Генеративный ИИ все активнее используют за пределами ИТ-департаментов: сотрудники готовят документы и презентации, анализируют данные, автоматизируют отдельные операции и создают небольшие приложения. Для бизнеса это открывает новые возможности, но одновременно ставит управленческие вопросы: кто выбирает приоритетные задачи, как учитывать требования информационной безопасности, почему успешные пилоты часто не удается масштабировать? Разберемся, какие компетенции нужны руководителям и как связать внедрение ИИ с измеримыми результатами бизнеса.
Кто в компании выбирает задачи для ИИ и отвечает за результат
Когда ИИ-инструменты появляются сразу в нескольких подразделениях, компания сталкивается с вопросом приоритетов. HR хочет автоматизировать кадровые обращения, маркетинг – ускорить подготовку контента, финансовая служба – работу с документами, операционный блок – повторяющиеся процессы. У каждой инициативы есть основания, но ресурсов на одновременный запуск всех проектов обычно не хватает.
В оптимальной модели основным заказчиком ИИ-трансформации выступает генеральный директор. Бизнес формирует приоритеты, генеральный директор их утверждает и следит за результатом, ИТ-команда обеспечивает подразделения необходимыми инструментами, а в идеале – единой ИИ-платформой.
За выбор конкретных задач отвечают функциональные руководители. Они знают процессы своих подразделений и понимают, какие операции отнимают больше всего времени, где сотрудники сталкиваются с повторяющейся работой и что можно ускорить. Чтобы находить подходящие сценарии, руководителям нужна насмотренность в области ИИ: понимание возможностей современных инструментов, знакомство с практикой компаний своей отрасли, опытом конкурентов и партнеров.
Набор необходимых знаний зависит от уровня управления. Топ-менеджменту важно видеть общую картину: какие изменения ИИ приносит бизнесу, как влияет на производительность и затраты, какие направления заслуживают инвестиций. Генеральный директор оценивает совокупный эффект от внедрения для компании, а руководители подразделений сосредоточены на прикладных задачах – собственных процессах, повторяющихся операциях и влиянии ИИ-автоматизации на операционные KPI.
Функциональные руководители становятся владельцами ИИ-сценариев своих подразделений. Они должны находить подходящие задачи и формулировать требования к решению, оценивать его полезность, организовывать работу команды и отвечать за результат после внедрения.
В подготовку руководителей входит их знакомство с инструментами и подходом вайбкодинга для решения рабочих задач. С помощью ИИ они готовят документы и презентации, автоматизируют работу с почтой, анализируют данные и создают небольшие приложения. Например, сотрудник описывает нужный функционал в окне вайбкодинга и получает работающий функционал. Такие инструменты сокращают путь от постановки задачи до готового решения и позволяют небольшим командам выполнять больший объем работы. Руководителю при этом важно понимать границы самостоятельной разработки. Для отдельных задач достаточно возможностей вайбкодинга, а для работы с корпоративными системами, интеграциями и сложными процессами требуется участие ИТ-команды. Это понимание помогает выбирать сценарии с учетом не только потенциального эффекта, но и ресурсов, которые потребуются для их реализации.
Как выбрать инструмент для конкретной задачи
Поиск задач для ИИ начинается с анализа процессов и показателей. Такой подход знаком компаниям, которые уже занимались классической автоматизацией (например, ERP): сначала нужно разобраться, что именно требуется изменить, и только потом выбирать технологию. Например, оформление отпуска или получение справки 2-НДФЛ в «1С» можно организовать с помощью программных роботов. ИИ в этом случае упрощает взаимодействие сотрудника с системой, потому что ему не приходится искать нужную функцию в меню «1С»: человек открывает окно промпта и описывает задачу обычным языком. ИИ распознает запрос и запускает нужный сценарий в существующей системе автоматизации через протокол взаимодействия ИИ и приложений – MCP. Нейросеть определяет, что нужно сделать, а исполнение процесса проходит в классическом ИТ-решении.
При выборе инструмента имеет значение и тип данных. Персональные и коммерческие сведения крупной компании нельзя без проверки передавать во внешний облачный сервис. Для такой работы рассматривают локальное развертывание модели, а для создания изображений на сайт или в брошюру, если запрос не содержит конфиденциальной информации, подходят и открытые нейросети.
Генеративный ИИ хорошо справляется с текстами, дизайном, обработкой больших объемов документов и созданием небольших приложений. Для учетных и производственных систем остается классическая автоматизация. Когда процесс состоит из четкой последовательности действий, программные роботы (RPA) также не стоит списывать со счетов, несмотря на расхожее мнение, что их вытеснит ИИ. Ряд задач RPA решает проще и дешевле ИИ. А связка RPA и MCP с ИИ может закрыть большинство задач автоматизации.
Перед запуском проекта руководитель оценивает затраты: стоимость самого инструмента, разработка, интеграция, тестирование и дальнейшее сопровождение. Затем он сопоставляет расходы с ожидаемым эффектом: сколько времени занимает процесс сейчас, какой объем работы удастся автоматизировать, сколько ресурсов высвободится и за какой срок окупятся вложения.
Успешный пилот еще не означает, что решение подойдет всей компании. Создать ИИ-агента для одного подразделения гораздо проще, чем запустить его в масштабах организации. При масштабировании компания настраивает права доступа, подключает источники данных и корпоративные системы, учитывает нагрузку и требования безопасности. Кроме того, решение, созданное для одной команды, не всегда подходит другим. В соседнем подразделении те же задачи могут решать по-другому, и агенту потребуются доработки. Если каждый департамент самостоятельно выбирает инструменты и запускает проекты, несколько команд рискуют разрабатывать решения для одной и той же задачи. Чтобы избежать дублирования, компании нужна общая дорожная карта ИИ-проектов, в которой фиксируют приоритеты, распределяют ресурсы, учитывают уже запущенные инициативы и определяют общие требования к технологиям. Такая карта помогает понять, какие разработки подходят другим подразделениям без изменений, а какие требуют адаптации.
