Евгения Любко: ИИ-обучение работает только через практику
30.07.2026 15:16:33
115
0
Обучение нейросетям бесполезно без практики — бюджет можно сразу списывать в корзину. Как делить сотрудников на когорты, считать экономию через ФОТ и измерять окупаемость на горизонте года — специально для «Бизнес новостей» управляющий партнер HRM-платформы «Пряники» Евгения Любко. Это продолжение нашего цикла экспертных интервью о внедрении ИИ.
— С чего стоит начинать, чтобы обучение нейросетям действительно привело к измеримому результату, а не осталось в статусе «полезного семинара»?
— Во-первых, с анализа текущего уровня владения нейросетями у сотрудников — просто через опрос о том, какие нейросети используют, для каких задач, чему хотели бы научиться. Во-вторых, необходимо разделить участников на когорты по уровню владения нейросетями — от новичков до профи — и для каждой группы подобрать практические примеры из рабочей практики, на которых будет проходить обучение.
Без практики — можно сразу списывать бюджет в корзину, пользы не будет, обучение нейросетям работает так же, как обучение счёту и письму — только и исключительно через практическое применение, причём желательно на тех задачах, которые у сотрудников в руках ежедневно.
— Как рассчитать, вернулись ли вложенные в обучение деньги, и какие параметры важно замерить до и после?
— Скорость решения конкретных задач. Например, на анализ контрагента в отделе закупок уходило 2 часа — стало 5 минут, экономия — 95% времени. Или исследование рынка конкурентов — уходил месяц, а теперь можно в реальном времени мониторить конкурентные цены и акции. В пересчёте на деньги можно считать эффективность через ФОТ: тратилось 10 человеко-часов в месяц специалиста, чей час стоит 1000 рублей, стал тратиться 1 час — экономия 9 000 рублей /мес. На одного специалиста по одной конкретной задаче
— С какими типичными сложностями сталкиваются компании при попытке посчитать окупаемость, и как их обойти?
В первую очередь, это отсутствие входных данных. Никто не замерял, сколько времени тратится вручную на ту или иную операцию, и невозможно сравнить точку Б с точкой А, потому что о стоимости точки А никто никогда не задумывался.
Во вторую очередь — это некая условность измерений. Мы не стоим со свечкой над каждым сотрудником и не проверяем, — пересел он уже на эффективный инструмент с ИИ или продолжает делать работу вручную по старинке, это даёт существенную погрешность в измерениях.
Ну и, в-третьих, это стоимость токенов — если вы используете внешние нейросети, и стоимость железа и энергопотребления, если развёртываете решение локально (что даёт большее пространство сценариев и возможность работать с конфиденциальными данными). В сухом остатке — такие измерения лучше проводить на горизонте хотя бы года, потому что разовые вложения в инфраструктуру, если нейронки разворачиваются в контуре компании, могут многократно превышать потенциальный полезный эффект на горизонте месяца, но окупаться в долгосрочной перспективе.
— Во-первых, с анализа текущего уровня владения нейросетями у сотрудников — просто через опрос о том, какие нейросети используют, для каких задач, чему хотели бы научиться. Во-вторых, необходимо разделить участников на когорты по уровню владения нейросетями — от новичков до профи — и для каждой группы подобрать практические примеры из рабочей практики, на которых будет проходить обучение.
Без практики — можно сразу списывать бюджет в корзину, пользы не будет, обучение нейросетям работает так же, как обучение счёту и письму — только и исключительно через практическое применение, причём желательно на тех задачах, которые у сотрудников в руках ежедневно.
— Как рассчитать, вернулись ли вложенные в обучение деньги, и какие параметры важно замерить до и после?
— Скорость решения конкретных задач. Например, на анализ контрагента в отделе закупок уходило 2 часа — стало 5 минут, экономия — 95% времени. Или исследование рынка конкурентов — уходил месяц, а теперь можно в реальном времени мониторить конкурентные цены и акции. В пересчёте на деньги можно считать эффективность через ФОТ: тратилось 10 человеко-часов в месяц специалиста, чей час стоит 1000 рублей, стал тратиться 1 час — экономия 9 000 рублей /мес. На одного специалиста по одной конкретной задаче
— С какими типичными сложностями сталкиваются компании при попытке посчитать окупаемость, и как их обойти?
В первую очередь, это отсутствие входных данных. Никто не замерял, сколько времени тратится вручную на ту или иную операцию, и невозможно сравнить точку Б с точкой А, потому что о стоимости точки А никто никогда не задумывался.
Во вторую очередь — это некая условность измерений. Мы не стоим со свечкой над каждым сотрудником и не проверяем, — пересел он уже на эффективный инструмент с ИИ или продолжает делать работу вручную по старинке, это даёт существенную погрешность в измерениях.
Ну и, в-третьих, это стоимость токенов — если вы используете внешние нейросети, и стоимость железа и энергопотребления, если развёртываете решение локально (что даёт большее пространство сценариев и возможность работать с конфиденциальными данными). В сухом остатке — такие измерения лучше проводить на горизонте хотя бы года, потому что разовые вложения в инфраструктуру, если нейронки разворачиваются в контуре компании, могут многократно превышать потенциальный полезный эффект на горизонте месяца, но окупаться в долгосрочной перспективе.