Google включила scheduled actions в Gemini 6 июня 2025 года для подписчиков AI Pro и Ultra вендор [S57]. Microsoft документирует проактивные сообщения агентов Copilot Studio в Teams с условиями доставки и статусами недоставки вендор [S23]. Одновременно часть инфраструктуры уходит: Amazon закрывает Mechanical Turk 30 сентября 2026 года факт [S7], SDK HumanLayer удалены в пользу CodeLayer факт [S17], репозиторий Agent Inbox архивирован 20 сентября 2026 года факт [S28]. Тренд: инициатива переходит от отдельных инструментов human-in-the-loop к встроенным механизмам агентных SDK и продуктовым фичам ассистентов гипотеза.

2.2. Научная и эмпирическая база по классам

JITAI. Метааналитический обзор 33 исследований: Hedges g = 1,65 против листа ожидания (k = 9), 0,89 против не-JITAI вмешательств (k = 21), 0,79 до-после (k = 13); адаптация содержания и адаптация подхода (человек плюс алгоритм) давали аддитивные эффекты эмпирика [S58]. Ограничение: большие эффекты характерны для ранних малых исследований в здоровье, а не для рабочих задач. Систематический обзор JITAI в психическом здоровье (9 статей, 5 систем, все в США) нашёл преимущество лишь над неактивным контролем, отсутствие разницы с активным контролем, отсев до 40 % в малых пилотах и только одну систему, оценивавшую восприимчивость эмпирика [S59]. Микрорандомизированное испытание HeartSteps на 44 взрослых в течение 6 недель: подсказка о прогулке повышала число шагов за 30 минут на 24 % (59 шагов), начальный эффект 107 % (271 шаг) снижался со временем, а подсказки против сидения эффекта не дали эмпирика [S60]. Затухание эффекта подсказок — самый устойчивый результат в этой литературе гипотеза. Восприимчивость предсказуема по контексту эмпирика [S21]; в полевом исследовании на 70 студентах за две недели пассивно собранные признаки телефона значимо влияли на восприимчивость, определённую как принятие плюс выполнимость эмпирика [S61]. Одноминутные вмешательства на 22 участниках за 14 дней показали, что соавторство текста подсказки самим человеком работает как лёгкая персонализация эмпирика [S62].

Nudging. Метаанализ более 200 исследований и 450 размеров эффекта (n = 2 149 683) дал d = 0,45 [0,39; 0,52], причём изменения структуры выбора работали лучше информирования и напоминаний, а публикационное смещение оценено как умеренное эмпирика [S63]. Повторный анализ методом Robust Bayesian Meta-Analysis показал сильное публикационное смещение: скорректированный общий эффект d = 0,04 [0,00; 0,14], для информационных nudge d = 0,00, для «помощи» (напоминания, обязательства) d = 0,01, для структурных d = 0,12 с неопределённым статусом эмпирика [S64]. По 126 рандомизированным испытаниям на 23 миллионах человек, включая все испытания двух nudge-подразделений правительства США, средний эффект в академических журналах составил 8,7 процентного пункта, а в nudge-подразделениях 1,4 пункта; разрыв объясняется публикационным смещением и низкой мощностью эмпирика [S65]. Вывод для проектирования: напоминания и информирование сами по себе дают малый эффект, структурные изменения (умолчания, порядок, форма задачи) — заметно больший гипотеза.

EMA, ESM и опросы. Средняя комплаентность 79 % при 6 опросах в день; число опросов не предсказывает комплаентность, финансовые стимулы предсказывают эмпирика [S6]. Длина анкеты вредит, частота нет эмпирика [S22]. Веб-режим уступает другим режимам на 12 процентных пунктов отклика, эффект стабилен с 2008 года эмпирика [S24]. Организационные бенчмарки отклика вендорские и не рандомизированные вендор [S43]. Эмпирики о «survey fatigue» как самостоятельном феномене в организациях в открытом доступе найти не удалось (раздел 12).

Conversational surveys. Два контролируемых эксперимента показали преимущество чат-бота по качеству открытых ответов и снижению satisficing эмпирика [S44, S45]. LLM-интервьюер сопоставим с человеком в малом эксперименте эмпирика [S46]; телефонный LLM-опрос на 2 739 респондентах приблизился к человеческому стандарту по структурированным вопросам и уступил в глубине эмпирика [S47]. Ограничение всех четырёх: разовые опросы, а не долгие программы; усталость от диалога не измерялась.

Прерывания и уведомления. In-situ исследование 15 пользователей за неделю: 63,5 уведомления в день, рост числа уведомлений связан с ростом негативных эмоций, при этом уведомления обычно просматриваются в течение минут; люди внимательны к сообщениям около 12,1 часа в день, 75 % возвращаются к вниманию в течение 5 минут эмпирика [S66]. Клинические системы поддержки решений показывают, что при перегрузке предупреждениями врачи переопределяют от 46,2 % до 96,2 % алертов, причём 29,4–100 % переопределений признаны уместными; типичная причина — «буду наблюдать» эмпирика [S67]. Инженерный ориентир Google SRE: не более двух инцидентов на 12-часовую смену, поскольку разбор одного инцидента занимает около 6 часов; каждый алерт должен требовать действия, целевое отношение алертов к инцидентам 1:1 мнение [S68].

Algorithmic management. Исследование 107 интервью и 679 анкет в шести странах: алгоритмический контроль даёт гибкость, автономию и разнообразие задач, но связан с низкой оплатой, изоляцией, ненормированными часами, переработкой, недосыпом и истощением эмпирика [S69]. Обоснованная теория на водителях Uber: алгоритмы работают по двум осям, matching и control; работники переживают напряжения в исполнении, оплате и принадлежности и отвечают «рыночными» и «организационными» реакциями эмпирика [S70]. Опрос 666 сотрудников производственных МСП Стамбула: прямой эффект алгоритмических практик на благополучие незначим (β = −0,064), но опосредованные эффекты через выгорание (β = −0,060) и воспринимаемую угрозу (β = −0,139) значимы, а соответствие человека и работы ослабляет вред эмпирика [S71]. Обзор работы как дизайна называет модераторами прозрачность, справедливость и влияние работника на систему факт [S49]. Полевые кейсы ILO и JRC показывают, что одинаковые технологии дают разные последствия в зависимости от контекста внедрения эмпирика [S54].

Proactive agents. ProactiveBench: 6 790 событий, лучшая дообученная модель F1 66,47 % при предсказании, примет ли человек предложение помощи эмпирика [S16]. ProactiveEval: 328 сред в 6 доменах, 22 модели; DeepSeek-R1 лучше в планировании цели, Claude 3.7 Sonnet — в ведении диалога эмпирика [S72]. Inner Thoughts: агент формирует параллельный поток мыслей и решает, когда вмешаться, по внутренней мотивации; в пользовательских исследованиях превзошёл базовые подходы по антропоморфности, связности и уместности реплик эмпирика [S73]. Развёрнутый в ByteDance Volcano Engine агент Vigil более десяти месяцев проактивно помогал аналитикам поддержки на тысячах тикетов в день и самообучался на разобранных людьми случаях вендор [S74]. Линия «когда спрашивать»: агенты «слишком услужливы» и додумывают недостающие аргументы, а фреймворк Ask-when-Needed улучшает результат на Noisy ToolBench эмпирика [S75]; отделение детекции недоопределённости от исполнения даёт 69,40 % решённых задач на недоопределённом SWE-bench Verified с калиброванным числом вопросов эмпирика [S76]; AskBench измеряет одновременно избыточные и недостаточные уточнения эмпирика [S77]; HAS-Bench показывает, что участие человека повышает успех и восстановление после ошибок, но «выигрыш зависит от того, когда, как и кем» оно реализовано, а стоимость взаимодействия — отдельная метрика эмпирика [S78]. Критика: текущая проактивность «узко антиципаторна», экстраполирует прошлое поведение и не работает там, где человек не знает, чего не знает; нужны принципиальные ограничения на то, когда, как и в какой мере вмешиваться мнение [S79].

Human oversight. Анализ 41 политики надзора над государственными алгоритмами: люди не способны выполнять предписанный надзор, а политики создают ложное чувство безопасности; предложена институциональная альтернатива мнение [S80]. Со-дизайн с экспертами: качество надзора зависит от мотивации, вовлечённости и осмысленности работы надзирающего; выведены двенадцать соображений дизайна эмпирика [S81]. Люди готовы использовать несовершенный алгоритм, если могут хотя бы немного изменить его результат эмпирика [S82]. EU AI Act требует, чтобы надзирающие «оставались осведомлены о возможной тенденции автоматически полагаться» на выход системы и могли её остановить или переопределить факт [S83].

2.3. Практическая база и вендорские данные

Практика компаний в открытом доступе представлена в основном документацией продуктов: правила частоты и подавления у Braze, Pega и Pendo вендор [S8, S9, S12], жизненный цикл задач у Camunda факт [S15], паттерны ожидания решения у Temporal факт [S25], условия доставки у Copilot Studio факт [S23]. Числовые результаты внедрений в компаниях 5–500 человек не опубликованы; вендорские бенчмарки отклика вендор [S43] и рекомендации по частоте вендор [S5] не сопровождаются дизайном измерения.

2.4. Мнение отрасли и главные споры

  • Эффективность nudging. Мертенс и соавторы против Майера и соавторов и против полевых данных nudge-подразделений: спор о публикационном смещении не закрыт, но обе стороны согласны, что структурные вмешательства сильнее информационных эмпирика [S63, S64, S65].
  • Граница манипуляции. Sunstein защищает прозрачные nudge с легитимными целями факт [S37]; Susser, Roessler и Nissenbaum считают скрытое влияние манипуляцией независимо от цели факт [S36]. Для рабочего места спор разрешается регуляторно: EU AI Act запрещает манипулятивные техники и распознавание эмоций на работе (раздел 2.5).
  • Надзор человека как гарантия. Регуляторы требуют человеческий надзор факт [S83]; Green показывает, что он часто фиктивен мнение [S80]; со-дизайн уточняет условия, при которых он работает эмпирика [S81].
  • Проактивность агентов. Бенчмарки измеряют принятие предложений, критики указывают, что принятие не равно пользе мнение [S79]; профсоюзы читают данные OECD как срочную потребность в защите работников мнение [S52].

2.5. Регуляторика на дату среза

Норма Что требует Статус на 2026-09-21
EU AI Act, Article 5(1)(a), (b), (f) запрет подсознательных, манипулятивных и обманных техник, эксплуатации уязвимостей, распознавания эмоций на рабочем месте кроме медицинских и целей безопасности факт [S84] действует с 2025-02-02 факт [S84]
EU AI Act, Annex III, п. 4(b) высокий риск: системы, распределяющие задачи по поведению или личным чертам, мониторящие и оценивающие результативность и поведение работников факт [S85] обязательства для Annex III перенесены на 2027-12-02 по «цифровому омнибусу», политическое соглашение 2026-05-06 факт [S86]
EU AI Act, Article 26(7) и Article 14 информировать работников и представителей до ввода высокорисковой системы; надзирающие должны понимать систему, помнить об automation bias, уметь переопределить и остановить факт [S27, S83] применяются вместе с Annex III, то есть с 2027-12-02 факт [S86]
EU AI Act, Article 50 сообщать людям, что они взаимодействуют с ИИ факт [S26] с 2026-08-02, омнибус срок не сдвинул факт [S86]
GDPR, Article 22 право не подвергаться решению, основанному исключительно на автоматизированной обработке, с юридическими или сходными значимыми последствиями; право на вмешательство человека, изложение позиции и оспаривание факт [S87] действует
GDPR, Article 88 государства могут устанавливать особые правила для трудовых отношений, включая мониторинг на рабочем месте, с защитой достоинства факт [S88] действует
Directive (EU) 2024/2831 (Platform Work) запрет обработки данных об эмоциональном состоянии, частных разговорах, внерабочем времени и биометрии; прозрачность автоматизированных систем мониторинга и решений; человеческий надзор с пересмотром не реже чем раз в два года; человеческий пересмотр значимых решений в течение двух недель факт [S89] транспозиция до 2026-12-02 факт [S89]
Испания, Real Decreto-ley 9/2021 (Ley Rider) работодатель информирует представителей работников о параметрах, правилах и инструкциях алгоритмов, влияющих на условия труда, доступ к занятости и профилирование; распространяется на всех работодателей факт [S90] действует с 2021-08-12 факт [S90]
Калифорния, SB 7 (No Robo Bosses Act) уведомление о применении ADS, запрет опираться исключительно на ADS при дисциплине и увольнении, доступ к данным факт [S91] наложено вето губернатора в октябре 2025 года факт [S91]; преемник SB 947 внесён 2026-02-02 с пост-уведомлением и человеческой проверкой факт [S92]
EU Digital Services Act, Article 25 запрет онлайн-платформам проектировать интерфейсы, которые обманывают или манипулируют получателями; примеры — навязчивое повторение запроса после сделанного выбора факт [S93] действует, но адресован платформам, не работодателям факт [S93]

Для продукта, управляющего сотрудниками в ЕС, ключевые следствия: распределение задач по поведению и мониторинг результативности попадают в высокий риск факт [S85], а обращения, эксплуатирующие уязвимость или скрыто искажающие поведение, запрещены уже сейчас факт [S84]. Прямых норм об алгоритмическом управлении вне платформ в большинстве юрисдикций нет; Испания — исключение факт [S90].

2.6. Что изменилось за 2023–2026 годы и как это влияет на выводы

  • Появились бенчмарки проактивности и уточнений (ProactiveBench, ProactiveEval, AskBench, HAS-Bench), и они показывают: даже лучшие модели ошибаются в трети решений «вмешаться или нет» эмпирика [S16, S72, S77, S78]. Следствие: правило инициативы нельзя отдавать модели целиком.
  • Human-in-the-loop стал встроенной функцией агентных SDK (LangGraph, OpenAI, Anthropic, MCP elicitation) факт [S18, S19, S50, S51], а отдельные слои вроде HumanLayer ушли факт [S17]. Следствие: паттерн «прервать, спросить, продолжить» стандартизирован, различия — в схеме ответа и хранении состояния.
  • Проактивные фичи в потребительских ассистентах (Pulse, scheduled actions) закрепили норму «пользователь включает и ограничивает» вендор [S56, S57].
  • Регуляторный ландшафт для рабочего места оформился: запреты Article 5 действуют, высокорисковые обязательства перенесены на конец 2027 года, директива о платформенной работе транспонируется к декабрю 2026 года факт [S84, S86, S89]. Следствие: проектировать журнал, информирование и человеческий пересмотр нужно сейчас, независимо от переноса сроков.
  • Пересмотр эффективности nudging снизил ожидания от напоминаний и информирования эмпирика [S64, S65]. Следствие: побуждение к действию проектируется через структуру задачи и снижение трения, а не через сообщения.

Где применимо и где нет, плюсы и минусы

Раздел оценивает предмет в целом — проактивную систему, инициирующую обращения к сотрудникам и участникам процессов, — и отдельные классы там, где они расходятся.