Когда ИБ говорит «нет»: что учитывать до запуска ИИ
Одна из распространенных проблем при внедрении искусственного интеллекта связана с информационной безопасностью. Бизнес выбирает процесс, подбирает инструмент и начинает прорабатывать решение. На этапе согласования выясняется, что сервис работает в зарубежном облаке и предполагает передачу персональных данных. Компания приостанавливает проект, а подразделению приходится искать другой инструмент или пересматривать архитектуру решения. Время, потраченное на первоначальную проработку, частично теряется.
ИТ и ИБ лучше подключать еще на этапе обсуждения проекта. Руководитель заранее выясняет, с какими данными работает система, где она их обрабатывает, кто получает к ним доступ и какие интеграции потребуются. На этом же этапе команда обсуждает стоимость сопровождения и порядок проверки результатов.
Отдельного внимания требует контроль работы самой модели. Даже если на подготовленных материалах она показывает хорошие результаты, в реальных процессах возникают ошибки, поэтому необходимо заранее распределять ответственность: кто проверяет результат и отвечает за его корректность работы модели с течением времени эксплуатации.
Последнее слово остается за человеком. ИИ помогает готовить материалы, анализировать информацию и выполнять отдельные операции, но все, что направляется клиентам, партнерам и коллегам, проходит финальную проверку. В компаниях, активно использующих ИИ, правила такой работы закрепляются в должностных инструкциях и внутренних регламентах. Сотрудники понимают, какие задачи можно поручать нейросети, а какие результаты требуют обязательной проверки.
Таким образом, руководителю необходима не только базовая ИИ-грамотность, но и понимание рисков: он должен уметь определять границы применения технологии, организовывать проверку результатов и распределять ответственность между сотрудниками, ИТ и другими участниками проекта.
Обучение ИИ начинается с задач подразделения
Обучение работе с ИИ начинается с общей подготовки сотрудников. На уровне компании формируют ИИ-стратегию, руководители и команды знакомятся с доступными инструментами и правилами безопасной работы с ними. Дальше обучение переходит на уровень подразделений. HR, маркетинг, финансы, операционные и продуктовые команды разбирают собственные процессы и ищут задачи, в которых ИИ действительно пригодится. К этой работе при необходимости подключают консультантов.
Основу обучения составляют конкретные рабочие ситуации. Например, руководитель HR изучает возможности автоматизации кадрового документооборота, маркетинговый менеджер – подготовки контента и визуальных материалов, финансовый руководитель – обработки финансовых документов и аналитики. Сотрудники должны научиться связывать возможности ИИ с повседневными задачами подразделения, а не просто принять к сведению, что есть те или иные ИИ-инструменты.
Программа подготовки должна учитывать уровень руководителя. Топ-менеджменту важно развивать стратегическое мышление, понимать экономику ИИ-проектов и уметь определять приоритеты трансформации, руководителям функций – осваивать поиск прикладных сценариев, оценку процессов, постановку задач и контроль результатов, а линейным руководителям – понимать, как организовать работу сотрудников с ИИ-инструментами, проверять качество результатов и адаптировать повседневные процессы.
В целом управленческое обучение должно формировать несколько взаимосвязанных компетенций: ИИ-грамотность, процессное мышление, экономическую оценку, управление рисками и изменениями.
Полезно изучать и опыт других компаний. Разбор успешных проектов коллег по отрасли помогает понять, какие задачи они решили, какие инструменты использовали и что из этого опыта применимо в собственной компании. В программу обучения входят прежде всего те платформы, которые компания предоставляет сотрудникам. Знакомство с внешними сервисами не принесет практической пользы, если корпоративные правила запрещают их использование или информационная безопасность не согласовала работу с ними.
По итогам обучения у руководителя есть конкретная задача для дальнейшей работы: выбранный процесс, подходящий инструмент, оценка необходимых ресурсов и показатели, по которым можно проверить результат.
Как понять, что ИИ приносит бизнесу пользу
Количество запущенных пилотов и обученных сотрудников еще не означает, что компания получает экономический эффект от ИИ. Оценивать такие проекты стоит по тем же показателям, что и обычную автоматизацию: влиянию на EBITDA, ROI и сроку окупаемости. Важно учитывать, сколько компания экономит, насколько быстрее работают процессы и меняется ли степень удовлетворенности клиентов от взаимодействия с компанией, организованного при участии ИИ. В расчет берут не только прямую экономию, но и ускорение операций, высвобождение времени сотрудников. Получаемый эффект сравнивается с затратами на разработку, интеграцию и дальнейшую поддержку ИИ и считается NPV ИИ-инициативы.
Чтобы понять, что именно изменилось после внедрения, компании стоит заранее фиксировать показатели, а затем сравнивать их с полученными результатами. Это позволяет увидеть реальный вклад проекта, а не приписывать ИИ изменения, которые могли произойти по другим причинам. По итогам оценки становится понятно, какие проекты действительно оправдали вложения, а какие пока не стоит масштабировать на другие подразделения.
ИИ-трансформация требует от менеджмента перехода от роли наблюдателя и заказчика технологий к роли непосредственного участника изменений, когда каждый руководитель понимает, какие задачи его подразделения можно решить с помощью ИИ, как организовать внедрение и по каким показателям оценить результат. Так отдельные эксперименты превращаются в согласованную программу изменений, которая приносит измеримую пользу всему бизнесу.
Автор – Роман Инюшкин, преподаватель Академии АйТи (кластер FabricaONE.AI ГК Softline), директор по развитию цифровых проектов ГК Softline