Дали доступ и ждут чуда: как обучать сотрудников работе с ИИ
Компании массово внедряют нейросети, но учить людей работать с ИИ «некогда». Вместо рывка в эффективности бизнес получает хаос промптов, утечки данных и саботаж мидл‑менеджмента. Как развивать ИИ‑компетенции — Вячеслав Лобозов, Touch Instinct
Фото: Radowan Nakif Rehan / Unsplash
Этот материал входит в новый раздел РБК Образование, где мы рассказываем о том, как развивать навыки, принимать взвешенные решения и двигаться по карьере осознанно.
Школа управления РБК — новый образовательный проект медиахолдинга, ориентированный на развитие руководителей. Встречаемся каждый четверг в 19.00 на онлайн-событиях, где вместе решаем сложные управленческие задачи.
Расписание и темы можно посмотреть здесь.
ИИ-навыки перестают быть конкурентным преимуществом и, по нашим прогнозам, в ближайшие 2–3 года станут обязательным минимумом для специалистов всех отраслей. По разным оценкам, от 70 до 86% российских компаний уже используют инструменты ИИ, однако эффект дает не сам инструмент, а умение сотрудников работать с ним. Без обучения нейросети применяются интуитивно: данные копируются в публичные сервисы, а ответы моделей используются без проверки. Системное обучение ИИ-компетенциям формирует единые стандарты работы, критерии качества и снижает операционные риски и превращает ИИ в устойчивую часть бизнес-процессов.
Что мешает развитию ИИ-компетенций
Даже при высоком интересе к ИИ компании часто не доходят до комплексного обучения сотрудников. Основные препятствия носят организационный характер и повторяются от отрасли к отрасли.
- Нет понятной модели обучения. Во многих компаниях отсутствует ответ на базовый вопрос: чему именно и в каком объеме нужно учить сотрудников. ИИ воспринимается как абстрактная «технология будущего», а не как набор прикладных навыков под конкретные роли. В результате обучение либо откладывается, либо сводится к разрозненным лекциям без привязки к рабочим задачам.
- Смешение IT- и HR-повестки. ИИ-обучение часто «зависает» между подразделениями. IT отвечает за инструменты и инфраструктуру, HR — за обучение, а бизнес-заказчик формально не определен. Без владельца инициативы программа не встраивается в процессы и не поддерживается управленчески.
- Недооценка трудозатрат и ресурсов. Компании нередко предполагают, что сотрудники «разберутся сами», если дать доступ к ИИ-сервисам. На практике развитие навыков требует времени, методических материалов, внутренних экспертов и поддержки со стороны руководителей. Без этого обучение проигрывает текущей операционной нагрузке.
- Неясные правила и риски. Отсутствие единых правил работы с ИИ тормозит обучение. Когда сотрудники не понимают, какие данные можно использовать, какие инструменты разрешены и как проверять ответы моделей, они либо избегают ИИ, либо используют его неофициально.
- Скепсис руководителей среднего звена. Даже при поддержке топ-менеджмента инициативы часто упираются в мидл-уровень. Руководители команд опасаются снижения контроля, дополнительных ошибок или потери времени на обучение и не всегда готовы выделять ресурсы под развитие ИИ-навыков команды.
Чтобы снять барьеры, компании должны перейти от разрозненных курсов к четкому алгоритму развития ИИ-компетенций — от диагностики до интеграции в рабочие процессы.
Обучение штата ИИ-компетенциям. Алгоритм
Внедрение ИИ и обучение сотрудников должно начинаться с C-level и руководителей команд. Менеджменту важно понимать, как работают нейросети, в каких процессах они дают практическую ценность и какие риски с ними связаны. Без этого невозможно корректно выбрать сценарии применения ИИ, задать требования к качеству и оценить эффект от обучения. Подрядчики и интеграторы могут помочь на старте, однако организационная трансформация и закрепление практик остаются зоной ответственности самой компании.
Основной алгоритм построения программы обучения штата ИИ-компетенциям:
Шаг 1. Анализ потребностей
На этом этапе необходимо определить бизнес-процессы и подразделения, где применение ИИ потенциально даст эффект, оценить текущий уровень навыков сотрудников и сформировать план их развития.
Возможная ошибка: недооценка бюджета и инфраструктуры. Многие компании планируют внедрение ИИ без учета реальных затрат на облачные сервисы, вычислительные мощности, хранение и обработку данных, обучение сотрудников и поддержку решений. Это может привести к замедлению программы, снижению эффективности или ее приостановке.
Шаг 2. Определение целей и KPI для сотрудников
Важно заранее зафиксировать показатели, по которым будет оцениваться результат обучения: сокращение времени выполнения задач, рост объема обрабатываемых заявок, снижение количества ошибок или другие измеримые метрики.
Шаг 3. Выбор ИИ-инструментов
Компания определяет набор ИИ-инструментов для работы сотрудников: чат-боты, генеративные модели, LLM, локальные решения. Если готовые сервисы не закрывают потребности бизнеса, имеет смысл создать корпоративный ИИ-инструмент под конкретные задачи подразделений.
Шаг 4. Разработка программы обучения
Программа обучения создается индивидуально под специфику компании. При этом существует обязательный набор модулей: основы работы ИИ и машинного обучения, принципы формулирования запросов, практические кейсы, а также блоки по этике и рискам.
