Сжигаем токены, создаём инфраструктуру и меняем процессы

AI-трансформация компании на примере Авито

Привет, меня зовут Илья Грубер, я руководитель продукта кластера Логистики в Авито. В статье расскажу, почему массовое использование AI ещё не означает бизнес-результат, что должно измениться, чтобы AI начал влиять на работу компании, и почему у вас это может не сработать.

Читайте текст, если хотите лучше разобраться, как отличить AI-трансформацию от простого использования нейросетей.

Контекст: что происходит на рынке

Стрим 1: сжигаем токены и растим использование AI-инструментов

Офтоп: почему успешные AI-кейсы ещё не признак системного эффекта

Стрим 2: создаём инфраструктуру, чтобы ускорить внедрение и усилить его после масштабирования

Стрим 3: пересобираемся организационно

Короткий итог и способ проверить, вы уже AI-driven или пока нет

Первое и ключевое изменение в том, что с появлением AI-инструментов стала растёт глубина погружения человека в смежные области. В классической T-shape модели у специалиста есть глубокая экспертиза в своей области и поверхностное понимание соседних. AI позволяет глубже заходить сразу в несколько смежных областей.

Например, продакт по-прежнему глубоко разбирается в продукте, но может самостоятельно решать часть задач в аналитике, дизайне или разработке.

Компании, у которых и Discovery, и Delivery находятся на высоком уровне, — единичные примеры. Они изначально строились как AI-driven.

Наша команда проанализировала глубину внедрения AI в крупных компаниях и выделила три уровня:

👉 High: высокий уровень ускорения Delivery и низкий Discovery.

👉 Medium: высокий Delivery и средний Discovery.

👉 Low: средний Delivery и низкий Discovery. К этой группе мы отнесли и себя.

Если вы отстаёте, это нормально: большинство компаний преуспели только в Delivery. А в Discovery в целом вопрос остаётся открытым.

Нет идеального чек-листа, который позволит вам перейти на более высокий уровень AI-зрелости. Все компании экспериментируют, и если у вас сейчас что-то не получается, это норма рынка.

Мы задались вопросом: что нужно сделать, чтобы перейти на высокий уровень ускорения Discovery. Решение — не просто дать доступы к AI-инструментам всем сотрудникам, а внедрить подход на уровне всей компании.

В апреле мы публично заявили, что Авито — AI-First компания, и стали транслировать четыре принципа:

1. Используй AI каждый день. Самый простой способ начать — регулярно применять его в реальных рабочих задачах.

2. Найми AI на работу. Когда появляется новая задача, мы сначала думаем, можно ли решить её с помощью AI, а уже потом запрашиваем дополнительные ресурсы или ставим задачу команде.

3. Делись практиками с коллегами. Например, когда команда приходит ко мне защищать инициативу, я спрашиваю, прогнали ли её через AI. Если нет, вместо того, чтобы по старинке начинать читать, беру свои скиллы, показываю, как использую и демонстрирую результат через шеринг экрана.

В следующий раз перед встречей со мной продакты прогоняют документы сами, плюс отрабатывают первичные вопросы от моих скиллов и скиллов Авито. Как следствие — мне приносят более качественные документы и решения принимаются быстрее и эффективнее, а AI проникает в будни продакта.

4. Достигай сверхрезультатов с AI. Скорее всего, этого получится добиться именно с AI-инструментами, так как они могут делать нас эффективнее.

Через время после объявления принципов AI-инструментами стали пользоваться примерно 10% сотрудников, хотя нашей целью было 80%. Число пользователей росло медленнее, чем хотелось бы. Так что мы решили: для массового внедрения недостаточно рассказать людям о новой технологии — нужны те, кто поможет пройти первые барьеры.

Так появились AI-чемпионы — сотрудники, которые сами настроили инструменты, попробовали их в работе и могут помочь коллегам сделать то же самое.

С одной стороны AI-чемпионы стали создавать скиллы, а с другой, снизили порог входа для остальных. Если у сотрудника что-то не получается, он может обратиться к чемпиону и быстрее разобраться, что нужно настроить или изменить.

Дальше мы поняли, что нам будут нужны 2 типа сотрудников:

💁 Активный пользователь, который регулярно применяет AI и ускоряет с его помощью отдельные задачи.

💁 Pro user, который не только использует готовые инструменты, но и создаёт новые — например, скиллы и агентов.

Для себя мы сформулировали две основные ценности AI.

Ускорение: возможность выполнять задачи быстрее.

Универсальность: возможность самостоятельно решать больше задач из соседних областей и реже передавать работу между функциями.

В итоге мы вырастили adoption и, кажется, научились внедрять и применять AI. Но достигнув этой цели, заметили следующую проблему: внедрение AI в компанию ≠ получение эффекта от его использования.

И это не только наша проблема, она заметна на рынке в целом: хотя AI применяют 88% сотрудников, только около 39% видят эффект, а всего 6% говорят, что AI действительно изменил или заметно ускорил работу.

У нас здесь такой подход: идём кейс за кейсом и закрываем реальные рабочие проблемы. Примеры из практики покажу дальше, а пока отступление.

У нас уже есть много задач, которые AI помогает решать быстрее. Например ↓

Ускоряет обработку багов. Представим стандартную для многих продуктов ситуацию. Стейкхолдер пишет в общий чат: «Я нашёл баг, посмотрите, что там можно поправить».

