Заказчиком выступила крупная IT-компания. Этот факт делает кейс особенно показательным, но не потому, что решения создавали профессиональные разработчики. В программе участвовали сотрудники разных подразделений, и далеко не все они умели программировать.
Даже в IT-компании многие уже использовали искусственный интеллект в личных целях: задавали вопросы, создавали тексты или изображения. Но гораздо меньше людей понимали, как применять ИИ в своей работе — безопасно, системно и с измеримой пользой для бизнеса.
Получалось, что сотрудники уже пользуются искусственным интеллектом, но компания не всегда знает, какими инструментами, с какими данными и насколько надёжны полученные результаты.
Компания уже обучала сотрудников работе с ИИ
К моменту нашего знакомства более 300 сотрудников проходили качественный онлайн-курс, подготовленный крупной образовательной платформой.
Материалы были грамотно составлены. Сотрудники знакомились с возможностями моделей, осваивали основные инструменты и получали необходимые знания.
Однако компания столкнулась с проблемой, характерной для многих программ онлайн-обучения.
Кто-то проходил уроки внимательно, кто-то — формально. Одни сотрудники быстро разбирались в материале, другим не хватало базовых объяснений. Но даже те, кто хорошо усвоил содержание курса, далеко не всегда понимали, как применить полученные знания в своей конкретной работе.
Зачем понадобился живой практик
Компании был нужен не ещё один человек, который расскажет об искусственном интеллекте в общих словах.
Нужен был практик, способный в реальном времени взять рабочую задачу, подобрать подходящий инструмент и показать, как получить результат.
При этом одних технических знаний было недостаточно. Требовалось понимание бизнес-процессов, чтобы разобраться:
- какие задачи действительно имеет смысл решать с помощью ИИ;
- где применение модели даст измеримый эффект;
- какие сценарии можно реализовать быстро;
- для каких задач потребуется серьёзная разработка;
- где использование ИИ окажется неоправданным;
- как встроить новое решение в работу конкретного подразделения;
- как обеспечить безопасность данных и проверяемость результата.
Главный вопрос программы звучал не так: «Что вообще умеет искусственный интеллект?»
Почему недостаточно выдать сотрудникам подписки
Само наличие доступа к ИИ-инструментам не создаёт ценности. Можно оплачивать подписки и расходовать токены, не получая заметного результата для бизнеса.
Но это не единственная и даже не главная проблема.
Сотрудники часто начинают использовать общедоступные сервисы самостоятельно и не рассказывают об этом компании. Такое явление называют Shadow AI — теневым применением искусственного интеллекта.
В результате сотрудники могут:
- загружать в сторонние сервисы конфиденциальные документы;
- передавать модели внутреннюю информацию о компании и клиентах;
- делать транскрипции закрытых встреч без проверки условий обработки данных;
- создавать презентации на основе конфиденциальных материалов;
- использовать в документах придуманные моделью факты;
- принимать решения на основе непроверенных ответов;
- не замечать ошибок и галлюцинаций ИИ;
- использовать инструменты, не соответствующие требованиям информационной безопасности.
Поэтому запретить ИИ или просто выдать сотрудникам утверждённый инструмент недостаточно. Людей необходимо научить понимать, как работают модели, где проходят границы их надёжности, какие данные можно использовать и как проверять полученный результат.
Три месяца живой работы
Мы построили трёхмесячную программу в живом онлайн-формате.
Это были не записанные уроки. На встречах участники могли задавать вопросы, показывать свои задачи, обсуждать ограничения и наблюдать за демонстрацией инструментов в реальном времени.
Сначала потребовалось выровнять знания участников.
Тем, кто только начинал работать с ИИ, нужно было объяснить базовые принципы и ответить на вопросы, которые не были раскрыты в онлайн-курсе или не закрепились после его прохождения.
Более опытным сотрудникам были нужны ответы на практические вопросы:
- почему модель не справляется с конкретной задачей;
- как повысить точность ответа;
- как уменьшить количество галлюцинаций;
- когда достаточно обычного ассистента;
- когда нужен ИИ-агент;
- в каких случаях потребуется RAG-система;
- как работать с документами и корпоративными данными;
- как проверить, что решение действительно приносит пользу.
Основная сложность заключалась в том, что одинаковых участников не было. У людей были разные роли, процессы, уровень подготовки и задачи. Поэтому универсального сценария внедрения для всех подразделений быть не могло.
От общего обучения к функциональным командам
После вводного этапа сотрудники начали работать функциональными командами.
Каждой команде предложили определить, где искусственный интеллект может быть полезен именно в её направлении деятельности.
Сначала участники сформировали список возможных сценариев. Затем мы вместе оценили их по нескольким параметрам:
- потенциальный эффект;
- сложность реализации;
- доступность необходимых данных;
- требования к точности;
- риски информационной безопасности;
- возможность быстро проверить гипотезу;
- необходимость привлечения разработчиков.