Шаг 5. Подготовка обучающих материалов
Необходимо подготовить гайды, чек-листы, инструкции по информационной безопасности и методические материалы по работе с ИИ-инструментами, чтобы встроить их в корпоративную базу знаний.
Возможная ошибка: отсутствие четких правил и обучения в области кибербезопасности. В практике компаний около 8,5% запросов сотрудников к ИИ-сервисам содержат конфиденциальные данные, что повышает риски утечек.
Вступайте в сообщество Школы управления РБК в Telegram или MAX, чтобы общаться с руководителями из разных сфер, выстраивать нетворкинг и получать советы экспертов.
Шаг 6. Разнообразные форматы ИИ-обучения
На старте целесообразно протестировать обучение на небольшой группе сотрудников. Начать с простых инструментов — курсы с сопровождением, практические форматы и разбор реальных задач. После доработки программу можно масштабировать.
Шаг 7. Интеграция ИИ в рабочие процессы
ИИ-инструменты внедряются в повседневную работу сотрудников. Обмен удачными примерами использования и зафиксированными эффектами ускоряет распространение навыков внутри компании.
Шаг 8. Оценка эффективности и корректировка программы
Через месяц после старта важно оценить изменения в продуктивности. Микрообучение, встречи с AI-коучами и обмен опытом помогают поддерживать актуальность навыков.
Пример развития ИИ-компетенций у сотрудников
Рассмотрим, как этот алгоритм может быть реализован на практике. Российская IT-студия находилась в фазе быстрого роста. Объем проектов увеличивался, из-за чего сроки их сдачи регулярно сдвигались, а нагрузка на команды кратно выросла за последний год. На стратсессии топ-менеджеры назвали главной проблемой потерю времени на рутинные задачи: подготовку и доработку рабочих материалов. Сотрудники точечно использовали ИИ-инструменты, однако без единых правил и требований к результату. Это не давало устойчивого эффекта и не влияло на сроки проектов.
Развитие ИИ-компетенций зафиксировали как отдельную бизнес-задачу — сократить время выполнения типовых задач на 20% с помощью ИИ. Ответственным за инициативу стал директор по развитию, а к разработке методических материалов подключился HR-менеджер.
Работу начали с одной продуктовой команды. Сначала описали фактические задачи, в которых сотрудники уже применяли ИИ. На основе этого утвердили допустимые инструменты, правила работы с данными и требования к проверке результатов. Для типовых задач подготовили рабочие шаблоны запросов и закрепили их в командной базе знаний. Обучение построили вокруг текущих проектов команды. Сотрудники сразу применяли ИИ в работе, а руководитель команды отвечал за контроль качества и корректность использования инструментов.
Через месяц оценили изменения. Скорость подготовки проектных материалов выросла на 15%, количество доработок снизилось, а загрузка команды стала более предсказуемой. Если до эксперимента команда задерживала сдачу 20% проектов, то уже через месяц этот показатель сократился до 10%. Использование ИИ стало осознанным и воспроизводимым внутри команды.
После пилота подход распространили на другие подразделения. Методические материалы включили уже в корпоративную базу знаний. Обучение новых сотрудников сразу выстроили с учетом ИИ как стандартного рабочего инструмента. В итоге развитие ИИ-компетенций стало частью операционной модели.
Как оценивать эффективность обучения ИИ-компетенциям
Методически важно заранее определить, какие изменения компания хочет получить за счет обучения сотрудников, и только потом подбирать метрики. Например, если цель — повысить конверсию звонков или сократить время подготовки материалов, сначала фиксируется исходная ситуация, а затем оцениваются изменения, после того как сотрудники освоили новые навыки работы с ИИ. Такой подход позволяет видеть реальную отдачу от обучения и своевременно корректировать программу.
На практике эффективность обучения оценивается по нескольким уровням.
- Количественные показатели. Компания задает измеримые метрики еще до старта обучения: скорость выполнения задач, снижение операционных затрат, уменьшение количества ошибок, сокращение времени на подготовку материалов, улучшение клиентских показателей. Например, время подготовки одного поста для корпоративного телеграм-канала может сократиться на 20% — с одного часа до 40 минут. Эти показатели позволяют понять, где обучение действительно влияет на работу.
- Оценка зрелости навыков команды. Важно смотреть не только на цифры, но и на качество применения ИИ в работе. Здесь оценивается, умеют ли сотрудники выбирать подходящий инструмент, формулировать запрос, проверять полученный ответ и использовать его в реальных задачах, а не в учебных примерах. Такой уровень зрелости показывает, стало ли обучение частью повседневной практики.
- Аналитика динамики после обучения. Первые эффекты часто заметны уже через 1–2 недели после старта программы. Анализ изменений в загрузке команд и скорости выполнения типовых задач помогает понять, какие форматы обучения работают лучше и где требуется доработка.
- Качественные, неметрические эффекты. Отдельно фиксируются изменения, которые сложно выразить цифрами: появление новых идей, более осмысленные предложения по улучшению процессов, рост инициативности сотрудников в использовании ИИ. Эти сигналы показывают, что обучение перестает быть формальным и начинает влиять на профессиональное мышление команды.