Анна Райская об обучении сотрудников ИИ: агент готовит, человек решает
27.07.2026 17:21:58
111
0
Обучение сотрудников работе с нейросетями не даст результата, если не выбраны конкретные процессы. Как декомпозировать задачи, считать экономию и встраивать ИИ в регламенты, чтобы получить измеримый эффект, — «Бизнес новостям» рассказала CEO и основатель AIVOLUTE, эксперт по внедрению ИИ и бизнес-автоматизации Анна Райская. Это продолжение нашего цикла экспертных интервью о внедрении ИИ.
— Начинайте с процессов, под которые вы вообще затеваете обучение. Курс «про нейросети в целом» заканчивается обычно так: довольные сотрудники, красивые сертификаты и ноль изменений через месяц.
Я внедряю ИИ-агентов в бизнес и вижу одну и ту же закономерность: измеримый эффект появляется там, где компания ещё до обучения выбрала два-три конкретных процесса (обычно это документы, заявки, отчёты, переписка) и посчитала, во что они обходятся сейчас. В моей практике 80% успеха даёт декомпозиция задачи, то есть ее разбор на шаги, которые можно передать машине, и лишь 20% приходится на выбор инструмента. Поэтому учить людей нужно на их собственных рабочих задачах, чтобы каждый вышел с настроенным помощником под свой участок работы.
Формула окупаемости простая: сэкономленные часы умножаем на стоимость часа сотрудника и сравниваем с бюджетом обучения. Чтобы она сработала, до старта фиксируем три цифры: сколько времени занимает операция, сколько таких операций в месяц и сколько стоит час специалиста. Через месяц после обучения замеряем то же самое.
Пример из моей практики: в компании-интеграторе подготовка коммерческого предложения под тендер занимала у руководителя 4 часа, после внедрения агента осталось 30 минут на проверку результата. Умножьте разницу на число предложений в месяц и на ставку руководителя, и разговор об окупаемости закончится за одну встречу. В другом проекте, в энергетической отрасли, поиск и сравнение закупок сократились с двух дней до пары часов. К часам добавьте долю ошибок и переделок: если она выросла, экономия фиктивная.
По данным отчёта MIT о внедрении ИИ в бизнесе за 2025 год, измеримый финансовый эффект показали лишь 5% пилотных проектов.
Причины провала я наблюдаю одни и те же. Первая: до обучения никто ничего не замерил, поэтому сравнивать результат просто не с чем. Вторая: учили всех сразу и всему подряд, эффект размазался по компании до состояния «вроде стало быстрее». Третья: новый навык не встроили в регламент, и через две недели люди вернулись к привычной рутине. Принципы успешного внедрения простые: узкий пилот на одном отделе, замер до и после, ответственный, который доводит навык до рабочего процесса. И правило, которое я повторяю в каждом проекте: агент готовит, человек решает.
Пока сотрудник понимает, что финальная проверка остаётся за ним, качество держится и экономию не съедают переделки. Если через месяц после обучения у вас нет ни одной пары цифр «было и стало», деньги ушли на вдохновение. А вдохновение в отчёт о прибылях не вставишь.
Я внедряю ИИ-агентов в бизнес и вижу одну и ту же закономерность: измеримый эффект появляется там, где компания ещё до обучения выбрала два-три конкретных процесса (обычно это документы, заявки, отчёты, переписка) и посчитала, во что они обходятся сейчас. В моей практике 80% успеха даёт декомпозиция задачи, то есть ее разбор на шаги, которые можно передать машине, и лишь 20% приходится на выбор инструмента. Поэтому учить людей нужно на их собственных рабочих задачах, чтобы каждый вышел с настроенным помощником под свой участок работы.
Формула окупаемости простая: сэкономленные часы умножаем на стоимость часа сотрудника и сравниваем с бюджетом обучения. Чтобы она сработала, до старта фиксируем три цифры: сколько времени занимает операция, сколько таких операций в месяц и сколько стоит час специалиста. Через месяц после обучения замеряем то же самое.
Пример из моей практики: в компании-интеграторе подготовка коммерческого предложения под тендер занимала у руководителя 4 часа, после внедрения агента осталось 30 минут на проверку результата. Умножьте разницу на число предложений в месяц и на ставку руководителя, и разговор об окупаемости закончится за одну встречу. В другом проекте, в энергетической отрасли, поиск и сравнение закупок сократились с двух дней до пары часов. К часам добавьте долю ошибок и переделок: если она выросла, экономия фиктивная.
По данным отчёта MIT о внедрении ИИ в бизнесе за 2025 год, измеримый финансовый эффект показали лишь 5% пилотных проектов.
Причины провала я наблюдаю одни и те же. Первая: до обучения никто ничего не замерил, поэтому сравнивать результат просто не с чем. Вторая: учили всех сразу и всему подряд, эффект размазался по компании до состояния «вроде стало быстрее». Третья: новый навык не встроили в регламент, и через две недели люди вернулись к привычной рутине. Принципы успешного внедрения простые: узкий пилот на одном отделе, замер до и после, ответственный, который доводит навык до рабочего процесса. И правило, которое я повторяю в каждом проекте: агент готовит, человек решает.
Пока сотрудник понимает, что финальная проверка остаётся за ним, качество держится и экономию не съедают переделки. Если через месяц после обучения у вас нет ни одной пары цифр «было и стало», деньги ушли на вдохновение. А вдохновение в отчёт о прибылях не вставишь.