Подходит, когда

  • Есть измеримое отклонение с известной ценой. Проактивность оправдана ожидаемой полезностью: когда система может сравнить цену задержки с ценой прерывания факт [S2, S20]. Просроченный наряд, незакрытая смена, невыполненная проверка — случаи, где эта разница вычисляется из данных процесса.
  • Ответ человека структурируется заранее. Если ожидаемый ответ — статус из списка, число, подтверждение, одобрение или редактирование предложенных аргументов, его можно принять как данные без интерпретации факт [S19, S28]. Формы поля (ODK, SurveyCTO) и BPM-задачи построены на этом же.
  • Момент обращения предсказуем из контекста. JITAI и исследования восприимчивости показывают, что контекст (время, активность, местоположение, занятость устройства) предсказывает готовность ответить эмпирика [S21, S61]; в операционной среде такими сигналами служат календарь, статус смены, геозона, активность в системе.
  • Коротко и часто лучше, чем длинно и редко. Частые короткие обращения не ухудшают комплаентность, длинные ухудшают эмпирика [S22, S6]. Проактивная система выигрывает там, где можно раздробить сбор данных на микрозапросы в момент события.
  • Есть замкнутый цикл: обращение, ответ, видимое следствие. Отклик держится на доверии, что ответ что-то меняет факт [S29]; вендорская практика связывает усталость от опросов с отсутствием обратной связи вендор [S5].
  • Человек может отклонить, отредактировать или отложить. Возможность хотя бы немного изменить результат алгоритма повышает готовность им пользоваться эмпирика [S82]; прозрачный и обходимый nudge этически защитим факт [S37].
  • Задача требует решения ответственного, и это решение нельзя автоматизировать. Human-in-the-loop паттерны агентных SDK рассчитаны именно на «остановись и спроси» перед необратимым или дорогим действием факт [S18, S50].

Не подходит, когда

  • Цена ошибки в тайминге выше цены задержки. При невосприимчивости обращение вредит вовлечённости факт [S1]; если система не умеет оценивать восприимчивость, лучше пассивный канал (список задач) вместо push.
  • Обращение не меняет исход. Напоминания и информирование сами по себе дают эффект, близкий к нулю после коррекции на публикационное смещение эмпирика [S64, S65]; система, которая только напоминает, не нужна.
  • Получатель не имеет полномочий выполнить запрошенное. BPM-роли различают потенциальных и фактических владельцев задачи факт [S14]; обращение к человеку без полномочий переносит ответственность без права действия гипотеза.
  • Обращения используются для контроля, а не для координации. Мониторинг и оценка работников — высокий риск по EU AI Act факт [S85]; данные о переписке, эмоциях и внерабочем времени запрещены к обработке в платформенной работе факт [S89] и запрещены для распознавания эмоций на рабочем месте факт [S84].
  • Малый коллектив с низким базовым откликом и без культуры обратной связи. В организациях до 250 человек вендорский бенчмарк отклика 38 % вендор [S43]; проактивные опросы усилят нонреспонс, если нет видимых следствий.
  • Ответ требует глубокой интерпретации свободного текста. LLM-интервьюер уступает человеку в глубине уточнений эмпирика [S47]; для чувствительных тем (конфликт, здоровье) диалог с ботом — не замена разговору.
  • Нет надёжного сигнала состояния. Ненадёжная переменная адаптации делает правило решения «немногим лучше случайного» факт [S1].

Плюсы

  • Своевременность. Вмешательство в момент возможности повышает проксимальный исход, что показано в микрорандомизированных испытаниях эмпирика [S60, S58].
  • Снижение ошибки припоминания. Сбор «здесь и сейчас» точнее ретроспективных отчётов факт [S41].
  • Качество открытых ответов в диалоге. Чат-бот даёт более информативные и специфичные ответы, чем форма эмпирика [S44, S45].
  • Формализуемый жизненный цикл. Задачи, дедлайны, эскалации и роли уже стандартизированы в WS-HumanTask и BPM-движках факт [S14, S15]; их можно переиспользовать как схему обращений.
  • Контролируемая нагрузка. Лимиты частоты, троттлинг, подавление после отказа — готовые механизмы из маркетинговых и DAP-платформ вендор [S8, S9, S12].
  • Аудируемость. Human-in-the-loop паттерны сериализуют состояние и фиксируют решение человека факт [S25, S50]; это же требуется регуляторно (журналы не менее шести месяцев) факт [S27].

Минусы

  • Ложные срабатывания. Даже лучшая модель проактивности ошибается примерно в трети случаев эмпирика [S16]; каждая ошибка — потраченное внимание и подрыв доверия.
  • Затухание эффекта. Эффект подсказок снижается со временем эмпирика [S60]; система должна менять форму и уменьшать частоту, а не наращивать.
  • Усталость и негативные эмоции от объёма уведомлений. Рост числа уведомлений связан с ростом негативных эмоций эмпирика [S66]; алерты при перегрузке игнорируются в большинстве случаев эмпирика [S67].
  • Скрытый контроль. Проактивные обращения легко превращаются в мониторинг; последствия — выгорание и воспринимаемая угроза эмпирика [S71], переработка и истощение эмпирика [S69].
  • Регуляторная нагрузка. Распределение задач по поведению и оценка результативности — высокий риск, с обязанностями информирования, надзора и журналирования факт [S85, S27, S83].
  • Фиктивный надзор. Человек-одобряющий склонен к automation bias и часто не способен к содержательной проверке мнение [S80]; надзор работает только при осмысленности и мотивации эмпирика [S81].

Альтернативы и дерево решений

4.1. Прямые альтернативы

Предмет сравнения — проактивный LLM-агент управления людьми: система, которая по правилам решает, к кому, когда и с чем обратиться, использует модель для формулировки и интерпретации, а решения об инициативе и эскалации держит в детерминированном слое (архитектура в разделе 10). Альтернативы того же класса — другие способы получить от людей информацию или действие по инициативе системы.

Вариант Кто решает «когда обратиться» Контроль нагрузки Детерминизм и аудируемость Учится на ответах Стоимость входа Регуляторный риск на рабочем месте Лучше всего для
Проактивный LLM-агент с правилами инициативы (предмет) правила плюс оценка полезности; модель формулирует явный бюджет внимания, подавление после отказа гипотеза высокая, если решения логируются как данные гипотеза да, через журнал реакций высокая: правила, память, каналы, оценка высокий при распределении задач и оценке факт [S85] смешанные задачи: данные, статусы, решения, эскалации
BPM human tasks с дедлайнами и эскалацией (Camunda, WS-HumanTask) процесс по схеме факт [S14, S15] по срокам задач, без бюджета внимания максимальная нет средняя средний: задачи назначаются по роли, не по поведению регламентированные процессы с известными шагами
Pulse и XM-опросы по расписанию (Qualtrics, Medallia) календарь программы вендор [S5] через частоту и длину анкеты высокая слабо низкая-средняя низкий измерение установок и климата
EMA / ESM-микроопросы по событию или расписанию случайное или событийное расписание факт [S41] 6 раз в день без потери комплаентности при коротких анкетах эмпирика [S6, S22] высокая нет низкая средний, если данные о состоянии сотрудника состояние «сейчас»: нагрузка, самочувствие, контекст
JITAI-подобные контекстные микровмешательства правило решения по переменным состояния факт [S1] опция «ничего не делать», восприимчивость средняя: правила явные, сигналы шумные да, при MRT-оценке факт [S40] высокая: сенсоры, правила, испытания высокий при выводе о состоянии человека факт [S84] побуждение к своевременному действию
Движок NBA / journey orchestration (Braze, Pega) событие плюс арбитраж и contact policies вендор [S8, S9] глобальные лимиты частоты высокая да, по propensity средняя, продукты внешние средний: построены для клиентов, не сотрудников внешняя аудитория: клиенты, контрагенты
Digital adoption platform (WalkMe, Pendo) правила показа в интерфейсе факт [S10] троттлинг, одна подсказка за раз вендор [S12] высокая слабо низкая-средняя низкий подсказки внутри собственного интерфейса
Диспетчерская FSM / WFM (Dynamics 365 Field Service) диспетчер или оптимизатор факт [S13] через расписание и наряды высокая нет высокая высокий: распределение задач по характеристикам факт [S85] полевые работы с маршрутами и ресурсами
Реактивный ассистент без инициативы (нулевая альтернатива) человек нулевая высокая нет низкая низкий справка и подготовка решений по запросу

Когда альтернатива целесообразнее предмета.

  • BPM human tasks — когда шаги процесса и ответственные известны заранее, а вопрос только в сроках и эскалации. Плюс: полная детерминированность и стандартные роли факт [S14]. Минус: не умеет выбирать момент и форму обращения, не учитывает нагрузку человека.
  • Pulse и XM — когда нужна периодическая оценка климата, а не операционные данные. Плюс: дешёвая и понятная людям практика вендор [S5]. Минус: низкий отклик в малых организациях вендор [S43], ретроспективность.
  • EMA-микроопросы — когда важны состояние и контекст «сейчас» и можно спрашивать часто и коротко эмпирика [S22]. Минус: без стимулов и обратной связи комплаентность падает эмпирика [S6].
  • JITAI — когда цель — устойчивое поведение (регулярная отчётность, техника безопасности), есть надёжные сигналы состояния и возможность экспериментировать факт [S1, S40]. Минус: дорогая валидация, затухание эффекта эмпирика [S60].
  • NBA / journey orchestration — для клиентов и контрагентов, где цель — конверсия, а данные о людях уже есть в CRM вендор [S8]. Минус: логика арбитража построена на ценности действия для компании, а не для получателя, что на рабочем месте конфликтует с требованиями о манипуляции гипотеза.
  • DAP — когда действие совершается внутри вашего интерфейса и подсказку можно показать в момент действия факт [S10]. Минус: не достаёт людей вне интерфейса (поле, мессенджеры).
  • FSM / WFM — когда основная сущность — наряд с маршрутом, ресурсом и материалами факт [S13]. Минус: не покрывает решения и оценки.
  • Реактивный ассистент — когда инициатива системы не даёт измеримой пользы или запрещена политикой; отсутствие ложных срабатываний важнее своевременности.

4.2. Критерии выбора механизма

Для каждой операционной задачи выбор определяют пять переменных: тип ответа (данные, статус, решение, действие), срочность (часы, дни, недели), цена ошибки или задержки, текущая нагрузка на получателя (бюджет внимания) и доступный канал (интерфейс, мессенджер, push, голос). Дерево ниже доводит до конкретного механизма.

Дерево решений

  • Если нужен ответ типа «данные о факте в поле» (замер, фото, чек-лист)→форма мобильного сбора данных с офлайн-режимом (ODK, KoboToolbox, SurveyCTO, Fulcrum); обращение — назначенное задание с дедлайном
    • Если факт привязан к событию (визит, приёмка) и человек в этот момент в приложении→встроенная подсказка в интерфейсе (DAP-паттерн) вместо push
    • Если факт нужен регулярно и коротко (1–3 поля)→EMA-микрозапрос в мессенджере по событийному триггеру, не чаще нескольких раз в день, длина важнее частоты
    • Иначе→задача в списке задач с follow-up-датой и одним напоминанием
  • Если нужен «статус выполнения»→сначала пассивный сигнал (система, датчик, интеграция); обращение к человеку только при отсутствии сигнала к сроку
    • Если статус критичен (цена задержки высока, срочность часы)→push или сообщение в мессенджер с кнопками «сделано / не могу / отложить», эскалация по правилу через заданный интервал
    • Если некритичен→строка в утренней сводке или списке задач, без прерывания
  • Если нужно «решение ответственного» (одобрить, выбрать, отклонить)→human-in-the-loop прерывание с подготовленным контекстом и структурированными вариантами; агент готовит, человек решает
    • Если цена ошибки высока или действие необратимо→обязательное одобрение с явным accept / edit / reject, таймаут и эскалация вверх по роли
    • Если решение типовое и человек ранее одобрял такие же→предложить «always approve» для класса решений с журналом и правом отзыва
    • Если решения нет к дедлайну→эскалация к заместителю по матрице ролей, а не повторный запрос тому же человеку
  • Если нужно «побудить к действию» (выполнить задачу, отреагировать на отклонение)
    • Если действие можно сделать проще структурно (умолчание, автозаполнение, кнопка в сообщении)→менять структуру задачи, а не слать напоминание
    • Если действие требует привычки (регулярный отчёт, проверка)→JITAI-паттерн: короткая подсказка в момент возможности, вариант «ничего не делать» при невосприимчивости, ожидание затухания и смена формы через недели
    • Если это разовое отклонение с известной ценой→одно обращение с объяснением причины и дедлайном, затем эскалация, а не серия напоминаний
  • Если нужно «назначить задачу»→BPM-паттерн: потенциальные владельцы, claim, дедлайн, эскалация переназначением; уведомление о назначении — одно
    • Если исполнителей несколько и есть маршруты и ресурсы→FSM-диспетчеризация
    • Иначе→список задач с претензией на задачу и правом вернуть её в очередь
  • Если получатель уже исчерпал бюджет внимания на период (задано политикой)→отложить некритичные обращения до следующего окна, критичные — только через канал, определённый для критичных, с записью причины превышения
  • Если сигнал состояния ненадёжен или отсутствует→не строить правило на нём; использовать расписание или явный запрос статуса
  • Иначе→проактивный LLM-агент по правилам раздела 10: правило инициативы в коде, модель только формулирует и интерпретирует

Практическое применение

5.1. Порядок внедрения в компании 5–500 человек

  1. Инвентаризация обращений. Собрать все случаи, когда система или руководитель сегодня «дёргает» людей: запросы статусов, напоминания, согласования, опросы. Для каждого зафиксировать цель (данные, статус, решение, действие), триггер, канал, ожидаемый ответ, цену задержки. Это заготовка реестра обращений (раздел 6).
  2. Классификация по дереву раздела 4. Часть обращений переводится в пассивные сигналы (интеграции, датчики), часть — в структурные изменения задачи (умолчания, кнопки), и только остаток становится проактивными обращениями. Ожидание: остаток меньше половины исходного списка гипотеза.
  3. Роли и полномочия. По образцу WS-HumanTask: для каждого типа обращения определить потенциальных владельцев, фактического владельца, заместителя для эскалации, получателей уведомлений и исключённых факт [S14]. Без заместителя эскалация невозможна.
  4. Политика бюджета внимания и тихих часов. Задать лимиты по человеку, каналу и окну, как в frequency capping вендор [S9], и правило «самое строгое правило побеждает». Ориентир для критичных прерываний — инженерная норма on-call: не более двух инцидентов на 12-часовую смену мнение [S68].
  5. Модель согласия и информирования. До запуска сообщить людям, какие обращения система инициирует, по каким данным и как отказаться; для ЕС это обязанность работодателя при высокорисковых системах факт [S27] и общая обязанность раскрывать взаимодействие с ИИ факт [S26].
  6. Пилот на одном процессе с измерением. Выбрать один процесс (сбор статусов с поля или согласования), запустить на 4–6 недель с рандомизацией времени обращения по образцу микрорандомизированных испытаний факт [S40], измерять отклик, время до ответа, долю отказов и эскалаций.
  7. Пересмотр и масштабирование. По журналу реакций снизить частоту там, где отклик падает, изменить форму там, где эффект затухает эмпирика [S60], и только потом добавлять процессы.

