За последние два года я прошла путь от пользователя нейросетей для своих задач до человека, который обучает этому целую команду. Разница между этими двумя ролями оказалась больше, чем я ожидала. Пользоваться технологиями самому – вопрос навыка. Научить этому команду – вопрос управления людьми, и здесь большинство руководителей совершают одни и те же ошибки. Обсудим, почему внедрение искусственного интеллекта в рабочие процессы буксует не на уровне инструментов, а на уровне людей.
Почему сотрудники сопротивляются обучению, но молчат
Типичный сценарий: руководитель находит полезный инструмент, показывает его на общем собрании, присылает ссылку в рабочий чат, и искренне удивляется через месяц, что новинкой никто не пользуется. Формально сотрудники не отказываются: они кивают на встрече, иногда даже открывают инструмент при руководителе. Но в реальной работе возвращаются к старым методам, потому что никто не объяснил им, зачем менять привычный процесс на новый, который поначалу требует больше усилий, а не меньше.
Что мешает сотрудникам осваивать новые инструменты:
- Страх обесценивания. Если ИИ за минуту делает то, на что у сотрудника уходил час, возникает не облегчение, а тревога: если моя работа теперь стоит минуту, зачем я здесь нужен? Это рациональная реакция на реальную неопределенность, которую нельзя снять инструкцией по использованию инструмента, потому что проблема не в инструменте.
- Недоверие к качеству результата. Первые несколько попыток использовать нейросеть почти всегда дают средний, а не отличный результат, потому что человек еще не научился формулировать задачу так, чтобы получить нужное. Разочарование от первой неудачной попытки формирует установку «эта штука не работает», и переубедить сотрудника после этого гораздо сложнее, чем до первой попытки.
- Отсутствие времени учиться внутри рабочего процесса – самая недооцененная причина. Руководители ждут, что сотрудник освоит новый инструмент в свободное время, между делом, без выделенных часов. На практике это означает, что осваивать будут только те, кто и так мотивирован – то есть, меньшинство, а не команда целиком.
Как научить сотрудников работать с новыми технологиями
Когда я проходила курс по промпт-инжинирингу и вайб-кодингу и параллельно начала выстраивать обучение своей команды, я убедилась, что подход «покажи инструмент – дай ссылку» не работает вообще. Работает другая последовательность:
- Начинать не с инструмента, а с конкретной задачи сотрудника. Не «вот вам ChatGPT, пользуйтесь», а «у тебя каждую неделю уходит два часа на составление отчета по остаткам – вот как эту же задачу можно решить за 15 минут». Когда человек видит выигрыш на своей знакомой задаче, а не на абстрактном примере из презентации, сопротивление снижается сразу.
- Разрешить первую неудачу. Я специально показываю команде не только удачные результаты работы с нейросетью, но и то, как я переформулирую промпт 3-4 раза, прежде чем получаю нужный ответ. Это снимает установку «раз с первого раза не получилось, значит, инструмент бесполезен». Сотрудник видит, что итерации – это норма, а не признак его некомпетентности.
- Выделять время на освоение внутри рабочих часов, а не сверхурочно. Даже час в неделю, официально выделенный на то, чтобы попробовать применить инструмент к текущей задаче, дает больше результата, чем десять презентаций о том, какой инструмент замечательный.
- Не требовать использования инструмента там, где старый способ объективно быстрее. Форсированное внедрение ИИ туда, где он не дает реального выигрыша, обесценивает инструмент в глазах команды и в тех задачах, где он действительно полезен.
Как измерить, что обучение команды сработало
Здесь легко ошибиться и мерить не то. Количество открытых лицензий на инструмент или число посещений обучающего вебинара ничего не говорит о реальном использовании – это метрики активности, а не результата.
Более честный показатель – доля задач определенного типа, которые команда теперь выполняет с помощью инструмента, а не количество людей, которые формально его освоили. Еще честнее – обратная связь без давления: спросить не «вы пользуетесь инструментом?», а «какую из своих регулярных задач вы бы хотели, чтобы я помогла вам ускорить с помощью нейросети?». Ответ на этот вопрос сразу показывает, кто реально пробовал, а кто делает вид.
Ошибки руководителей во время обучения сотрудников
Самая частая управленческая ошибка – считать, что достаточно самому хорошо владеть инструментом, чтобы команда переняла этот навык по примеру. Личный пример важен, но не заменяет структурированное обучение. Руководитель, который сам эффективно работает с нейросетями, часто не замечает, сколько неочевидных для новичка шагов он проходит автоматически, и переносит на команду ожидание, что они пройдут этот же путь самостоятельно, без сопровождения.
Вторая ошибка – обучать всех одинаково. Задачи маркетолога, специалиста поддержки и аналитика в работе с нейросетями различаются кардинально, а типовое обучение «основы промпт-инжиниринга для всех» решает проблему только у части команды, а остальные просто не находят применения новому навыку в конкретной работе.
Выводы
Приобщение команды к новым технологиям – это управленческая задача, требующая того же, что любое другое организационное изменение: понимания реальных причин сопротивления, времени на освоение внутри рабочего процесса, права на неудачную первую попытку и честных метрик результата вместо метрик активности. Способность руководителя провести команду через это изменение становится настоящим конкурентным преимуществом, а не сам факт наличия доступа к технологиям.
Также читайте:
жаль, что никто не приводит цифры - сколько удалось дополнительно заработать Компании после внедрения ИИ???
Думаю, что сама постановка вопроса некорректная.
Сколько удалось заработать именно на ИИ?
Или сколько заработал сам ИИ?
Или сколько заработали те, кто внедрял ИИ и учил ему?
Тут, наверное, только некоторые отдельные участки можно оценить, и то только не сколько заработал, а сколько сэкономил.
Если вы подумаете вы прикиньте почему это происходит, то это будет вам ответ насчёт эффективности использования ИИ текущей работе в компании.
Примеры о сокращение персонала... я бы не очеь доверял... профессиональная привычка.
Коллеги! А как быть с разглашением коммерческой тайны и утечкой информации через ИИ?
Вот свежий пример.
https://habr.com/ru/news/1063374/
Суд признал законным увольнение сотрудницы московской компании за отправку данных в DeepSeek и на личную почту
27 июля 2026 год, 11:47
Бороться на всех уровнях, начиная с совершенствования законодательной базы. Утечка информации может оказаться критически важной как для компании, так и для отдельного человека.
На днях свежачок.
Приносит мне ученик ответы от ИИ по производственной задаче. Написано все правильно, не подкопаешься.
Начинаем заземлять на практику, смотреть альтернативы и выясняется - из 4-х шагов от ИИ в работу не пошел ни один, т.к. альтернативное решение быстрее и дешевле, но ИИ о нем не знает.
А я знаю.
Поэтому когда начальник начнет мне рассказывать про необходимость внедрения ИИ, он пойдет не на две, а на три буквы.
Совершенствования законодательной базы это хорошо и нужно, но как все это технически контролировать, одно дело, когда информация находится в контуре предприятия, а другое дело, когда она выходит из этого контура.
ИИ не заменяют экспертный опыт...
Это же очевидно, просто апологеты ИИ почему-то деликатно умолкают об уровне этих задач для которых целесообразно использовать.
Абсолютно не деликатноt замечание уровень использования ИИ зависит от моей личной квалификации, а не от "идеальности промпта" или кого то другого.
Ответ в вопросе. Технически это обычно возможно, если установлен факт утечки. И никто не может дать гарантии, что утечки не произойдёт, несмотря на меры по предотвращению и какие угодно инструкции.
75-80% проектов цифровизации не оказывают влияния на показатели бизнеса.