Как руководителю внедрить ИИ в бизнес-процессы и «не сесть в лужу» перед своими сотрудниками

В статье разберем, почему одни кейсы внедрения ИИ реально меняют работу, а другие становятся поводом для мемов. Для руководителей, которые отвечают за делегирование бизнес-задач ИИ.

В корпоративный ИИ за два года вложили порядка $30-40 млрд. Однако на сегодняшний день мы видимо, что у 95% компаний нулевой измеримый эффект на P&L (MIT Media Lab NANDA, 2025). Более того, в 2025 году 42% компаний закрыли большинство своих ИИ-инициатив, хотя годом раньше таких было лишь 17%. Средние потери на закрытом проекте составили $7,2 млн (S&P Global, 2025).

Когда видишь эти цифры, то может показаться, что виноваты модели, что они «еще не дотягивают» до уровня серьезных задач, которые приходится решать бизнесу. Однако те, кто эти модели делает, говорят так: «Главное ограничение корпоративного ИИ — не модели, а организационная готовность и внедрение» (OpenAI Economic Blueprint, 2025).

То есть речь идет не о технологической дистанции, а, как это часто бывает при автоматизации, управленческих недоработках. Руководитель не знает, что именно он делегирует ИИ, для чего он это делает, и поэтому не может ни поддержать команду, ни вовремя ее остановить. А дальше возникают истории, наглядно показывающие, что бывает, когда задачи отдают машине, не подумав.

Air Canada, 2024. Чат-бот компании пообещал пассажиру несуществующую скидку на траурный тариф. Когда пассажир пришел за деньгами, авиакомпания заявила в суде, что чат-бот — это «отдельная сущность», и за его слова она не отвечает. Трибунал Британской Колумбии решил иначе и обязал Air Canada компенсировать клиенту убытки (McCarthy Tétrault, 2024). Прецедент случился существенный — впервые компания заплатила за слова своего бота, потому что никто заранее не определил, что именно чат-бот вправе обещать клиенту, а что — нет.

Klarna, 2024–2025. Шведский финтех в 2024 году публично заявил, что заменил 700 человек поддержки одним ИИ-ассистентом. А потом в мае 2025 года они забрали свое решение обратно и снова открыли найм живых сотрудников. CEO признал в интервью Bloomberg, что стоимость стала доминирующим критерием. «Чат-боты дешевле, но в некоторых работах они просто не так хороши, как люди», — отметил он. (Fortune, 2025). А случилось это потому, что никто заранее не разделил, какие задачи поддержки человеческие по природе и должны оставаться за людьми, а какие можно делегировать на «автоаутсорс». Заменим человека машиной? Где-то мы это уже слышали...

iTutorGroup и EEOC, США, 2023. ИИ-систему найма настроили автоматически отклонять резюме женщин старше 55 и мужчин старше 60. Когда это стало достоянием широкой общественности, грянул скандал и случилось первое в истории США урегулирование дела о дискриминации при найме с участием ИИ. Штраф компании составил $365 000, но еще важнее то, что пострадало более 200 кандидатов (EEOC, 2023). Никто заранее не задал вопросы, обратима ли ошибка и кто проверит результат до того, как он уйдет человеку.

Мы рассмотрели три разные индустрии и увидели три разных провала, у которых один общий корень «зла», причем, весьма элементарный. До запуска инструментов, которые, в целом, могли бы быть полезными, не ответили на три простых вопроса: 1) что именно мы отдаем ИИ; 2) как мы узнаем, что он сделал правильно; 3) на каком уровне автономии мы этот ИИ запускаем.

К этим трем вопросам вернемся через раздел. Давайте сначала обсудим рычаг, про который забывает общество в порыве этого всего ИИ-хайпа.