5.2. Ритм, тайминг, каналы, роли

  • Ритм. Операционные микрозапросы — по событию, не по расписанию; итоговые сводки — раз в день в фиксированное окно; оценочные pulse — не чаще раза в месяц и не длиннее 10–15 вопросов вендор [S5]. Частота коротких запросов сама по себе не снижает отклик эмпирика [S22].
  • Тайминг. Критичное обращение — немедленно, но с проверкой статуса получателя (смена, встреча, тихие часы); некритичное — в ближайшее окно внимания. Отложенная доставка при активном диалоге — стандартный приём факт [S23].
  • Каналы. Мессенджер для запросов с кнопками; список задач в интерфейсе для всего, что может подождать; push только для критичного; голос — как запасной канал для полевых сотрудников без экрана (упоминание, эмпирики нет).
  • Роли. Владелец политики обращений (обычно руководитель операций), владелец процесса (задаёт триггеры и эскалации), получатели (сотрудники), заместители (по матрице), аудитор журнала (раз в месяц проверяет ложные срабатывания).
  • Согласие. Явное включение каналов и тихих часов самим человеком; отказ от конкретного типа обращения фиксируется и уважается; повторный запрос после отказа — только при изменении обстоятельств, а не по таймеру гипотеза.

5.3. Сквозные сценарии

Все числа ниже — иллюстрация для компании на 60 человек с полевыми бригадами.

Сценарий 1. Сбор данных с поля. Бригадир должен к 18:00 передать выработку за день. Система ждёт пассивный сигнал (закрытие смены в приложении). В 17:30, если сигнала нет, отправляет в мессенджер один запрос с тремя полями: объём, простой, причина простоя; кнопка «нет изменений» заполняет форму значениями вчерашнего дня (пример структурного упрощения). Если ответа нет к 18:30 — одно напоминание; к 09:00 следующего дня — эскалация руководителю участка строкой в утренней сводке, а не звонком. Ожидаемый отклик на первый запрос 70–80 % (иллюстрация, ориентир — комплаентность EMA 79 % эмпирика [S6]).

Сценарий 2. Реакция на отклонение. Поставка задерживается на 2 дня, что срывает этап. Система вычисляет цену задержки (штраф по договору) и находит владельца этапа. Обращение: факт отклонения, три варианта (перенести этап, заменить поставщика, эскалировать клиенту), дедлайн решения 4 рабочих часа. Ответ — выбор варианта или «нужно обсудить» с назначением встречи. При отсутствии ответа через 4 часа — эскалация заместителю по матрице, с копией исходного контекста. Правило: одно обращение, одна эскалация, никакой серии напоминаний гипотеза.

Сценарий 3. Запрос решения у ответственного. Закупка превышает лимит бригадира на 15 %. Агент готовит карточку: сумма, лимит, история цен, рекомендация, риск отказа. Финансовый руководитель получает прерывание с вариантами accept / edit (сумма) / reject / «спросить позже» по модели MCP elicitation и Agent Inbox факт [S19, S28]. Decline с причиной «поставщик не согласован» переводит задачу в другой процесс; cancel откладывает на следующий день. Если руководитель трижды подряд одобряет одинаковый класс закупок, система предлагает правило автоодобрения для класса с лимитом и журналом — аналог sticky decisions в OpenAI Agents SDK факт [S50].

Сценарий 4. Назначение задачи. Датчик показывает отклонение температуры на складе. Система создаёт задачу «проверить холодильник» с двумя потенциальными владельцами (кто на смене), срок 60 минут. Первый, кто нажал «беру», становится владельцем; второй получает отмену. При отсутствии claim за 15 минут — расширение круга кандидатов; за 30 минут — переназначение старшему смены; всё по правилам эскалации WS-HumanTask факт [S14]. Отчёт — фото и статус из трёх вариантов.

Что система записывает в каждом сценарии. Обращение (кому, зачем, по какому триггеру, по какому каналу, в счёт какого бюджета), ответ (тип, содержание, время), реакцию (принято, отклонено, проигнорировано, эскалировано), следствие (что изменилось в процессе). Эти записи — сырьё для еженедельного пересмотра политики (раздел 6).

5.4. Типичные ошибки первого применения

  • Перенос всех напоминаний в push. Рост числа уведомлений связан с ростом негативных эмоций эмпирика [S66]; результат — игнорирование, как при перегрузке алертами эмпирика [S67].
  • Обращение без структурного упрощения задачи. Напоминание не работает, если действие сложно; эффект информационных nudge близок к нулю эмпирика [S64].
  • Правила на ненадёжных сигналах. Правило, построенное на ненадёжной переменной, работает как случайный выбор факт [S1].
  • Эскалация как повтор. Повторный запрос тому же человеку вместо передачи заместителю; в BPM эскалация — переназначение, а не повторное уведомление факт [S14].
  • Отсутствие обратной связи по итогам. Ключевая причина усталости по вендорским данным вендор [S5] и по логике социального обмена факт [S29].
  • Смешение координации и контроля. Как только запросы статуса начинают использоваться для оценки, растут выгорание и воспринимаемая угроза эмпирика [S71].

5.5. Что происходит через месяцы

  • Эффект подсказок затухает: в HeartSteps начальный эффект 107 % снизился со временем эмпирика [S60]; в компании это выглядит как падение отклика на однотипные запросы. Ответ — менять форму и снижать частоту, а не усиливать.
  • Привычка формируется в среднем за 66 дней с большим разбросом эмпирика [S35]; часть запросов становится лишней, когда действие вошло в рутину, и их надо отключать.
  • Накапливается журнал отказов и игнорирований; он должен вести к пересмотру триггеров, иначе система превращается в спамера (раздел 8).
  • В ЕС появляются обязанности по журналированию и информированию по мере вступления в силу высокорисковых обязательств с 2027-12-02 факт [S86]; журнал, заведённый с первого дня, снимает эту нагрузку.

5.6. Стоимость входа

  • Компетенции. Владелец процессов, умеющий формулировать триггеры и роли; инженер для правил, каналов и журнала; для JITAI-подобных механизмов — умение ставить микрорандомизированные проверки факт [S40].
  • Время. Инвентаризация и политика — недели; пилот — 4–6 недель; устойчивый режим — после первого пересмотра, то есть через 2–3 месяца (иллюстрация).
  • Деньги. Инструменты сбора данных с поля доступны от нуля (KoboToolbox Community: 5 000 отправок в месяц вендор [S94]; ODK — открытый код с самостоятельным хостингом факт [S95]) до сотен долларов в месяц (SurveyCTO от 225 долларов в месяц при годовой оплате вендор [S96]; Fulcrum от 43 долларов за пользователя в месяц при минимум пяти пользователях вендор [S97]). Движки процессов и агентные фреймворки — открытый код с платными облаками (Temporal Cloud от 50 долларов за миллион действий вендор [S98]; Camunda — цены по запросу вендор [S99]).

Артефакты

Шесть артефактов ниже — авторская сборка из стандартов и документации: ролей и состояний WS-HumanTask факт [S14], схемы ответа MCP elicitation и Agent Inbox факт [S19, S28], лимитов частоты Braze и contact policies Pega вендор [S9, S8], элементов JITAI факт [S1] и требований журналирования EU AI Act факт [S27]. Конкретные поля и значения — гипотеза, если не указано иное.

6.1. Реестр обращений (Outreach Registry)

Назначение. Единый каталог типов обращений, которые система вправе инициировать. Ничего не отправляется, если тип не описан в реестре.

Поля.

Поле Значение Пример
outreach_type_id идентификатор типа field.daily_output
goal data / status / decision / action data
trigger событие, расписание или отклонение с условием shift_close_missing AND time >= 17:30
audience_rule как выбираются получатели (роль, объект, смена) role = foreman AND site.active
channel_policy упорядоченный список каналов с условиями [messenger, task_list]
budget_class класс нагрузки: interrupting / deferred / digest deferred
expected_response JSON-схема ответа (плоские примитивы, как в elicitation) output: number, downtime: number, reason: enum
response_actions разрешённые реакции: accept, edit, respond, decline, ignore, defer [accept, edit, decline, defer]
escalation_ref ссылка на карту эскалаций esc.field.daily_output
legal_basis основание обработки и категория риска contract; not_high_risk
owner владелец типа обращения ops_lead
review_date дата пересмотра 2026-12-01

Жизненный цикл. Создаёт владелец процесса при инвентаризации; активирует владелец политики после проверки бюджета и правового основания; пересматривается ежемесячно по журналу реакций; архивируется, когда отклик или полезность падают ниже порога из раздела 8 или когда действие вошло в привычку.

6.2. Политика частоты и бюджета внимания (Attention Budget Policy)

Назначение. Ограничить суммарную нагрузку на человека независимо от числа процессов, которые хотят к нему обратиться.

Структура (пример).

person_defaults:
  interrupting_per_day: 2        # push, звонок; ориентир on-call: <=2 инцидента за смену
  deferred_per_day: 5            # сообщения в мессенджер без звука
  digest_windows: ["09:00", "17:30"]
  quiet_hours: "20:00-08:00"
  min_gap_minutes: 45            # минимальный интервал между обращениями, как guide throttling
rules:
  - if: budget.interrupting.exhausted
    then:
      downgrade_to: deferred
  - if: budget.deferred.exhausted
    then:
      move_to: next_digest
  - if: person.status in [meeting, driving, shift_break]
    then:
      hold_until: status_change
conflict_resolution: most_restrictive_wins
overrides:
  critical_safety:
    allow_interrupting: true
    log_reason: required

Жизненный цикл. Значения по умолчанию задаёт владелец политики; человек может ужесточить свои лимиты и тихие часы сам; система пересчитывает остаток бюджета при каждом обращении; превышения по critical_safety попадают в журнал и еженедельный разбор. Правило «самое строгое побеждает» взято из frequency capping вендор [S9]; минимальный интервал — из троттлинга подсказок вендор [S12]; ориентир два прерывания за смену — из практики on-call мнение [S68].

6.3. Модель согласия (Consent Model)

Назначение. Хранить, на что человек согласился, от чего отказался, и как это проверяется перед отправкой.

Поля. person_id, outreach_type_id или channel, state (granted / declined / paused_until / required_by_role), granted_at, source (самостоятельно, по роли, по договору), informed_at (дата информирования о системе), revoke_path (как отозвать), notes.

Пример.

person_id: p-117
channel: push
state: declined
granted_at: null
source: self
informed_at: 2026-10-01
revoke_path: settings/notifications

Жизненный цикл. Создаётся при информировании (обязанность работодателя до ввода высокорисковой системы факт [S27]); меняется человеком в любой момент; проверяется политикой перед каждой отправкой; required_by_role применяется только к обращениям, вытекающим из должностных обязанностей, и не распространяется на каналы личного устройства без отдельного согласия гипотеза. Запрещённые категории данных (эмоциональное состояние, частные разговоры, внерабочее время) в модели отсутствуют по умолчанию факт [S89, S84].

6.4. Шаблоны запросов и побуждений (Message Templates)

Назначение. Задать форму обращения, которую модель заполняет, но не меняет структурно.

Структура шаблона. Заголовок с причиной (что произошло и почему обращаются), контекст в одну-две строки, ожидаемый ответ с кнопками, срок, что будет при отсутствии ответа, ссылка «почему я это получил». Обязательные элементы: указание, что обращение инициировано системой факт [S26], и явная возможность отказа факт [S19].

Пример побуждения к действию (сценарий 2 из раздела 5).

Поставка по этапу «Фундамент» задерживается на 2 дня; срыв этапа стоит 120 000 рублей штрафа (иллюстрация). Нужен ваш выбор до 15:00: [Перенести этап] [Заменить поставщика] [Эскалировать клиенту] [Обсудить]. Без ответа задача перейдёт к Ивановой в 15:00. Почему я это получил →

Жизненный цикл. Шаблон создаёт владелец процесса, проверяет владелец политики на отсутствие dark patterns (навязчивое повторение после отказа, асимметрия кнопок) факт [S93, S39]; варианты формулировок тестируются попеременно; шаблон с падающим откликом заменяется, а не усиливается.

6.5. Карта триггеров и эскалаций (Trigger and Escalation Map)

Назначение. Для каждого типа обращения описать, что его запускает, когда оно считается неотвеченным и куда идёт дальше.

Поля. trigger_condition, data_source_reliability (проверенный / шумный / отсутствует), decision_deadline, levels[] (уровень, получатель по роли, действие: remind_once / reassign / widen_candidates / notify_stakeholder, задержка), stop_condition, max_levels.

Пример (сценарий 4).

trigger: sensor.temp_deviation AND duration > 10m
data_source_reliability: verified
decision_deadline: 60m
levels:
  - level: 1
    to: role:on_shift_any
    action: claim_request
    after: 0m
  - level: 2
    to: role:on_shift_all
    action: widen_candidates
    after: 15m
  - level: 3
    to: role:shift_lead
    action: reassign
    after: 30m
stop_condition: task.claimed OR sensor.normalized
max_levels: 3

Жизненный цикл. Карта создаётся вместе с типом обращения; уровень «переназначить» обязателен, «напомнить» допускается один раз (эскалация в WS-HumanTask — уведомление и переназначение, не повтор факт [S14]); карта пересматривается при каждом случае эскалации до последнего уровня.

6.6. Журнал ответов и реакций (Response and Reaction Log)

Назначение. Единая запись о каждом обращении и его судьбе; основа метрик раздела 8, обучения политики и регуляторного журнала.

Поля. outreach_id, outreach_type_id, person_id, sent_at, channel, budget_class, budget_remaining_after, trigger_snapshot (входные данные правила на момент отправки), delivered (доставлено / недоставлено с кодом, как статусы 100/300 в Copilot Studio факт [S23]), first_seen_at, response_at, response_action (accept / edit / respond / decline / ignore / defer), response_payload (по схеме), escalation_level_reached, outcome (что изменилось в процессе), human_note, model_involvement (какие части сгенерированы моделью).

Пример.

outreach_id: o-88213
outreach_type_id: field.daily_output
person_id: p-117
sent_at: 2026-10-14T17:30:00+03:00
channel: messenger
budget_class: deferred
budget_remaining_after: 3
trigger_snapshot:
  shift_close_missing: true
delivered: ok
first_seen_at: 2026-10-14T17:41:00+03:00
response_at: 2026-10-14T17:43:00+03:00
response_action: accept
response_payload:
  output: 38
  downtime: 1.5
  reason: materials
escalation_level_reached: 0
outcome: daily_report.filled
model_involvement: [message_text]

Жизненный цикл. Запись создаётся при решении отправить (даже если отправка отложена), дополняется при доставке, ответе и эскалации, закрывается исходом; хранится не менее шести месяцев по требованию к деплойерам высокорисковых систем факт [S27]; агрегируется в еженедельные метрики и ежемесячный пересмотр реестра.