Важно было найти решения, которые можно создать относительно быстро и которые сразу дадут заметную пользу.
На этом этапе обнаружился интересный эффект. Некоторые идеи, казавшиеся сотрудникам технически сложными, можно было реализовать достаточно просто. И наоборот: внешне лёгкие задачи оказывались сложными из-за требований к точности, качеству данных и отсутствию галлюцинаций.
Например, подключить документы к модели недостаточно, чтобы получить надёжную систему работы со знаниями. Даже небольшая RAG-система требует продуманной подготовки данных, корректного поиска, понятных источников и проверки ответов.
Первоначальный план компании
Изначально компания планировала собрать идеи, подготовить обоснование, выделить ресурсы и найти специалистов для разработки. Возможно, привлечь отдельного специалиста по искусственному интеллекту.
Так обычно и представляют внедрение ИИ: сначала сотрудники формулируют идеи, затем компания передаёт их технической команде или внешнему подрядчику.
Но во время программы мы перешли от обсуждения к созданию решений.
Команды начали работать с теми инструментами, которые уже были доступны в компании или могли безопасно использоваться сотрудниками. Не составляли технические задания на будущее, а собирали работающие решения для собственных задач.
Сотрудники сами создали ИИ-решения
Каждая функциональная команда создала от одного до трёх решений для своих рабочих процессов.
В зависимости от задачи это были:
- специализированные ИИ-ассистенты;
- простые ИИ-агенты;
- небольшие RAG-системы;
- инструменты для подготовки и проверки материалов;
- решения для анализа и сопровождения проектной работы;
- помощники для работы с сотрудниками;
- инструменты для отдельных этапов разработки.
Всего в компании появилось более 20 ИИ-решений, созданных самими сотрудниками для собственных задач.
Для этого не потребовалось привлекать отдельную команду разработчиков или передавать каждый сценарий внешнему подрядчику.
Сотрудники лучше других знали свои процессы, понимали контекст работы и могли сразу проверять, помогает ли созданный инструмент на практике.
Безопасность была частью решения
Целью программы было не только научить сотрудников создавать ИИ-инструменты, но и сделать их применение управляемым и безопасным.
Участники разбирались:
- какие документы разрешено загружать в модель;
- какие данные нельзя передавать внешним сервисам;
- как выбирать подходящий инструмент с учётом требований безопасности;
- какие настройки необходимо проверять;
- как работать внутри разрешённого контура;
- как проверять факты и источники;
- как распознавать галлюцинации;
- в каких задачах решение ИИ обязательно должен проверить человек;
- почему транскрипции, отчёты и презентации нельзя принимать без проверки.
Это особенно важно, потому что риски Shadow AI не ограничиваются утечкой информации.
Модель может уверенно сообщить несуществующий факт. Сотрудник может включить его в презентацию, аналитический документ или управленческое решение. Транскрипция может исказить содержание встречи. Автоматически подготовленный отчёт может содержать выводы, которых нет в исходных данных.
Поэтому безопасное применение ИИ — это одновременно защита информации и контроль качества решений.
Результат
За три месяца компания прошла путь от общего обучения к практическому внедрению.
В программе приняли участие более 300 сотрудников. Функциональные команды определили собственные сценарии применения ИИ, оценили их сложность и эффект, а затем самостоятельно создали более 20 рабочих решений.
Главное изменение состояло в самом подходе к внедрению.
В начале предполагалось, что сотрудники сформулируют идеи, компания обоснует проекты и затем найдёт специалистов, которые смогут их реализовать.
На практике оказалось, что значительную часть задач способен решить сам сотрудник на своём рабочем месте — если он:
- понимает возможности и ограничения модели;
- умеет подобрать подходящий инструмент;
- знает собственный бизнес-процесс;
- соблюдает требования информационной безопасности;
- проверяет качество результата;
- способен собрать простое решение без программирования.
Компания получила не только набор новых инструментов. Внутри неё появились сотрудники, способные самостоятельно находить и безопасно реализовывать сценарии применения искусственного интеллекта.
Главный вывод
Эффективное обучение работе с искусственным интеллектом не заканчивается знаниями о промптах, моделях и инструментах.
Его результат — не количество просмотренных уроков и не число выданных подписок.
Результат появляется тогда, когда сотрудники способны ответить на три вопроса:
- Какую реальную рабочую задачу мы решаем?
- Как создать полезное решение с доступными инструментами?
- Как сделать это безопасно и обеспечить проверяемое качество?
Этому можно научить даже большую и очень разную аудиторию. Но для этого недостаточно показать людям возможности ИИ.
Нужно пройти вместе с ними весь путь: от понимания технологии и выбора сценария до создания работающего решения для конкретного процесса.