Как внедрить ИИ в корпоративное обучение: 3 варианта под разные задачи
В этой статье мы разберём три практических способа интеграции ИИ в корпоративный e-learning. Главное преимущество этих подходов — они не требуют:
- замены или доработки текущей LMS,
- отказа от привычных конструкторов курсов,
- изменений в составе e-learning-команды.
Вы сможете внедрить ИИ-решения, используя уже имеющиеся инструменты и бизнес-процессы.
О том, зачем внедрять ИИ в корпоративное обучение и какие возможности это открывает, я писал в этой статье.
Начнём с самого бюджетного и простого решения, но и с самым большим количеством «НО».
Вариант №1. Конструкторы чат-ботов с ИИ
Конструктор чат-ботов с ИИ — это инструмент, который позволяет создавать умных ботов (чаще всего в Telegram) без программирования или с минимальным кодом (no-code/low-code).
Такие конструкторы по своей идее очень похожи на конструкторы сайтов или курсов. Перетягиваете/создаёте блоки, заполняете карточки, выстраиваете взаимодействия — и получается готовый продукт.
Плюсы:
- Не нужны навыки программирования
Для простых решений (например, как этот бот, который проверяет, поставлена ли задача по SMART, и даёт обратную связь) знания в программировании не требуются вообще. Для более сложных задач достаточно базового понимания.
- Быстрое обучение
Конструкторы, как правило, очень простые и понятные. Для разработки первого продукта достаточно посмотреть 20-минутный обучающий ролик. - Быстрая разработка
На разработку простых решений уходит минимальное количество времени. Бот по SMART был разработан за 4 минуты, и ещё 6 минут заняла его интеграция в Telegram и генерация аватарки. - Не нужна инфраструктура
Покупка/аренда и обслуживание серверов — не ваша забота. Вы получаете готовое решение. Нажимаете кнопку «Опубликовать» — и ваш бот работает. - Цена
Компаний, которые предоставляют подобные услуги, очень много. По цене можно найти приемлемые варианты (некоторые компании, чтобы победить в конкурентной борьбе, выставляют цену даже ниже себестоимости). Плюс есть бесплатные тарифы. Чаще всего их хватит только для знакомства с сервисом и обучения, но если задача совсем небольшая — можно уместиться и в тестовый тариф.
И опять же — не нужно закупать и обслуживать оборудование.
Подробнее о цене:
Цена складывается из 2 факторов:
- Ежемесячная плата за использование сервиса
Чаще всего она либо небольшая, либо вообще не взимается. - Оплата токенов
Токен — условная единица измерения текста. 1 токен = 2–3 буквы, отправленные/полученные от ИИ. Чем больше текста отправляем и получаем от ИИ — тем больше платим. Цена токенов зависит от модели (чем «умнее» модель — тем дороже).
Для понимания: «вилка» за запрос получается огромной. Если утрировать — мы можем отправить в «глупую» модель 1 слово, а можем в «очень умную» отправить целую книгу. Разница в оплате будет соответствующей: в первом случае — 0,02 копейки (не 2 копейки, а 0,02!), во втором — цена будет измеряться тысячами рублей.
Но мы же не собираемся отправлять в ИИ ответ размером с «Войну и мир»? Думаю, нет. Если рассматривать реальные рабочие задачи — средняя цена за запрос будет около 1 рубля. Весьма недорого.
- Решение сложных задач «из коробки» (дополнительные модули)
Хотите, чтобы с ботом можно было разговаривать голосом (или чтобы он вам отвечал голосом)? Или чтобы он умел читать таблицы Excel или PDF-файлы, генерировал картинки, понимал, что изображено на фотографиях, которые вы ему отправляете, искал ответы в интернете или в базах данных? Подобные, весьма сложные технически, решения подключаются в 1 клик.Естественно, такой функционал есть не в каждом конструкторе, но подобных решений немало. - Большой выбор моделей ИИ
Сейчас есть сотни языковых моделей, которые различаются между собой. Одна модель работает быстрее, другая стоит дешевле, третья лучше пишет код, четвёртая меньше «врёт», пятая очень умная, но дорогая, и т. д. Вы можете выбрать для каждой задачи оптимальный вариант.