С чем используется в связке

7.1. Типичные комбинации

  • Движок процессов или workflow (Camunda, Temporal). Даёт задачи, сроки, состояние и durable-ожидание ответа человека факт [S15, S25]; проактивный слой решает, как и когда об этой задаче сообщить. Без движка обращения не имеют «владельца состояния».
  • Источники пассивных сигналов: ERP, CRM, календарь, датчики, геозоны. Пассивные переменные адаптации снижают нагрузку на человека по сравнению с активными самоотчётами факт [S1]; надёжность источника определяет, можно ли на нём строить правило.
  • Мессенджеры и корпоративные чаты (Teams, Slack, Telegram). Канал доставки с кнопками; ограничения доставки (установка агента, активный диалог) задаёт платформа факт [S23].
  • Формы полевого сбора (ODK, KoboToolbox, SurveyCTO, Fulcrum). Принимают структурированный ответ офлайн и синхронизируют его факт [S95]; проактивный слой лишь назначает и напоминает.
  • Подсказки в интерфейсе (DAP). Для действий внутри собственного продукта подсказка в момент действия заменяет внешнее обращение факт [S10]; троттлинг подсказок и бюджет внимания должны быть согласованы вендор [S12].
  • Экспериментальная инфраструктура. Микрорандомизация времени и формы обращения — единственный способ отличить эффект обращения от эффекта процесса факт [S40]; в компании это A/B по времени отправки и формулировке.
  • Управление согласиями и информированием. Реестр информирования работников и журнал — требования при высокорисковом применении факт [S27]; модель согласия из раздела 6 живёт рядом с настройками уведомлений.
  • Наблюдаемость и разбор инцидентов. Практика on-call даёт готовые нормы для критичных обращений: актуальность алертов, отношение алертов к инцидентам мнение [S68].

7.2. Что предшествует и что следует

  • Предшествует: инвентаризация обращений и ролей, движок процессов с задачами, интеграции пассивных сигналов, информирование людей.
  • Следует: еженедельный разбор журнала реакций, ежемесячный пересмотр реестра, отключение обращений, вошедших в привычку (в среднем 66 дней эмпирика [S35]), перевод типовых решений в правила автоодобрения с журналом факт [S50].

7.3. Конфликты и несовместимости

  • Арбитраж по ценности для бизнеса против интересов получателя. NBA-движки ранжируют действия по propensity, ценности действия и бизнес-рычагам вендор [S8]; перенос этой логики на сотрудников превращает координацию в оптимизацию извлечения усилий, что противоречит требованию не эксплуатировать уязвимости факт [S84] и подрывает автономию факт [S34].
  • Несколько систем с собственными лимитами частоты. Braze, Pendo, BPM-движок и мессенджер каждый ограничивают себя, но не сумму вендор [S9, S12]; без единого бюджета внимания человек получает сумму всех лимитов гипотеза.
  • Мониторинг под видом координации. Запросы статуса, попадающие в оценку результативности, переводят систему в высокий риск факт [S85] и запускают выгорание через воспринимаемую угрозу эмпирика [S71].
  • Проактивность модели против детерминированной политики. Если модель сама решает, когда обращаться, её ошибка в трети случаев эмпирика [S16] становится нагрузкой на людей; политика должна стоять перед моделью (раздел 10).
  • Фиктивный надзор. Обязательное одобрение каждого шага без контекста порождает automation bias и «резиновый штамп» мнение [S80]; одобрения нужны только там, где человек может содержательно проверить эмпирика [S81].

Метрики здоровья и антипаттерны

Нормы ниже либо взяты из источников, либо помечены как ориентир (авторская оценка без измерения). Все метрики считаются по журналу ответов и реакций из раздела 6.

Признак Здоровая норма Симптом деградации Источник
Доля отвеченных обращений (по типу) около 79 %, как средняя комплаентность EMA; для коротких запросов с обратной связью выше ниже 60 % два периода подряд; в малых организациях базовый отклик опросов 38 % говорит о проблеме программы, а не людей эмпирика [S6]; вендор [S43]
Время от доставки до первого просмотра минуты для мессенджера при нормальной нагрузке часы при растущем числе обращений эмпирика [S66]
Число прерывающих обращений на человека в смену не более двух стабильно выше двух; рост доли игнорирований мнение [S68]
Доля принятых предложений помощи или действий ориентир: не ниже двух третей принятых — уровень лучших моделей на ProactiveBench ниже половины: агент чаще мешает, чем помогает эмпирика [S16]
Доля переопределённых или проигнорированных алертов ориентир: заметно ниже клинических 46–96 % приближение к 90 %: алерты перестали нести информацию эмпирика [S67]
Доля явных отказов (decline) и отложенных (defer) небольшая, но не нулевая: нулевая означает, что отказ невозможен или незаметен рост decline по одному типу — триггер пересмотра; рост cancel без причины — признак усталости факт [S19] (структура)
Эффект побуждения во времени ожидаемое затухание; форма меняется до падения падение отклика без изменения формы; усиление частоты в ответ эмпирика [S60]
Длина обращения одно–три поля для микрозапроса; pulse 10–15 вопросов в месяц рост длины при сохранении частоты; жалобы на нагрузку эмпирика [S22]; вендор [S5]
Доля эскалаций, дошедших до последнего уровня малая; каждая разбирается рост без изменения карты триггеров ориентир
Доля обращений с ненадёжным сигналом-триггером ноль правил на непроверенных источниках ложные срабатывания по одному источнику факт [S1]
Доля людей, ужесточивших лимиты или отключивших канал стабильная, объяснимая ролями рост после запуска нового типа обращений ориентир
Согласованность формулировок модели со схемой 100 % прошедших валидацию до отправки обращения с полями вне схемы, «додуманными» аргументами эмпирика [S75]

Антипаттерны

Агент-спамер

Как выглядит. Каждое отклонение, каждый незакрытый чек-лист и каждое «на всякий случай» превращаются в сообщение; у бригадира к обеду десяток непрочитанных запросов от одной и той же системы; ответы приходят выборочно, а критичное тонет среди обычного.

Почему возникает. Обращение считается бесплатным, правило инициативы отсутствует, каждый процесс шлёт по своим лимитам, а суммарный бюджет никто не считает гипотеза. Рост числа уведомлений связан с ростом негативных эмоций эмпирика [S66]; при перегрузке люди переопределяют большинство алертов эмпирика [S67].

Как чинить. Ввести единый бюджет внимания с классами interrupting / deferred / digest и правилом «самое строгое побеждает» вендор [S9]; перевести некритичное в сводки; заставить каждый тип обращения проходить через реестр; добавить опцию «ничего не делать» как явный исход правила факт [S1].

Когда менять практику. Если после введения бюджета отклик на критичные обращения не восстанавливается за два цикла пересмотра, проблема в доверии к системе, а не в частоте; нужен разбор с людьми и временная остановка проактивных обращений.

Усталость от опросов

Как выглядит. Ежемесячный pulse, квартальный опрос вовлечённости, опрос после каждого обучения и запросы «как прошла неделя» от агента; отклик падает от периода к периоду; ответы становятся однообразными.

Почему возникает. Длина растёт быстрее, чем польза эмпирика [S22]; результаты не возвращаются людям — по вендорским данным главная причина усталости вендор [S5]; логика социального обмена нарушена: издержки видны, выгоды нет факт [S29].

Как чинить. Сократить каждую анкету до минимально необходимого; объединить источники в один календарь; после каждого сбора публиковать, что изменилось; частота коротких запросов допустима, длина — нет эмпирика [S22].

Когда менять практику. Если отклик ниже 60 % при коротких анкетах и регулярной обратной связи, измерять установки опросами больше не стоит: переходить к пассивным сигналам и редким интервью.

Слежка под видом заботы

Как выглядит. «Как ты себя чувствуешь?» каждый день от агента, «мы заметили, что ты долго не отвечал», сводки активности руководителю, распознавание тона сообщений; людям объясняют, что это ради их благополучия.

Почему возникает. Данные о состоянии человека кажутся полезными для тайминга; граница между координацией и оценкой не проведена; надзор за системой отсутствует. Последствия — выгорание и воспринимаемая угроза эмпирика [S71], переработка и истощение при алгоритмическом контроле эмпирика [S69].

Как чинить. Исключить из модели данных эмоциональное состояние, частные разговоры и внерабочее время факт [S89]; распознавание эмоций на рабочем месте запрещено факт [S84]; данные о статусе использовать только для координации и явно запретить их использование в оценке; информировать работников о системе факт [S27].

Когда менять практику. Если бизнес-цель обращений на самом деле мониторинг результативности, это высокорисковая система факт [S85] со всеми обязанностями; либо проектировать её как таковую, либо отказаться.

Dark patterns в побуждении

Как выглядит. Кнопка «сделаю» большая и яркая, «не могу» — серым текстом; после отказа запрос повторяется через час с другой формулировкой; «отложить» отсутствует; напоминание содержит счётчик «вы уже пропустили 3 раза».

Почему возникает. Метрика команды — доля выполненных действий, а не качество решений; техники из потребительских интерфейсов переносятся без фильтра. Такие приёмы — асимметрия и навязчивое повторение — типизированы как dark patterns эмпирика [S39] и запрещены для платформ факт [S93]; на рабочем месте манипулятивные техники запрещены EU AI Act факт [S84].

Как чинить. Симметричные варианты ответа, обязательный decline и defer в каждом шаблоне факт [S19]; повторный запрос только при изменении обстоятельств; проверка шаблонов владельцем политики на скрытое влияние по критериям Susser и соавторов факт [S36].

Когда менять практику. Если единственный способ добиться действия — давление, задача спроектирована неверно: менять структуру задачи (умолчания, упрощение), а не форму обращения; структурные вмешательства — единственная категория с ненулевым скорректированным эффектом эмпирика [S64].

Эскалация без основания

Как выглядит. Через час без ответа копия уходит руководителю; руководитель получает десятки «эскалаций» в день, большинство из которых закрываются сами; исполнители перестают отвечать, потому что «всё равно уйдёт наверх».

Почему возникает. Эскалация настроена по таймеру без учёта цены задержки и восприимчивости; уровень «переназначить» заменён уровнем «уведомить начальника»; правила на ненадёжных сигналах порождают ложные отклонения факт [S1].

Как чинить. Карта эскалаций с дедлайном, выведенным из цены задержки; первый уровень — расширение круга или переназначение, а не уведомление выше факт [S14]; каждая эскалация до последнего уровня разбирается; правило «одно напоминание, одна эскалация» гипотеза.

Когда менять практику. Если более половины эскалаций закрываются без действия получателя, триггер не соответствует реальному отклонению; вернуть обращение в пассивный режим (список задач) до исправления сигнала.

Ответственность без полномочий у получателя

Как выглядит. Система просит бригадира «принять решение о замене поставщика», хотя решение принимает закупщик; бригадир отвечает «не знаю», задача зависает, эскалация идёт ему же.

Почему возникает. Адресат выбирается по доступности, а не по роли; матрица ролей (потенциальные, фактические, исключённые владельцы) не заведена факт [S14]; агент подбирает получателя по контексту переписки вместо реестра полномочий.

Как чинить. Обращения типа «решение» адресуются только владельцам решения из матрицы; остальным — только запрос данных; при неясности полномочий обращение блокируется политикой до уточнения; возможность делегировать и вернуть задачу в очередь факт [S15].

Когда менять практику. Если матрица ролей меняется чаще, чем раз в месяц, или решения принимаются «кем придётся», проактивная система лишь усилит хаос; сначала зафиксировать полномочия в процессе.

Инструменты и софт

Раздел сжат до референсов реализации по классам. Цены проверены 2026-09-21; где вендор не публикует цены, это сказано.

9.1. Категории и продукты

Класс Продукты Что переносится в проактивную систему Цена входа (дата проверки 2026-09-21)
XM, VoE, pulse Qualtrics EmployeeXM, Medallia Employee Experience календарь программы, длина и частота pulse, бенчмарки отклика, «замкнутый цикл» обратной связи вендор [S5] Qualtrics — цены не публикуются; Medallia — модель Experience Data Record без публичных списков вендор [S100]
Полевой сбор данных ODK, KoboToolbox, SurveyCTO, Fulcrum форма как схема ответа, офлайн-сбор, назначение заданий, case management ODK — открытый код, self-hosting бесплатно, ODK Cloud платно факт [S95]; Kobo — Community 5 000 отправок в месяц бесплатно вендор [S94]; SurveyCTO — Basic 225 долларов в месяц при годовой оплате, 5 000 отправок вендор [S96]; Fulcrum — 43 и 55 долларов за пользователя в месяц, минимум пять вендор [S97]
Customer engagement, NBA Braze, Pega Customer Decision Hub frequency capping, quiet hours, contact policies, арбитраж вендор [S9, S8] Braze — по MAU и кредитам действий, без публичных цен, четыре редакции вендор [S101]; Pega — не проверялось
Digital adoption WalkMe, Pendo типы подсказок, сегментация, троттлинг и порядок показа факт [S10]; вендор [S12] Pendo — бесплатно до 500 MAU, далее по запросу вендор [S102]; WalkMe — не публикуется
Human tasks, workflow Camunda 8, Temporal роли, состояния, дедлайны, эскалации, durable-ожидание факт [S15, S25] Camunda — разработка бесплатно, production по запросу вендор [S99]; Temporal — открытый код, Cloud от 50 долларов за миллион действий вендор [S98]
FSM, WFM Dynamics 365 Field Service наряд, диспетчер, оптимизация расписания, мобильное приложение факт [S13] не проверялось
Human computation Amazon Mechanical Turk (закрывается 2026-09-30) HIT, assignment, одобрение, квалификации факт [S7] не применимо после закрытия
HITL для агентов LangGraph interrupts, Agent Inbox (архив), OpenAI Agents SDK, Claude Agent SDK, MCP elicitation, HumanLayer (SDK удалены) прерывание, схема ответа, сериализация состояния, разрешения факт [S18, S28, S50, S51, S19, S17] открытый код; облачные сервисы по тарифам провайдеров

9.2. Функциональный разбор ведущих продуктов

Camunda 8 (user tasks). Сущности: процесс, экземпляр, пользовательская задача с исполнителем, кандидатами-пользователями и группами, сроком, follow-up-датой, приоритетом и переменными. Операции: назначить, снять исполнителя, обновить, завершить; статус выводится из событий creating, assigning, updating, completing, canceling; листенеры задач выполняются синхронно и могут отклонить завершение; пользовательские действия вроде escalate пишутся для аудита факт [S15]. Интеграции: REST API задач, Tasklist. Ограничения: нет понятия бюджета внимания и восприимчивости; уведомления — внешняя забота. Цена: разработка бесплатно, production по запросу вендор [S99].