В апреле 2026 года Gallup — американская международная исследовательская и консалтинговая компания, созданная американским ученым-социологом Джорджем Гэллапом — опубликовала ежегодный отчет, носящий название «State of the Global Workplace», в котором исследуются уровни вовлеченности, благополучия, стресса и удовлетворенности жизнью сотрудников по всему миру. Впервые в него включили специальный раздел, посвященный использованию искусственного интеллекта. Главный вопрос, на который компания попыталась найти ответ, заключался в том, что именно отличает компании, где сотрудники говорят «ИИ изменил мою работу к лучшему», от компаний, где этого не происходит?

Ответ оказался неожиданным. Ни модель, ни размер бюджета, ни зрелость данных не стали ключевыми компонентами. Главным предиктором оказалось то, поддерживает ли непосредственный руководитель использование ИИ своей командой.

Оказалось, что когда руководитель активно поддерживает использование ИИ, сотрудник в 8,7 раз чаще согласен, что ИИ изменил его работу, а также в 7,4 раза чаще согласен, что ИИ помогает ему делать лучшую работу. При этом только менее 1/3 работников США говорят, что их непосредственный руководитель эту поддержку оказывает. В Германии таких руководителей вообще 21% (Gallup, 2026).

Параллельно в отчете Gallup зафиксировали еще одну цифру — вовлеченность самих менеджеров упала на 9 пунктов с 2022 года. То есть получается, что тот человек, на котором по сути держится внедрение новой технологии в работу, сейчас сам активно выгорает.

Слово «поддержка», которое появилось в отчете, звучит довольно мягко, как будто речь о таком дружеском хлопке по плечу или мотивирующем письме раз в неделю: мол, давай, дружок, пользуйся, я разрешаю. Но если посмотреть, что именно делают руководители из той трети, которая «поддерживает», то вдруг мы увидим, они умеют за примерно пол часа времени разобрать весь процесс по полочкам и точно сказать, что в нем ИИ должен делать, что не должен, как мы это проверим и на каком уровне автономии стартуем. То есть «поддерживать» с точки зрения аналитиков Gallup — значит, иметь некую рамку. Большинство руководителей ее не имеют не потому, что они плохие управленцы, а потому, что никто их этому не учил. И продавцы ИИ-платформ продают модели и агентов, а не управленческие навыки.

Представьте такого идеального руководителя нового времени, который за 30 минут разбивает любой рабочий процесс на блоки. Во-первых, он точно знает, какие из них можно отдать ИИ, а какие нет и почему. Во-вторых, до первого промпта у него есть критерии проверки результата. В-третьих, он понимает, будет этот ИИ работать автономно или в режиме ассистента, а также осознает, при появлении каких триггеров автономию можно повысить или, наоборот, взять бразды правления задачей полностью в свои руки. В четвертых, он за десять минут способен аргументированно объяснить совету директоров, почему именно этот блок задач отдан ИИ, а другой остается за человеком.

Вот это все и есть та самая поддержка, о которой говорится в отчете Gallup. Это та структура, которую руководитель приносит в команду.

А теперь — та самая рамка из трех вопросов, закрывающая большинство решений о делегировании.

В 2025 году Школа менеджмента Слоуна Массачусетского технологического института (MIT Sloan) опубликовала шкалу EPOCH (Loaiza & Rigobon, 2025), по которой оцениваются пять способностей, отличающих человека от машинной модели:

Шкала довольно простая – исполнение каждой задачи оценивается от 1 до 5 баллов по каждой способности. Дальше берется максимальное значение любой из пяти метрик. Достаточно оценки любой одной способности на уровне 4-5, чтобы задачу нельзя было автоматизировать полностью.

Приведу несколько примеров. Допустим, написать черновик клиентского письма по шаблону — максимум 2 балла по каждой способности. Смело делегируем. А вот решение, сокращать ли сотрудника, точно будет оценено по одной из способностей на 5. Нельзя автоматизировать.

Или составление плана маркетинговой кампании — что-то одно потянет на 3 балла, поэтому смешанная зона, нужен человек в петле.

Сначала критерий проверки, а только потом задача. Не наоборот.