Раньше продакт шёл к аналитику. Аналитик говорил, что текущий спринт занят и на исследование понадобится время. Затем с результатами шли к разработчику, которому тоже требовалось время на анализ и исправление.

В итоге значительная часть времени уходила даже не на сам баг, а на передачу контекста между участниками.

🤖 Сейчас процесс выглядит иначе:

Первоначальную диагностику и гипотезу можно собрать примерно за 15 минут, а путь до решения занимает одну-две недели.

Находит ошибки в коде. На Авито можно оплачивать товары в рассрочку и забирать их самовывозом. Мы запустили AI для проверки кода и обнаружили лишний if, который появился три года назад. Из-за него при определённых условиях самовывоз становился недоступен.

Команда долго не знала об этой ошибке, а AI нашёл её за несколько часов, и мы исправили проблему.

Вылавливает проблемы в пользовательском пути. В другом случае мы анализировали путь пользователя и столкнулись с проблемой, которую не могли бы воспроизвести вручную.

На одном из экранов сервер перегружался и переставал отвечать, из-за чего пользователь не мог завершить задачу. AI прошёл по связанным сервисам, обнаружил ограничение по скорости ответа и указал на причину.

Работает как second brain для менеджера. AI помогает и там, где проблема связана не с кодом, а с контекстом. У менеджеров информация часто хранится во множестве мест одновременно: в голове, чатах, документах.

AI помогает выгрузить этот контекст в инфраструктуру и дать агенту возможность собирать его по запросу.

На конкретных кейсах мы увидели пользу, но дальше нужно системно масштабировать решения, и для этого нужна инфраструктура.

Сначала нужно понять, какие задачи вообще подходят для AI. Мы выделяем три основных признака.

👉 Задача повторяется или отнимает много времени: например, протоколы встреч, еженедельные отчёты или перевод документов.

👉 Для неё нужна экспертиза из соседнего домена: к примеру, нужно разобраться в документации или коде смежной команды.

👉 Нужно проанализировать сложные взаимосвязи: например, найти противоречия в договоре или сопоставить формальные правила с реальной практикой.

По нашему опыту, сейчас AI особенно хорошо помогает на стыках, например, между командами, стейкхолдерами, исполнителями.

Но найти хороший кейс недостаточно. Следующая задача — сделать рабочие решения доступными всей компании. Для этого и нужна инфраструктура.

У нас давно существует процесс гейтов, поэтому команды много документировали свои решения и защищали их в текстовом виде. Это помогло быстро собрать базу знаний, на которую теперь может опираться AI.

В создании инфраструктуры есть важное ограничение: AI масштабирует то, что уже существует в компании.

Если все процессы описаны, документация актуальна — он помогает быстрее выполнять работу. Если процессы хаотичны, а документация неактуальна, AI будет воспроизводить и распространять те же ошибки.

Параллельно с созданием инфраструктуры наши AI-чемпионы собирали внутренний UI-инструмент. Сейчас сотрудник может зайти в него, подключить нужный MCP или готовый навык и использовать в рабочей задаче прямо из коробки.

Так решение, которое сначала работало только в одной команде, можно распространить на всех сотрудников. Хороший пример — исследования.

Раньше количественное исследование могло занимать около полутора месяцев: нужно было подготовить бриф, подключить агентство, провести сбор и анализ данных. Сейчас часть подобных задач можно ускорить. Например, агент может за несколько часов проанализировать десятки тысяч чатов, выделить задачи пользователей и собрать материал для дальнейшего исследования.

При этом исследователь по-прежнему нужен: часть операций можно автоматизировать, но результаты нужно интерпретировать и проверять.

Мало внедрить инструменты: нужно менять и правила работы вокруг них. Например, если не пересматривать процессы вокруг AI, есть риск не ускорить процесс, а поместить узкое место из одного этапа в другой. Вот как это может выглядеть.

Поэтому параллельно с внедрением AI и созданием инфраструктуры мы пересматриваем процессы, сроки, зоны ответственности и критерии готовности.

AI становится частью этих критериев: мы проверяем, что пришло на вход и что получили на выходе. При этом каждый отвечает за свою часть результата: аналитик валидирует показатели, инженер — код и техническое решение, продакт — логику продукта и опыт пользователя.

Подобных примеров, когда запускают точечные изменения или ограниченную функциональность, достаточно много не только у нас, но и на рынке в целом. Проблема в том, что это не всегда можно масштабировать.

Мы задались вопросом, в каком случае мы можем скейлить, так как AI масштабирует не только успех, но и неэффективность.

И чтобы ответить себе, пошли в эксперимент: выбрали девять команд, 21 продукт и в течение месяца проверяли разные способы ускорения.

Весь цикл занимает примерно четыре недели: сначала ищем узкие места, которые потенциально можно ускорить с помощью AI, в Discovery и Delivery.

Следующие две-три недели тестируем решение: используем AI в реальном процессе, смотрим на результат и проверяем ограничения.

На четвёртой неделе принимаем решение: либо дорабатываем скилл, упаковываем его и масштабируем, либо останавливаем эксперимент.

Из двадцати одного продукта в масштаб в итоге пошли только два.

На рынке не сформировалось единого пути, который поможет успешно внедрить AI в процессы и гарантировано получать инкремент. Я рассказал про наш подход, который уже даёт результат, но это не значит, что он же сработает и у вас.

Экспериментируйте, оценивайте результаты и ищите свой путь!