SurveyCTO (полевой сбор). Сущности: форма, отправка, кейс (для лонгитюдных проектов), устройство. Ключевые операции: дизайн формы, офлайн-сбор, шифрование, управление кейсами, API и плагины на старших планах. Ограничения: лимиты отправок по планам (5 000 в месяц на Basic), AI-токены как отдельный ресурс. Цена: Basic 225–250, Pro 315–350, Advanced 630–700 долларов в месяц, дополнительные 1 000 отправок за 100 долларов вендор [S96]. Альтернатива без лицензии — ODK с теми же XLSForm и офлайн-режимом при самостоятельном хостинге факт [S95].

Braze (частота и оркестрация). Сущности: пользователь, кампания, Canvas, теги, правила frequency capping на уровне рабочего пространства. Операции: лимиты по каналам и окнам до 30 дней, до 10 правил, правила по тегам, самое строгое правило при конфликте, quiet hours с повторной проверкой лимита, исключения для кампаний, которые не учитываются в лимитах вендор [S9]. Ограничения: логика построена вокруг клиентов и MAU; для сотрудников переносятся только паттерны. Цена: не публикуется, четыре редакции вендор [S101].

LangGraph interrupts плюс Agent Inbox (HITL для агентов). Сущности: граф, узел, checkpoint, thread, прерывание с action_request, config (allow_ignore, allow_respond, allow_edit, allow_accept) и description. Операции: interrupt() сохраняет состояние, Command(resume=...) возобновляет, узел выполняется заново, несколько прерываний сопоставляются по идентификаторам факт [S18]; ответ человека типизирован как accept, edit, response, ignore факт [S28]. Ограничения: репозиторий Agent Inbox архивирован 2026-09-20, есть размещённая версия; побочные эффекты до прерывания должны быть идемпотентны факт [S28, S18]. Цена: открытый код; LangSmith по тарифам вендора (не проверялось).

9.3. Что выбрать

  • Соло или команда до 15 человек. Список задач в имеющемся трекере, мессенджер с кнопками, форма ODK или KoboToolbox для поля; агентный слой на LangGraph или OpenAI Agents SDK с одним типом прерывания «одобрить/отредактировать/отклонить». Бюджет внимания — константы в конфиге.
  • Команда 15–100 человек. Движок задач (Camunda или Temporal) как владелец состояния; реестр обращений и журнал как таблицы; SurveyCTO или Fulcrum, если есть кейсы и диспетчеризация; троттлинг по образцу Pendo для подсказок в интерфейсе.
  • Организация 100–500 человек. То же плюс отдельная политика бюджета внимания на человека с классами обращений, матрица ролей и заместителей, ежемесячный аудит журнала, оформленное информирование сотрудников и оценка риска по EU AI Act, если система распределяет задачи или оценивает результативность факт [S85].

Адаптация под LLM и агентов

10.1. Существующие практики

Практики применения LLM в проактивном взаимодействии с людьми делятся на четыре потока, и у каждого есть реальные инструменты.

  • Агент прерывается и спрашивает человека. Стандартизировано в LangGraph (interrupt и Command(resume)) факт [S18], OpenAI Agents SDK (needs_approval, RunState) факт [S50], Claude Agent SDK (canUseTool после hooks, deny, ask, режима и allow) факт [S51], MCP elicitation (elicitation/create со схемой из плоских примитивов и исходами accept, decline, cancel) факт [S19]. Ограничение всех четырёх: они обслуживают диалог, начатый человеком, и не решают, стоит ли начинать диалог.
  • Агент сам предлагает помощь. ProactiveBench и обученная на нём модель предсказывают, примет ли человек предложение, с F1 66,47 % эмпирика [S16]; Inner Thoughts моделирует внутреннюю мотивацию высказаться и выбирает момент эмпирика [S73]; Vigil встроен в диалог поддержки и предлагает помощь без вызова вендор [S74]; потребительские Pulse и scheduled actions переносят инициативу в ежедневные сводки и расписания вендор [S56, S57].
  • Агент решает, спрашивать или действовать. Ask-when-Needed, разделение детекции недоопределённости и исполнения, AskBench с метриками избыточных и недостаточных вопросов эмпирика [S75, S76, S77]. Общий вывод: калиброванное уточнение достижимо, но требует отдельного компонента, а не «просьбы» в промпте.
  • LLM ведёт опрос или интервью. Чат-боты и LLM-интервьюеры дают качество открытых ответов не хуже форм и близкое к человеку в структурированных вопросах, но слабее в глубине эмпирика [S44, S46, S47].

Заметных открытых реализаций «проактивного агента управления людьми» с бюджетом внимания, согласием и эскалацией как данными на дату среза не найдено; ниже — авторская архитектура, собранная из перечисленных компонентов гипотеза.

10.2. Архитектура проактивного LLM-агента управления

Принцип разделения: правила инициативы, бюджет, согласие и эскалация — детерминированный код; модель — формулировка, интерпретация и подготовка вариантов. Обоснование: лучшие модели ошибаются в трети решений «вмешаться или нет» эмпирика [S16], додумывают недостающие аргументы эмпирика [S75], а регуляторика требует объяснимого надзора и журнала факт [S83, S27].

Слои.

  1. Слой сигналов. События процессов, дедлайны, датчики, календарь, статус смены, активность в интерфейсе. Каждому источнику присвоен класс надёжности; правила разрешены только на проверенных источниках факт [S1].
  2. Слой политики (детерминированный). Реестр обращений, бюджет внимания, модель согласия, карта эскалаций, матрица ролей (раздел 6). Выход — решение «обратиться / отложить / промолчать / эскалировать» с зафиксированным основанием. Здесь же опция «ничего не делать» как явный исход факт [S1].
  3. Оценщик момента (необязательный, статистический). Предсказание восприимчивости по контексту (время, занятость, активность устройства) по образцу исследований JITAI эмпирика [S21, S61]; используется только для выбора окна внутри разрешённого политикой диапазона, не для решения об обращении.
  4. Слой модели (LLM). Четыре роли: сформулировать обращение по шаблону; разобрать свободный ответ в схему; собрать контекст для решения (карточка с фактами, историей, рекомендацией); предложить варианты действий. Модель не решает, кому и когда писать, не выбирает уровень эскалации и не делает выводов о состоянии или качествах человека.
  5. Слой доставки. Каналы с их допусками (установка агента, активный диалог, тихие часы) и кодами недоставки факт [S23]; кнопки с симметричными вариантами; ссылка «почему я это получил».
  6. Слой ожидания и прерывания. Durable-ожидание ответа с таймаутом и эскалацией (Temporal-паттерн) факт [S25] или прерывание графа с сохранением состояния (LangGraph-паттерн) факт [S18]; ответ человека типизирован (accept, edit, respond, decline, ignore, defer) факт [S19, S28].
  7. Память о человеке и контексте. Предпочтения каналов и тихих часов, история отказов и игнорирований по типам, что уже спрашивали и когда, вошедшие в привычку действия. Память — источник для политики и шаблонов, но не для оценки человека; из неё исключены категории, запрещённые к обработке факт [S89, S84].
  8. Журнал и обучение политики. Каждое обращение, решение политики, вклад модели и реакция человека записываются (раздел 6.6); еженедельно пересчитываются метрики раздела 8; изменения политики версионируются; время и форма обращений рандомизируются в пределах разрешённого окна для честной оценки эффекта факт [S40].

Когда спрашивать и когда молчать. Правило принимает решение по четырём проверкам подряд: есть ли тип обращения в реестре и надёжен ли триггер; есть ли согласие и не исчерпан ли бюджет; выше ли цена задержки цены прерывания для данного класса (порог задан владельцем политики, не моделью); есть ли у адресата полномочия ответить. Любое «нет» означает «промолчать» или «отложить» с записью причины. Это прямое воплощение принципа ожидаемой полезности факт [S2, S20] и опции «ничего не делать» факт [S1].

Планирование обращений. Все разрешённые обращения ставятся в очередь на человека; планировщик раскладывает их по окнам внимания и объединяет некритичные в сводку; минимальный интервал между обращениями и одно обращение за раз — как в троттлинге подсказок вендор [S12]; при конфликте лимитов побеждает самый строгий вендор [S9].

Human-in-the-loop и interrupt-паттерны. Четыре типа прерываний по образцу Agent Inbox: вопрос (нужны данные), проверка (одобрить или отредактировать предложенное действие), уведомление (без ответа), решение (выбор из вариантов) факт [S28]. Необратимые действия проходят через обязательное одобрение с fail-closed поведением при неразборчивых аргументах факт [S50]; типовые решения переводятся в правила автоодобрения по классу с журналом и правом отзыва факт [S50]. Побочные эффекты до прерывания идемпотентны факт [S18].

Проверка согласованности. Перед отправкой автоматически проверяются: соответствие текста шаблону и схеме; отсутствие полей, которых нет в данных (защита от додумывания); отсутствие запрещённых категорий данных; наличие decline и defer; соответствие адресата матрице ролей; остаток бюджета. Проверки — код, не модель.

10.3. Что автоматизируется, что остаётся человеку, чему нельзя доверять модели

Задача Автоматически (код) Модель Человек
Решение об обращении да, по политике нет владелец политики задаёт пороги
Выбор момента в окне статистический оценщик нет человек задаёт тихие часы и лимиты
Формулировка обращения валидация по схеме да, по шаблону владелец процесса утверждает шаблон
Интерпретация свободного ответа валидация результата да, в схему спорные случаи — человек
Подготовка карточки решения сбор фактов из систем да, сводка и варианты принимает решение
Эскалация да, по карте нет заместитель по матрице
Оценка человека, выводы о состоянии нет нет, запрещено политикой только руководитель вне системы
Пересмотр политики метрики предложения на основе журнала (черновик) владелец политики утверждает

Модели нельзя доверять: решение о самом обращении и его частоте (ошибка в трети случаев эмпирика [S16]); заполнение недостающих аргументов эмпирика [S75]; вывод об эмоциях и намерениях сотрудника факт [S84]; выбор адресата по контексту переписки вместо матрицы ролей; формулировки с давлением (dark patterns) эмпирика [S39].

10.4. Машиночитаемая структура обращений, согласий, ответов и эскалаций гипотеза

Ниже — минимальная схема, согласованная с артефактами раздела 6. Все типы — гипотеза; заимствования отмечены.

Outreach:                       # одно обращение
  id: string
  type_id: string               # ссылка на реестр обращений
  goal: enum[data, status, decision, action]
  recipient:
    person_id: string
    role: string
    authority_check: enum[passed, failed]
  trigger:
    source: string
    reliability: enum[verified, noisy, none]
    snapshot: object
  policy_decision:
    result: enum[send, defer, silence, escalate]
    reasons: [string]
    budget_class: enum[interrupting, deferred, digest]
    budget_remaining_after: int
  channel: enum[task_list, messenger, push, digest, voice]
  content:
    template_id: string
    text: string
    generated_by: enum[template, model]
    schema_ref: string
  allowed_responses: [enum[accept, edit, respond, decline, ignore, defer]]   # из Agent Inbox и MCP elicitation
  deadline: datetime
  escalation_ref: string
  disclosure:                   # Article 50
    ai_initiated: true
    why_link: string

Consent:
  person_id: string
  scope:
    type_id: string?            # либо тип обращения, либо канал
    channel: string?
  state: enum[granted, declined, paused_until, required_by_role]
  informed_at: datetime
  source: enum[self, role, contract]
  revoke_path: string

Response:
  outreach_id: string
  action: enum[accept, edit, respond, decline, ignore, defer]   # ignore фиксируется по таймауту
  payload: object               # валидирован по schema_ref
  free_text: string?
  interpreted_by_model: bool
  at: datetime

Reaction:                       # что произошло после ответа
  outreach_id: string
  outcome: enum[done, changed_plan, rejected, no_change, escalated]
  process_effect: string        # что изменилось в процессе
  followup_outreach_id: string?

Escalation:
  outreach_id: string
  level: int
  action: enum[remind_once, widen_candidates, reassign, notify_stakeholder]
  to:
    role: string
    person_id: string?
  basis:
    deadline_missed: bool
    cost_of_delay: number
    trigger_reliability: enum[verified, noisy, none]
  at: datetime
  closed_by: enum[response, stop_condition, max_levels]

Связи: Outreach ссылается на тип из реестра и на карту эскалаций; Consent проверяется политикой до создания Outreach; Response и Reaction замыкают цикл и питают метрики; Escalation создаётся только политикой по карте. Совместимость: allowed_responses и Response.action совпадают с моделью Agent Inbox факт [S28] и исходами MCP elicitation факт [S19]; роли получателя — с генеральными ролями WS-HumanTask факт [S14]; поле disclosure закрывает требование Article 50 факт [S26]; журнал Outreach плюс Response хранится не менее шести месяцев факт [S27].

10.5. Риски и открытые репозитории

  • Риски. Ложные срабатывания и усталость (раздел 8); скрытый мониторинг через «память о человеке»; automation bias у одобряющих факт [S83]; регуляторная переквалификация в высокий риск при распределении задач по поведению факт [S85]; зависимость от каналов, которые могут не доставить сообщение факт [S23].
  • Открытые репозитории и документация (дата доступа 2026-09-21). LangGraph interrupts факт [S18]; Agent Inbox (архивирован 2026-09-20) факт [S28]; OpenAI Agents SDK HITL факт [S50]; Claude Agent SDK permissions факт [S51]; MCP elicitation факт [S19]; Temporal HITL cookbook факт [S25]; HumanLayer (SDK удалены, Apache-2) факт [S17]; Proactive Agent и ProactiveBench эмпирика [S16]; Inner Thoughts (открытый код по ссылке из статьи) эмпирика [S73]; Vigil (volcengine/veaiops по ссылке из статьи) вендор [S74].

Происхождение, ключевые фигуры, что читать

11.1. Какую боль решал предмет и что из этого актуально

Проактивные системы выросли из четырёх независимых линий, и каждая решала свою боль.

  • Человеко-машинное взаимодействие, конец 1990-х. Спор между прямым манипулированием и автоматизацией интерфейса; Horvitz предложил «элегантное сопряжение» автоматических сервисов с прямым управлением, где система действует только при ожидаемой пользе выше бездействия и учитывает внимание пользователя; демонстрация — система Lookout для планирования встреч факт [S2]. Актуально целиком: это и есть правило инициативы; модели внимания и стоимость прерывания развиты в проекте Attentional User Interfaces факт [S20].
  • Поведенческая наука и убеждающие технологии, 2000-е. Модель Фогга ответила на вопрос, почему подсказка не срабатывает: не совпали мотивация и способность факт [S31]; Oinas-Kukkonen и Harjumaa перевели это в 28 проектных принципов и постулаты открытости и ненавязчивости факт [S32]; Thaler и Sunstein в 2008 году описали архитектуру выбора и либертарианский патернализм факт [S103]. Актуальны принципы и критика: после пересмотра эффективности nudging эмпирика [S64, S65] ценность сместилась к структурным вмешательствам.
  • Клиническая психология и мобильное здоровье, 2008–2018. EMA снизила ошибку припоминания факт [S41]; JITAI формализовали «правильную поддержку в правильный момент» через шесть элементов и восприимчивость факт [S1]; микрорандомизированные испытания дали способ проверять такие правила факт [S40]. Актуальны напрямую: восприимчивость, опция «ничего не делать», затухание эффекта эмпирика [S60].
  • Социология труда и платформы, 2016–2021. Uber и курьерские платформы сделали алгоритмическое управление массовым; Kellogg, Valentine и Christin описали шесть механизмов контроля факт [S4], Wood и соавторы и Möhlmann и соавторы — последствия для работников эмпирика [S69, S70]. Актуально как список того, чего проактивная система делать не должна, и как основа регуляторики факт [S89].