Если на вопрос «как именно я проверю результат» у вас нет четкого ответа, то задачу отдавать рано. И не важно, что модель сильная, а промпт длинный.

Вот пример критерия, допустим, для отчета правлению: «По каждому показателю — источник данных и объяснение отклонения более 5%». Всего шесть слов, но их должно хватить, чтобы отличить рабочий результат от галлюцинации.

Если вы формулируете критерии проверки значительно больше времени, чем предположительно займет сама задача, то это сигнал, что задача в неправильной зоне. Либо она слишком сложна для текущего уровня автономии (допустим, вы решили, что после формулировки требований и промпта хотите полностью готовый результат), либо ее вообще не нужно отдавать ИИ.

Эксперты выделяют четыре уровня:

Правило здесь одно — по каждой задаче необходимо стартовать с минимального уровня автономности. Поднимаем уровень только по триггерам. Например, «90 проверок подряд без замечаний → переход на следующий уровень». Без триггеров уровень не растет сам — рост происходит по решению руководителя.

А теперь я бы хотел продемонстрировать применение этих вопросов в типичном процессе, чтобы было понятно, как методология ложится на знакомую задачу.

Допустим, процесс «подготовить ежемесячный отчет правлению» состоит из шести блоков. Обычно его делают целиком вручную или целиком пытаются отдать ИИ. И то, и другое — ошибка.

Думаю, отсюда хорошо видно, что не бывает простого «отдадим весь процесс ИИ», но и «оставим все людям» тоже в новых реалиях уже непродуктивно. В одном процессе одновременно есть и зеленые, и красные зоны. Сбор данных спокойно отдается под мониторинг. А вот тезисы для ответов на вопросы никогда не делегируются автономно, поскольку одна неверная формулировка перед советом стоит карьеры. Казалось бы, довольно простые выводы, но они далеко не так очевидны.

Стоит потратить всего тридцать минут на такую «разметку», и решение «что отдавать» перестает быть «по ощущениям».

JPMorgan Chase, система COIN (даже не LLM). Взяли один процесс — анализ коммерческих кредитных соглашений. Задали критерий, проставили уровень автономии. Результат: 360 000 юридических часов в год → секунды (Bloomberg, февраль 2017).

GitHub Copilot, контролируемый эксперимент 2023 года. Вспомогательный инструмент с четкой границей применения — только написание кода. Результат: разработчики выполняли задачу на 55,8% быстрее, p=0,0017 (GitHub Research, 2023).

Microsoft 365 Copilot, 11 недель наблюдений. 11 минут экономии в день у активного пользователя складываются в целую рабочую неделю в год. 79% пользователей сообщают о снижении когнитивной нагрузки (Microsoft, 2025).

Duolingo. За год после перехода на GenAI-производство контента появилось 148 новых языковых курсов. Первые 100 курсов компания делала 12 лет (Duolingo, 2024). Один производственный блок, четкие критерии качества, конкретный уровень автономии.

Нужно уточнить, что никто в этих компаниях не «внедрял ИИ». Они отдали ИИ конкретный блок конкретного процесса с конкретным критерием результата и уровнем автономии. И поддержали это решение управленчески.

Я предлагаю вам попробовать методику самим. Возьмите один процесс, который вы планируете отдать ИИ. и ответьте на пять вопросов:

Если хотя бы на один из пяти вопросов ответа нет — не запускайте процесс в ИИ. Сначала ответ, потом запуск.

А еще я хочу задать вопрос вам: какой свой процесс вы бы разобрали первым? Напишите в комментариях. Самые частые возьму и разберу публично в следующем материале — со скриншотами разбора и без нативки.

Владимир Лунёв — независимый эксперт, автор методологии делегирования задач ИИ. Более 15 лет в управлении: ex-директор по развитию МСБ Kaiten, Bank CenterCredit, ex-СДЭК, ex-Яндекс. Telegram-канал «Управление здорового человека».