Агентный слой (proactive dialogue systems с 2023 года факт [S3], proactive agents с 2024 года эмпирика [S16], встроенные interrupt-паттерны SDK) не создал новых оснований: он реализует правило Horvitz и элементы JITAI средствами LLM гипотеза.

11.2. Ключевые фигуры

  • Eric Horvitz — mixed-initiative, модели внимания, стоимость прерывания факт [S2, S20].
  • B. J. Fogg — модель поведения B = MAP, Stanford Behavior Design Lab факт [S31].
  • Harri Oinas-Kukkonen, Marja Harjumaa — Persuasive Systems Design факт [S32].
  • Richard Thaler, Cass Sunstein — nudge и его этика факт [S103, S37]; Daniel Susser, Beate Roessler, Helen Nissenbaum — определение манипуляции факт [S36].
  • Saul Shiffman, Arthur Stone — EMA факт [S41]; Inbal Nahum-Shani, Susan Murphy, Predrag Klasnja — JITAI и микрорандомизированные испытания факт [S1, S40].
  • Katherine Kellogg, Melissa Valentine, Angèle Christin — алгоритмический контроль факт [S4]; Sharon Parker, Xavier Parent-Rocheleau — алгоритмы как дизайнеры работы факт [S49].
  • Don Dillman — Tailored Design Method факт [S29, S30]; Alexander Quinn, Benjamin Bederson — таксономия human computation факт [S48].
  • Yang Deng и соавторы — обзор проактивных диалоговых систем факт [S3]; Yaxi Lu и соавторы — Proactive Agent и ProactiveBench эмпирика [S16].

11.3. Кураторский список чтения

  1. Nahum-Shani и соавт., JITAIs in Mobile Health (2018) — единственный текст, где «когда обращаться» разложено на элементы с опцией «ничего не делать» факт [S1].
  2. Horvitz, Principles of Mixed-Initiative User Interfaces (1999) — исходное правило ожидаемой полезности вмешательства факт [S2].
  3. Horvitz и соавт., Models of Attention in Computing and Communication (2003) — как измерять стоимость прерывания факт [S20].
  4. Kellogg, Valentine, Christin, Algorithms at Work (2020) — карта механизмов контроля, которых следует избегать факт [S4].
  5. Parent-Rocheleau, Parker, Algorithms as work designers (2022) — модераторы вреда: прозрачность, справедливость, влияние работника факт [S49].
  6. Susser, Roessler, Nissenbaum, Online Manipulation (2019) — рабочее определение манипуляции для проверки шаблонов факт [S36].
  7. Sunstein, The Ethics of Nudging (2015) — критерии допустимого nudge: благополучие, автономия, достоинство факт [S37].
  8. Maier и соавт., No evidence for nudging after adjusting for publication bias (2022) и DellaVigna, Linos, RCTs to Scale (2022) — почему напоминания дают мало эмпирика [S64, S65].
  9. Wrzus, Neubauer, EMA meta-analysis (2023) и Eisele и соавт. (2022) — нормы частоты и длины обращений эмпирика [S6, S22].
  10. Klasnja и соавт., HeartSteps MRT (2019) — эмпирика затухания эффекта подсказок эмпирика [S60].
  11. Deng и соавт., A Survey on Proactive Dialogue Systems (2023) и Lu и соавт., Proactive Agent (2024) — состояние агентной проактивности и её предел точности факт [S3]; эмпирика [S16].
  12. Green, The flaws of policies requiring human oversight (2022) — почему «человек одобрит» не гарантия мнение [S80].
  13. OASIS WS-HumanTask 1.1 (2010) — готовая модель ролей, состояний и эскалаций для задач людям факт [S14].
  14. MCP Elicitation (2025) и Agent Inbox README — машиночитаемая модель ответа человека агенту факт [S19, S28].
  15. Directive (EU) 2024/2831, глава III — что регулятор считает алгоритмическим управлением и как требует надзор факт [S89].
  16. Thaler, Sunstein, Nudge (2008) — первоисточник архитектуры выбора; в этом исследовании не прочитан, доступна аннотация издания факт [S103].

Открытые вопросы и границы уверенности

12.1. Что не удалось проверить

  • Полевые данные для компаний 5–500 человек. Ни одно эмпирическое исследование проактивных обращений к сотрудникам в организациях такого размера не найдено; отклик по размеру организации известен только из вендорского бенчмарка вендор [S43]. Все числа сценариев раздела 5 — иллюстрации.
  • Полный список принципов Horvitz. Прочитана только страница-аннотация; PDF статьи не распознан инструментом факт [S2]. Принципы в разделе 1 приведены по аннотации и обзорной странице проекта факт [S20], без дословного перечня.
  • Полный текст Kellogg и соавторов. Извлечение PDF частичное; шесть механизмов и характеристики подтверждены, детали кейсов нет факт [S4].
  • Абстракты вместо полных текстов. Для многих статей (Wrzus, Wang и Miller, Mertens, Parent-Rocheleau, Künzler, Eisele, Wood, Dietvorst, HeartSteps, Kim и соавторы) доступна только аннотация; дизайн и ограничения взяты из аннотаций.
  • Усталость от опросов в организациях. Классические работы Rogelberg и соавторов и Porter и соавторов оказались недоступны (аннотации скрыты издателем); прямых измерений «survey fatigue» в компаниях в отчёте нет, тезис опирается на EMA-эмпирику эмпирика [S22, S6] и вендорские утверждения вендор [S5].
  • Полный отчёт OECD 2025 и данные EWCS 2024. Страницы OECD и Eurofound не открылись (403 и 429); числа взяты из пересказа профсоюзного комитета и статьи автора JRC эмпирика [S52, S55].
  • Исследования прерываний Mark и соавторов (2008), Iqbal и Horvitz (2007), Sahami Shirazi и соавторов (2014). PDF не распознаны, аннотации скрыты; их результаты в отчёт не включены, кроме пересказа на странице автора эмпирика [S66].
  • Первоисточник Burke и соавторов (2006) по participatory sensing. Страницы недоступны или пусты; класс описан без первичной ссылки, через таксономию human computation факт [S48].
  • Цены Qualtrics, WalkMe, Pega, Dynamics 365 Field Service. Не публикуются или не проверялись.

12.2. Где источники противоречат друг другу

  • Эффект nudging. d = 0,45 у Mertens и соавторов эмпирика [S63] против d = 0,04 после коррекции у Maier и соавторов эмпирика [S64]; полевые данные nudge-подразделений дают 1,4 процентного пункта эмпирика [S65]. Отчёт принимает консервативную сторону.
  • Величина эффекта JITAI. g от 0,79 до 1,65 в метаобзоре эмпирика [S58] против отсутствия разницы с активным контролем в обзоре по психическому здоровью эмпирика [S59]. Вероятно, разница объясняется типом контроля и размером выборок гипотеза.
  • Частота обращений. Число опросов в день не влияет на комплаентность эмпирика [S6, S22], тогда как число уведомлений связано с негативными эмоциями эмпирика [S66]. Совместимо, если различать запланированные короткие опросы и неструктурированный поток уведомлений гипотеза.
  • Дата вето SB 7. Источники называют 13 и 14 октября 2025 года; в отчёте указан «октябрь 2025 года» факт [S91].
  • Год публикации Mertens и соавторов. Онлайн-публикация в декабре 2021 года, номер журнала 2022 года; в реестре указан 2022 эмпирика [S63].

12.3. Какие данные могли бы изменить выводы

  • Полевой эксперимент в организациях 20–200 человек с рандомизацией времени и формы обращений и измерением отклика, эскалаций и выгорания за 3–6 месяцев.
  • Открытые данные о доле принятых проактивных предложений в развёрнутых рабочих ассистентах (Pulse, Copilot, Vigil) — сейчас только вендорские утверждения вендор [S56, S74].
  • Результаты бенчмарков «когда спрашивать» на операционных задачах, а не на программировании и QA эмпирика [S76, S77].
  • Практика применения Article 26(7) и главы III директивы о платформенной работе после транспозиции в декабре 2026 года факт [S27, S89].

12.4. Ограничения доступа

Закрытые или нераспознанные источники: PNAS (оригиналы статей, использованы зеркала PMC и Semantic Scholar), SAGE, Wiley, Springer (перенаправление на авторизацию), ACM DL, ResearchGate, SSRN, PubMed (требование cookies), OECD и Eurofound (403 и 429), ряд PDF (Horvitz 1999, Kellogg и соавторы частично, Mark и соавторы, Pielot и соавторы, Eisele и соавторы, ILO PDF). Книги Dillman и Thaler и Sunstein представлены страницами изданий и не прочитаны.

Статус complete выставлен, поскольку все разделы заполнены по доступным источникам, а перечисленные пробелы не блокируют выводы, но снижают уверенность в числах раздела 2 до среднего уровня.

Реестр источников

IDНазваниеАвтор или издательURLПубликацияДоступ (дата)Вид доступаЧто подтверждает
S1Just-in-Time Adaptive Interventions (JITAIs) in Mobile Health: Key Components and Design Principles for Ongoing Health Behavior SupportNahum-Shani I. и соавт., Annals of Behavioral Medicine 52(6)pmc.ncbi.nlm.nih.gov/articles/PMC5364076/20182026-09-21полный текстраздел 1: определение JITAI, шесть элементов, уязвимость, возможность, восприимчивость, опция «ничего не делать», усталость от вмешательства
S2Principles of Mixed-Initiative User InterfacesHorvitz E., CHI 1999; страница Microsoft Researchmicrosoft.com/en-us/research/publication/principles-mixed…19992026-09-21аннотацияраздел 1: ожидаемая полезность действия, внимание, стоимость беспокойства
S3A Survey on Proactive Dialogue Systems: Problems, Methods, and ProspectsDeng Y., Lei W., Lam W., Chua T.-S., IJCAI 2023arxiv.org/abs/2305.027502023-052026-09-21аннотацияраздел 1: определение проактивных диалоговых систем, три типа задач
S4Algorithms at Work: The New Contested Terrain of ControlKellogg K. C., Valentine M. A., Christin A., Academy of Management Annals 14(1)angelechristin.com/wp-content/uploads/2020/01/Algorithms-…20202026-09-21фрагментраздел 1: шесть механизмов алгоритмического контроля, алгоактивизм
S5Employee Pulse Surveys: The Complete GuideQualtricsqualtrics.com/experience-management/employee/what-is-empl…без даты2026-09-21полный текстраздел 1: длина и частота pulse-опросов, причины усталости (вендор)
S6Ecological Momentary Assessment: A Meta-Analysis on Designs, Samples, and Compliance Across Research FieldsWrzus C., Neubauer A. B., Assessment 30(3)api.semanticscholar.org/graph/v1/paper/DOI:10.1177/107319…20232026-09-21аннотацияраздел 1: 477 статей, 6 опросов в день, 7 дней, комплаентность 79 %, стимулы
S7Amazon Mechanical Turk core conceptsAmazon Web Servicesdocs.aws.amazon.com/AWSMechTurk/latest/AWSMechanicalTurkR…без даты2026-09-21полный текстраздел 1: HIT, assignment, reward, qualifications, закрытие сервиса 2026-09-30
S8Next-Best-Action DesignerPega Academyacademy.pega.com/topic/next-best-action-designer/v1без даты2026-09-21полный текстраздел 1: engagement policies, contact policies, арбитраж (вендор)
S9Rate limiting and frequency cappingBraze Docsbraze.com/docs/user_guide/engagement_tools/campaigns/test…без даты2026-09-21полный текстраздел 1: глобальные лимиты частоты, окна до 30 дней, самое строгое правило (вендор)
S10WalkMe Solution OverviewWalkMe Help Centersupport.walkme.com/knowledge-base/walkme-apps-overview/без даты2026-09-21полный текстраздел 1: типы контента DAP (Smart Walk-Thrus, SmartTips, ShoutOuts, Launchers)
S11Digital adoption platformWikipediaen.wikipedia.org/wiki/Digital_adoption_platformбез даты2026-09-21полный текстраздел 1: определение DAP, типовые функции, вендоры
S12Order and throttle your guidesPendo Help Centersupport.pendo.io/hc/en-us/articles/360031864452-Order-and…без даты2026-09-21полный текстраздел 1: троттлинг подсказок, одна за раз, минимальный интервал (вендор)
S13Overview of Dynamics 365 Field ServiceMicrosoft Learnlearn.microsoft.com/en-us/dynamics365/field-service/overview2026-07-212026-09-21полный текстраздел 1: наряды, диспетчер, schedule board, RSO, мобильное приложение
S14Web Services – Human Task (WS-HumanTask) Specification Version 1.1OASISdocs.oasis-open.org/bpel4people/ws-humantask-1.1-spec-cs-…2010-08-172026-09-21полный текстраздел 1: роли, состояния задачи, дедлайны, эскалации, уведомления
S15User task lifecycleCamunda 8 Docsdocs.camunda.io/docs/apis-tools/frontend-development/task…без даты2026-09-21полный текстраздел 1: события жизненного цикла, назначение, срок, follow-up, листенеры
S16Proactive Agent: Shifting LLM Agents from Reactive Responses to Active AssistanceLu Y. и соавт., arXiv 2410.12361 (ICLR 2025)arxiv.org/abs/2410.123612024-102026-09-21аннотацияраздел 1: ProactiveBench 6 790 событий, F1 66,47 %
S17HumanLayer README (humanlayer.md)HumanLayer, GitHubgithub.com/humanlayer/humanlayer/blob/main/humanlayer.mdбез даты2026-09-21полный текстраздел 1: require_approval, human_as_tool, SDK удалены, замещён CodeLayer
S18InterruptsLangChain Docs (LangGraph)docs.langchain.com/oss/python/langgraph/interruptsбез даты2026-09-21полный текстраздел 1: interrupt(), checkpointer, Command(resume), повторное выполнение узла, идемпотентность
S19Elicitation (MCP Specification 2025-06-18)Model Context Protocolmodelcontextprotocol.io/specification/2025-06-18/client/e…2025-06-182026-09-21полный текстраздел 1: accept / decline / cancel, ограниченная JSON-схема, требования безопасности
S20Models of Attention in Computing and Communication: From Principles to Applications (обзор проекта AUI)Horvitz E., Microsoft Researcherichorvitz.com/cacm-attention.htm20032026-09-21полный текстраздел 1: ценность информации против стоимости прерывания, отложенная доставка
S21Exploring the State-of-Receptivity for mHealth InterventionsKünzler F. и соавт., IMWUT 3(4)api.semanticscholar.org/graph/v1/paper/DOI:10.1145/336980…20192026-09-21аннотацияраздел 1: 189 участников, 6 недель, факторы восприимчивости, +77 % F1
S22The Effects of Sampling Frequency and Questionnaire Length on Perceived Burden, Compliance, and Careless Responding in Experience Sampling Data in a Student PopulationEisele G. и соавт., Assessment 29(2)api.semanticscholar.org/graph/v1/paper/DOI:10.1177/107319…20222026-09-21аннотацияраздел 1: 163 участника, длина анкеты вредит, частота нет
S23Send proactive Microsoft Teams messagesMicrosoft Learn, Copilot Studiolearn.microsoft.com/en-us/microsoft-copilot-studio/advanc…2026-02-232026-09-21полный текстраздел 1: условия доставки проактивных сообщений, отложенная отправка при активном чате
S24Web Versus Other Survey Modes: An Updated and Extended Meta-Analysis Comparing Response RatesDaikeler J., Bošnjak M., Lozar Manfreda K., Journal of Survey Statistics and Methodology 8(3)academic.oup.com/jssam/article-abstract/8/3/513/548870320202026-09-21аннотацияраздел 1: 114 сравнений, веб на 12 п.п. ниже, модераторы отклика
S25Human-in-the-loop AI agent (AI Cookbook)Temporal Docsdocs.temporal.io/ai/cookbook/human-in-the-loop-pythonбез даты2026-09-21полный текстраздел 1: wait_condition, сигналы, durable-таймеры, таймаут, эскалация
S26Article 50: Transparency Obligations for Providers and Deployers of Certain AI Systemsartificialintelligenceact.euartificialintelligenceact.eu/article/50/20242026-09-21полный текстраздел 1: обязанность сообщать о взаимодействии с ИИ, применение с 2026-08-02
S27Article 26: Obligations of Deployers of High-Risk AI Systemsartificialintelligenceact.euartificialintelligenceact.eu/article/26/20242026-09-21полный текстраздел 1: информирование работников (26(7)), надзор, логи не менее шести месяцев
S28Agent Inbox READMELangChain, GitHubgithub.com/langchain-ai/agent-inbox/blob/main/README.mdбез даты2026-09-21полный текстраздел 1: схема прерывания, разрешённые действия accept / edit / response / ignore, архив 2026-09-20
S29The Tailored Design MethodSocial & Economic Sciences Research Center, Washington State Universitysesrc.wsu.edu/about/total-design-method/без даты2026-09-21полный текстраздел 1: социальный обмен, несколько контактов, отклик 60–70 % в ранних применениях
S30Internet, Phone, Mail, and Mixed-Mode Surveys: The Tailored Design Method, 4th EditionDillman D. A., Smyth J. D., Christian L. M., Wileywiley.com/en-us/Internet%2C+Phone%2C+Mail%2C+and+Mixed+Mo…20142026-09-21аннотацияраздел 1: книга-первоисточник TDM (не прочитана целиком)
S31Fogg Behavior ModelFogg B. J., behaviormodel.orgbehaviormodel.org/без даты2026-09-21полный текстраздел 1: B = MAP, поведение при совпадении мотивации, способности и подсказки
S32Persuasive Systems Design: Key Issues, Process Model, and System FeaturesOinas-Kukkonen H., Harjumaa M., Communications of the AIS 24aisel.aisnet.org/cais/vol24/iss1/28/20092026-09-21аннотацияраздел 1: семь постулатов, 28 принципов в четырёх категориях
S33The behaviour change wheel: A new method for characterising and designing behaviour change interventionsMichie S., van Stralen M. M., West R., Implementation Science 6:42pmc.ncbi.nlm.nih.gov/articles/PMC3096582/2011-04-232026-09-21полный текстраздел 1: COM-B, девять функций вмешательства
S34Theory (overview of Self-Determination Theory)Center for Self-Determination Theory (Deci E. L., Ryan R. M.)selfdeterminationtheory.org/theory/без даты2026-09-21полный текстраздел 1: автономия, компетентность, связанность; контроль подрывает внутреннюю мотивацию
S35How to form a habit (дайджест Lally et al. 2010)British Psychological Society Research Digestbps.org.uk/research-digest/how-form-habit2010-10-062026-09-21полный текстраздел 1: 96 участников, 66 дней в среднем, разброс 18–254, пропуск дня
S36Online Manipulation: Hidden Influences in a Digital WorldSusser D., Roessler B., Nissenbaum H., Georgetown Law Technology Review 4pure.uva.nl/ws/files/45242068/Susser_Roessler_Nissenbaum_…20192026-09-21полный текстраздел 1: определение манипуляции, отличие от убеждения, принуждения и nudging
S37The Ethics of NudgingSunstein C. R., Yale Journal on Regulation 32yalejreg.com/print/the-ethics-of-nudging/20152026-09-21фрагментраздел 1: критерии благополучия, автономии, достоинства; риск манипуляции
S38Digital NudgingWeinmann M., Schneider C., vom Brocke J., Business & Information Systems Engineering 58(6)aisel.aisnet.org/bise/vol58/iss6/5/20162026-09-21аннотацияраздел 1: определение digital nudging, среды выбора (формы, ERP)
S39Dark Patterns at Scale: Findings from a Crawl of 11K Shopping WebsitesMathur A. и соавт., CSCW 2019arxiv.org/abs/1907.0703220192026-09-21аннотацияраздел 1: определение dark patterns, 1 818 случаев, 15 типов
S40Microrandomized Trials: An Experimental Design for Developing Just-in-Time Adaptive InterventionsKlasnja P. и соавт., Health Psychology 34(Suppl)api.semanticscholar.org/graph/v1/paper/DOI:10.1037/hea000…20152026-09-21аннотацияраздел 1: дизайн MRT, проксимальные эффекты, модерация во времени
S41Ecological Momentary AssessmentShiffman S., Stone A. A., Hufford M. R., Annual Review of Clinical Psychology 4annualreviews.org/content/journals/10.1146/annurev.clinps…20082026-09-21аннотацияраздел 1: определение EMA, ошибка припоминания, экологическая валидность
S42Using experience sampling methodology in organizational behaviorFisher C. D., To M. L., Journal of Organizational Behavior 33(7)research-repository.uwa.edu.au/en/publications/using-expe…20122026-09-21аннотацияраздел 1: ESM в организациях, внутриличностные процессы
S43The Employee Engagement Benchmarks Q1 2025Hive HRhive.hr/the-employee-engagement-benchmarks-q1-2025/20252026-09-21полный текстраздел 1: отклик по размеру организации (38 % до 250 сотрудников) (вендор)
S44Tell Me About Yourself: Using an AI-Powered Chatbot to Conduct Conversational Surveys with Open-ended QuestionsXiao Z. и соавт., ACM TOCHI 27(3)arxiv.org/abs/1905.1070020202026-09-21аннотацияраздел 1: ~600 участников, 5 200 ответов, качество по максимам Грайса
S45Comparing Data from Chatbot and Web Surveys: Effects of Platform and Conversational Style on Survey Response QualityKim S., Lee J., Gweon G., CHI 2019api.semanticscholar.org/graph/v1/paper/DOI:10.1145/329060…20192026-09-21аннотацияраздел 1: меньше satisficing в чат-боте, эффект разговорного стиля
S46AI Conversational Interviewing: Transforming Surveys with LLMs as Adaptive InterviewersWuttke A. и соавт., arXiv 2410.01824arxiv.org/abs/2410.018242024-102026-09-21аннотацияраздел 1: LLM-интервьюер сопоставим с человеком в малом эксперименте
S47Telephone Surveys Meet Conversational AI: Evaluating a LLM-Based Telephone Survey System at ScaleLang M. M., Eskenazi S., arXiv 2502.20140arxiv.org/abs/2502.201402025-022026-09-21аннотацияраздел 1: n = 2 739 в Перу, качество структурированных ответов, слабее в глубине
S48Human computation: a survey and taxonomy of a growing field (конспект курса CS6724)Quinn A. J., Bederson B. B., CHI 2011; конспект Virginia Techwordpress.cs.vt.edu/cs6724f15/2015/08/26/human-computatio…20112026-09-21фрагментраздел 1: определение human computation, шесть измерений таксономии (вторичный пересказ)
S49Algorithms as work designers: How algorithmic management influences the design of jobsParent-Rocheleau X., Parker S. K., Human Resource Management Review 32(3)api.semanticscholar.org/graph/v1/paper/DOI:10.1016/j.hrmr…20222026-09-21аннотацияраздел 1: шесть функций AM, модераторы прозрачность, справедливость, влияние человека
S50Human-in-the-loopOpenAI Agents SDK (Python) docsopenai.github.io/openai-agents-python/human_in_the_loop/без даты2026-09-21полный текстраздел 1: needs_approval, interruptions, RunState, fail-closed
S51Configure permissionsClaude Agent SDK docs, Anthropiccode.claude.com/docs/en/agent-sdk/permissionsбез даты2026-09-21полный текстраздел 1: порядок проверки разрешений, canUseTool, режимы
S52New OECD report on algorithmic management reveals urgent need for worker protectionsTUAC (Trade Union Advisory Committee to the OECD)tuac.org/news/new-oecd-report-on-algorithmic-management-r…2025-02-072026-09-21полный текстраздел 2: числа опроса OECD (6 000 менеджеров, 90 % США, 79 % Европа, мониторинг переписки 55 % против 6 %, 63 % консультируются); мнение профсоюзов
S53Algorithmic management in the workplace: New evidence from an OECD employer survey (страница мероприятия)ILOilo.org/meetings-and-events/algorithmic-management-workpl…2025-03-062026-09-21полный текстраздел 2: восприятие менеджерами пользы и рисков инструментов
S54Algorithmic Management practices in regular workplaces: case studies in logistics and healthcareRani U., Pesole A., Gonzalez Vazquez I., ILO и JRCilo.org/publications/algorithmic-management-practices-reg…2024-02-192026-09-21аннотацияраздел 2: кейсы в четырёх странах, риск ухудшения качества работы и слежки, разные эффекты по контексту
S55The Algorithmic Workplace: How Platformisation Is Reshaping Work in EuropeFernández-Macías E., Social Europesocialeurope.eu/the-algorithmic-workplace-how-platformisa…2025-11-282026-09-21полный текстраздел 2: AIM-WORK, 70 316 респондентов, 24 % с автоматическим распределением времени
S56OpenAI launches ChatGPT Pulse to proactively write you morning briefsTechCrunchtechcrunch.com/2025/09/25/openai-launches-chatgpt-pulse-t…2025-09-252026-09-21полный текстраздел 2: запуск Pulse, карточки, память и коннекторы, намеренная остановка (вендор)
S57Gemini app launches scheduled actions to help you stay productiveGoogle, blog.googleblog.google/products-and-platforms/products/gemini/schedu…2025-06-062026-09-21полный текстраздел 2: scheduled actions для AI Pro и Ultra (вендор)
S58Just-in-the-Moment Adaptive Interventions (JITAI): A Meta-Analytical ReviewWang L., Miller L. C., Health Communication 35(12)api.semanticscholar.org/graph/v1/paper/DOI:10.1080/104102…20202026-09-21аннотацияраздел 2: 33 исследования, g = 1,65 / 0,89 / 0,79, аддитивность адаптации
S59Beyond the current state of just-in-time adaptive interventions in mental health: a qualitative systematic reviewvan Genugten C. R. и соавт., Frontiers in Digital Health 7frontiersin.org/journals/digital-health/articles/10.3389/…2025-01-282026-09-21полный текстраздел 2: 9 статей, 5 систем, нет разницы с активным контролем, отсев до 40 %, восприимчивость оценена в одной системе
S60Efficacy of Contextually Tailored Suggestions for Physical Activity: A Micro-randomized Optimization Trial of HeartStepsKlasnja P. и соавт., Annals of Behavioral Medicine 53(6)api.semanticscholar.org/graph/v1/paper/DOI:10.1093/abm/ka…20192026-09-21аннотацияраздел 2: 44 участника, 6 недель, +24 % шагов, затухание эффекта
S61Real-World Receptivity to Adaptive Mental Health Interventions: Findings from an In-the-Wild StudySahu N. K., Sneh A., Gupta S., Lone H. R., arXiv 2508.02817arxiv.org/abs/2508.028172025-07-102026-09-21аннотацияраздел 2: 70 студентов, 2 недели, восприимчивость как принятие плюс выполнимость
S62Designing for the Moment: How One-Minute Interventions Fit or Falter Across DomainsHassanzadeh Z. и соавт., arXiv 2605.29051arxiv.org/abs/2605.290512026-05-272026-09-21аннотацияраздел 2: 22 участника, 14 дней, соавторство подсказок как персонализация
S63The effectiveness of nudging: A meta-analysis of choice architecture interventions across behavioral domainsMertens S., Herberz M., Hahnel U. J. J., Brosch T., PNAS 119(1)api.semanticscholar.org/graph/v1/paper/DOI:10.1073/pnas.2…20222026-09-21аннотацияраздел 2: d = 0,45, более 200 исследований, структура выбора сильнее информирования
S64No evidence for nudging after adjusting for publication biasMaier M. и соавт., PNAS 119(31)pmc.ncbi.nlm.nih.gov/articles/PMC9351501/20222026-09-21полный текстраздел 2: RoBMA, скорректированный d = 0,04, по категориям
S65RCTs to Scale: Comprehensive Evidence from Two Nudge UnitsDellaVigna S., Linos E., NBER Working Paper 27594 (Econometrica 90(1), 2022)nber.org/papers/w2759420202026-09-21аннотацияраздел 2: 126 RCT, 23 млн человек, 8,7 против 1,4 п.п.
S66Research (обзор публикаций автора об уведомлениях)Pielot M., pielot.orgpielot.org/research/без даты2026-09-21полный текстраздел 2: in-situ исследование 15 пользователей, 63,5 уведомления в день, эмоции, внимательность 12,1 ч в день
S67Appropriateness of Overridden Alerts in Computerized Physician Order Entry: Systematic ReviewPoly T. N., Islam M. M., Yang H.-C., Li Y.-C. J., JMIR Medical Informatics 8(7)api.semanticscholar.org/graph/v1/paper/DOI:10.2196/15653?…20202026-09-21аннотацияраздел 2: переопределение алертов 46,2–96,2 %, уместность 29,4–100 %
S68Being On-Call (Site Reliability Engineering, глава 11)Google, sre.googlesre.google/sre-book/being-on-call/20162026-09-21полный текстраздел 2: не более двух инцидентов на 12-часовую смену, около 6 часов на инцидент, алерты должны требовать действия
S69Good Gig, Bad Gig: Autonomy and Algorithmic Control in the Global Gig EconomyWood A. J., Graham M., Lehdonvirta V., Hjorth I., Work, Employment and Society 33(1)api.semanticscholar.org/graph/v1/paper/DOI:10.1177/095001…20192026-09-21аннотацияраздел 2: 107 интервью, 679 анкет; автономия против переработки и истощения
S70Algorithmic Management of Work on Online Labor Platforms: When Matching Meets ControlMöhlmann M., Zalmanson L., Henfridsson O., Gregory R. W., MIS Quarterly 45(4)aisel.aisnet.org/misq/vol45/iss4/16/20212026-09-21аннотацияраздел 2: matching и control, напряжения исполнения, оплаты и принадлежности
S71How Do Algorithmic Management Practices Affect Workforce Well-Being? A Parallel Moderated Mediation ModelZayid H., Alzubi A., Berberoğlu A., Khadem A., Behavioral Sciences 14(12)pmc.ncbi.nlm.nih.gov/articles/PMC11672927/20242026-09-21полный текстраздел 2: 666 сотрудников МСП, опосредование через выгорание и угрозу, модератор person-job fit
S72ProactiveEval: A Unified Evaluation Framework for Proactive Dialogue AgentsLiu T., Wan F., Guo J., Quan X., arXiv 2508.20973arxiv.org/abs/2508.209732025-08-282026-09-21аннотацияраздел 2: 328 сред, 6 доменов, 22 модели
S73Proactive Conversational Agents with Inner ThoughtsLiu X. B. и соавт., CHI 2025; arXiv 2501.00383arxiv.org/abs/2501.0038320252026-09-21аннотацияраздел 2: параллельный поток мыслей, внутренняя мотивация, 24 участника формативного исследования
S74Help Without Being Asked: A Deployed Proactive Agent System for On-Call Support with Continuous Self-ImprovementLiu F., He X., Zhang T., arXiv 2604.09579arxiv.org/abs/2604.095792026-02-252026-09-21аннотацияраздел 2: развёртывание более десяти месяцев в Volcano Engine, самообучение (вендор)
S75Learning to Ask: When LLM Agents Meet Unclear InstructionWang W. и соавт., EMNLP 2025; arXiv 2409.00557arxiv.org/abs/2409.005572024-08-312026-09-21аннотацияраздел 2: агенты додумывают аргументы, Noisy ToolBench, Ask-when-Needed
S76Ask or Assume? Uncertainty-Aware Clarification-Seeking in Coding AgentsEdwards N., Schuster S., arXiv 2603.26233arxiv.org/abs/2603.262332026-03-272026-09-21аннотацияраздел 2: 69,40 % решённых задач, калиброванные уточнения
S77When and What to Ask: AskBench and Rubric-Guided RLVR for LLM ClarificationZhao J., Fang K., Cheng L., arXiv 2602.11199arxiv.org/abs/2602.111992026-02-042026-09-21аннотацияраздел 2: измерение избыточных и недостаточных уточнений
S78HAS-Bench: Evaluating LLM-Based Human-Agent Systems under Configurable Human ParticipationWu Y. и соавт., arXiv 2607.04329arxiv.org/abs/2607.043292026-07-052026-09-21аннотацияраздел 2: выигрыш от участия человека зависит от «когда, как и кем», стоимость взаимодействия как метрика
S79Knowing Isn't Understanding: Re-grounding Generative Proactivity with Epistemic and Behavioral InsightKaur K., Lyu X., Shah C., arXiv 2602.15259arxiv.org/abs/2602.152592026-02-162026-09-21аннотацияраздел 2: критика антиципаторной проактивности, неизвестные неизвестные
S80The flaws of policies requiring human oversight of government algorithmsGreen B., Computer Law & Security Review 45; arXiv 2109.05067arxiv.org/abs/2109.0506720222026-09-21аннотацияраздел 2: 41 политика, надзор как ложное чувство безопасности
S81Design Considerations for Human Oversight of AI: Insights from Co-Design Workshops and Work Design TheoryFaas C., Kerstan S., Uth R., Langer M., Feit A. M., arXiv 2510.19512arxiv.org/abs/2510.195122025-10-222026-09-21аннотацияраздел 2: двенадцать соображений дизайна надзора, мотивация надзирающего
S82Overcoming Algorithm Aversion: People Will Use Imperfect Algorithms If They Can (Even Slightly) Modify ThemDietvorst B. J., Simmons J. P., Massey C., Management Science 64(3)api.semanticscholar.org/graph/v1/paper/DOI:10.1287/mnsc.2…20182026-09-21аннотацияраздел 2: возможность изменить результат снижает неприятие алгоритма
S83Article 14: Human Oversightartificialintelligenceact.euartificialintelligenceact.eu/article/14/20242026-09-21полный текстраздел 2: осведомлённость об automation bias, переопределение, остановка
S84Article 5: Prohibited AI Practicesartificialintelligenceact.euartificialintelligenceact.eu/article/5/20242026-09-21полный текстраздел 2: запреты 5(1)(a), (b), (f), применение с 2025-02-02
S85Annex III: High-Risk AI Systems Referred to in Article 6(2)artificialintelligenceact.euartificialintelligenceact.eu/annex/3/20242026-09-21полный текстраздел 2: п. 4(b) распределение задач по поведению, мониторинг и оценка работников
S86EU AI Act Omnibus Agreement — Postponed High-Risk Deadlines and Other Key ChangesGibson Dunngibsondunn.com/eu-ai-act-omnibus-agreement-postponed-high…2026-05-272026-09-21полный текстраздел 2: перенос Annex III на 2027-12-02, Annex I на 2028-08-02, Article 50 без переноса
S87Art. 22 GDPR: Automated individual decision-making, including profilinggdpr-info.eugdpr-info.eu/art-22-gdpr/20162026-09-21полный текстраздел 2: право не подвергаться исключительно автоматизированному решению, вмешательство человека
S88Art. 88 GDPR: Processing in the context of employmentgdpr-info.eugdpr-info.eu/art-88-gdpr/20162026-09-21полный текстраздел 2: национальные правила для трудовых отношений, мониторинг, достоинство
S89Directive (EU) 2024/2831 on improving working conditions in platform workEuropean Parliament and Council, EUR-Lexeur-lex.europa.eu/legal-content/EN/TXT/HTML/?uri=CELEX%3A…2024-10-232026-09-21полный текстраздел 2: глава III об алгоритмическом управлении, ст. 7, 9, 10, 11; транспозиция до 2026-12-02
S90Spain's Rider Law: Algorithmic Transparency and Worker RightsHolistic AIholisticai.com/blog/spain-rider-law-royal-decree-9-2021без даты2026-09-21полный текстраздел 2: ст. 64.4 Статута работников, вступление в силу 2021-08-12, охват всех работодателей
S91California Governor Vetoes "No Robo Bosses Act"Fisher Phillipsfisherphillips.com/en/insights/insights/california-govern…2025-102026-09-21полный текстраздел 2: вето SB 7, требования законопроекта, причины вето
S92California SB 947 ("No Robo Bosses Act"): New Proposed Guardrails on Use of Automated Decision Systems in Employer Discipline and Termination DecisionsCrowell & Moringcrowell.com/en/insights/client-alerts/california-sb-947-n…2026-02-112026-09-21полный текстраздел 2: SB 947 внесён 2026-02-02, пост-уведомление, человеческая проверка
S93Digital Services Act, Article 25: Online interface design and organisationeu-digital-services-act.comeu-digital-services-act.com/Digital_Services_Act_Article_…20222026-09-21полный текстраздел 2: запрет обманных и манипулятивных интерфейсов для платформ, примеры
S94Update about limits for free accounts! (Announcements)KoboToolbox Community Forumcommunity.kobotoolbox.org/t/update-about-limits-for-free-…2023-08-192026-09-21полный текстразделы 5, 9: Community plan 5 000 отправок в месяц, 1 ГБ (вендор)
S95Getting started with ODKODK Documentationdocs.getodk.org/getting-started/без даты2026-09-21полный текстразделы 5, 9: ODK Collect, Central, XLSForm, офлайн, открытый код, ODK Cloud или self-hosting
S96PricingSurveyCTOsurveycto.com/pricing/без даты2026-09-21полный текстразделы 5, 9: планы Basic 225–250 долларов в месяц, Pro, Advanced, лимиты отправок, case management (вендор)
S97PricingFulcrumfulcrumapp.com/pricing/без даты2026-09-21полный текстразделы 5, 9: Professional 43 и Elite 55 долларов за пользователя в месяц, минимум пять пользователей, dispatch (вендор)
S98PricingTemporal Technologiestemporal.io/pricingбез даты2026-09-21полный текстразделы 5, 9: Temporal Cloud от 50 долларов за миллион действий, 150 долларов кредитов (вендор)
S99PricingCamundacamunda.com/pricing/без даты2026-09-21полный текстразделы 5, 9: бесплатная разработка, Enterprise по запросу, Tasklist (вендор)
S100A differentiated pricing model with experience data recordsMedalliamedallia.com/pricing/без даты2026-09-21полный текстраздел 9: модель Experience Data Record, публичных цен нет (вендор)
S101PricingBrazebraze.com/pricingбез даты2026-09-21полный текстраздел 9: MAU и кредиты действий, четыре редакции, публичных цен нет (вендор)
S102PricingPendopendo.io/pricing/без даты2026-09-21полный текстраздел 9: бесплатно до 500 MAU, остальные планы по запросу (вендор)
S103Nudge: Improving Decisions About Health, Wealth, and Happiness (страница издания)Thaler R. H., Sunstein C. R., Yale University Press; Google Booksbooks.google.com.ua/books/about/Nudge.html?id=dSJQn8egXvU…20082026-09-21аннотацияраздел 11: первоисточник архитектуры выбора и либертарианского патернализма (книга не прочитана)

Словарь терминов

Algorithmic management алгоритмическое управление
использование алгоритмов для назначения задач, контроля, оценки и дисциплинирования работников; шесть механизмов по Kellogg и соавторам.
Algoactivism алгоактивизм
индивидуальные и коллективные тактики сопротивления работников алгоритмическому контролю.
Attention budget бюджет внимания
лимит числа и веса обращений к человеку за период, общий для всех процессов; авторский термин отчёта по образцу frequency capping.
Automation bias склонность к автоматизации
тенденция человека полагаться на выход автоматизированной системы без проверки; упомянута в Article 14 EU AI Act.
BCSS, Behavior Change Support System система поддержки изменения поведения
информационная система, спроектированная для изменения установок или поведения без принуждения и обмана; основа модели PSD.
Choice architecture архитектура выбора
способ представления вариантов, влияющий на выбор без запрета вариантов; понятие Thaler и Sunstein.
Contact policy политика контактов
правило подавления действия после заданного числа обращений; термин Pega.
Conversational survey диалоговый опрос
опрос, проводимый ботом или LLM в форме диалога с уточнениями.
Crowdsensing, participatory sensing краудсенсинг, участное зондирование
сбор наблюдений о среде людьми с мобильными устройствами как распределённой сетью датчиков.
DAP, Digital Adoption Platform платформа цифровой адаптации
слой поверх приложения с подсказками, туром и аналитикой использования.
Dark pattern тёмный паттерн
элемент интерфейса, который принуждает, направляет или обманывает пользователя к невыгодному ему решению.
Decision point, tailoring variable, decision rule точка решения, переменная адаптации, правило решения
элементы JITAI, определяющие, когда, по каким данным и какое вмешательство предоставить.
Digital nudging цифровое подталкивание
использование элементов интерфейса для направления поведения в цифровых средах выбора.
Durable timer, signal устойчивый таймер, сигнал
механизмы Temporal для ожидания ответа человека с сохранением состояния между перезапусками.
Elicitation запрос данных у пользователя
механизм MCP, которым сервер запрашивает у пользователя структурированные данные через клиента с исходами accept, decline, cancel.
EMA, ESM экологическая моментальная оценка, метод выборки переживаний
повторные короткие опросы о текущем состоянии в естественной среде.
Escalation эскалация
заранее описанное действие при неответе к сроку: уведомление, расширение круга, переназначение.
Experience Data Record запись данных опыта
единица тарификации Medallia, охватывающая одно взаимодействие.
Fogg Behavior Model, B = MAP модель поведения Фогга
поведение происходит при совпадении мотивации, способности и подсказки.
Frequency capping ограничение частоты
лимит числа сообщений человеку за окно времени по каналу; термин Braze.
FSM, WFM управление полевым обслуживанием, управление рабочей силой
системы нарядов, диспетчеризации, расписаний и учёта времени.
Guide throttling троттлинг подсказок
минимальный интервал между автоматическими подсказками; термин Pendo.
HIT, Human Intelligence Task задача для человека
атомарная микрозадача в Mechanical Turk.
HITL, human-in-the-loop человек в контуре
паттерн, при котором агент останавливается и запрашивает у человека одобрение, данные или решение.
Human computation человеческие вычисления
вычислительный процесс, использующий усилия людей для задач, недоступных компьютерам.
Interrupt прерывание
в LangGraph — остановка графа с сохранением состояния и ожиданием значения для возобновления.
JITAI, Just-in-Time Adaptive Intervention адаптивное вмешательство в нужный момент
дизайн вмешательства, подстраивающий тип и момент поддержки под меняющееся состояние человека.
Mixed-initiative смешанная инициатива
взаимодействие, в котором инициативу могут брать и система, и человек; система действует при ожидаемой пользе выше бездействия.
MRT, micro-randomized trial микрорандомизированное испытание
дизайн, где вмешательство рандомизируется в каждой точке решения для оценки проксимальных эффектов.
NBA, Next Best Action следующее лучшее действие
маркетинговый движок выбора действия для клиента по правилам, склонности и ценности.
Nonresponse, response rate нонреспонс, отклик
доля не ответивших и доля ответивших на обращение или опрос.
Nudge подталкивание
элемент архитектуры выбора, предсказуемо меняющий поведение без запрета вариантов и значимого изменения стимулов.
Outreach обращение
авторский термин отчёта для единицы инициативы системы к человеку.
Proactive agent, proactive dialogue system проактивный агент, проактивная диалоговая система
агент, инициирующий действие или ведущий диалог к цели без явного запроса.
PSD, Persuasive Systems Design проектирование убеждающих систем
модель Oinas-Kukkonen и Harjumaa с постулатами и 28 принципами.
Pulse survey пульс-опрос
короткий регулярный опрос сотрудников.
Receptivity восприимчивость
преходящая способность и готовность человека получить и использовать поддержку в момент обращения.
Satisficing удовлетворительный минимум
стратегия респондента давать приемлемый, а не точный ответ.
SDT, Self-Determination Theory теория самодетерминации
теория мотивации Deci и Ryan с потребностями в автономии, компетентности и связанности.
Tailored Design Method метод адаптированного дизайна
подход Dillman к повышению отклика через социальный обмен и серию контактов.
User task, human task пользовательская задача
шаг процесса, выполняемый человеком; в BPMN и WS-HumanTask имеет роли, состояния и дедлайны.
Vulnerability, opportunity уязвимость, возможность
состояния повышенного риска и повышенной готовности к желательному действию в JITAI.
VoC, VoE, XM голос клиента, голос сотрудника, управление опытом
программы сбора и анализа обратной связи клиентов и сотрудников.