Минусы:
- Передаём данные третьим лицам
Самый основной минус, который, весьма вероятно, может стать для вас стоп-фактором в использовании такого решения.Всё, что сотрудники пишут в бота, все дополнительные инструкции, которые мы боту даём, — вся эта информация будет храниться на сервере ресурса, в котором мы собираем бота, и на сервере языковой модели, которую бот использует. То есть совершенно никакую чувствительную для бизнеса информацию «обсуждать» с ИИ будет нельзя.Разберём на примере бота по SMART:Когда вы пишете что-то боту (ставите задачу по SMART), ваше сообщение отправляется на сервер конструктора (я использовал конструктор coze.com), с сервера конструктора ваше сообщение отправляется в языковую модель (я использовал GPT-4o). Языковой моделью ваше сообщение обрабатывается, и по такому же пути отправляется обратно. - Сложности со сбором данных
Скорее всего, мы хотим не просто дать ссылку сотрудникам на бота, а как-то контролировать его прохождение, анализировать данные и т. д. В этом есть 2 сложности:
1. Техническая
Если мы хотим автоматизировать процесс (а мы явно хотим) и связать его с нашими внутренними системами (сотрудник устроился на работу/поменял должность — ему назначился бот, прошёл бота — у нас во внутренней системе появилась «галочка»), нам потребуется помощь IT и согласование с Информационной Безопасностью. ИБ пункт №1 очень (очень-очень) не понравится — тут мы их совсем «добьём».Так что, скорее всего, работать со статистикой придётся в полуручном режиме (скачивать Excel-файлы, форматировать, загружать в разные системы и т. д.).
2. ФЗ-152 «О персональных данных»
Если компания, предоставляющая услуги, находится не на территории России — нужно разрабатывать систему, при которой персональные данные будут храниться где-то в России (например, на сервере компании). Тут вам нужны не только IT, но ещё и юрист.Все эти проблемы решаемы, но требуют дополнительных ресурсов (особенно если рассматривать не отечественные решения). - Лишнее окно входа
Сотрудники привыкли получать знания в одном месте (в LMS). Здесь мы будем плодить сущности. Курсы у нас в LMS, а какие-то боты — в Telegram, например. - Ограничения в применении
Чаще всего конструкторы рассчитаны на экспорт ботов в какие-то определённые ресурсы (например, в Telegram). Добавить такого бота в курс (прочитал лендинг про SMART, а в конце — упражнение с ИИ) не всегда возможно, а реализовать механику «пока не прошёл упражнение — к следующему модулю перейти нельзя» — ещё сложнее. - Отсутствие возможности «забрать» своего бота
Решили поменять конструктор ботов? В новом конструкторе придётся всех ботов делать заново. Забрать бота из одного конструктора и вставить в другой не получится. - Сложно планировать бюджет
Мы точно не знаем, с какой попытки в среднем сотрудники будут завершать наше упражнение и какой будет средний размер ответа. Если мы рассматриваем простую активность (например, упражнение по SMART), мы можем планировать бюджет примерно. Если активность более сложная (например, нелинейный диалоговый тренажёр) — тут без теста итогового продукта на реальных сотрудниках что-то планировать вообще невозможно (конечно, всегда можно «подогнать» продукт под бюджет, если вы согласны на компромиссы).
Итог:
Если вы работаете в крупной компании — это хороший вариант, чтобы потренироваться «на кошках», попробовать, что такое ИИ, как его можно использовать, как сотрудники воспринимают такие решения, набить шишек и понять, как такой функционал можно применять для решения ваших рабочих задач.
Если вы работаете не в очень крупной компании или разрабатываете собственные учебные продукты (сами делаете курсы и их продаёте) — решение будет для вас оптимальным (конечно, нельзя забывать про ФЗ) и, скорее всего, единственно возможным.
Вариант №2. Свой сервер с API OpenAI/Яндекс/GigaChat/чем-то другим
Если вы раньше не сталкивались с этими понятиями, текст может показаться сложным/непонятным. Но всё намного проще, чем кажется. Сейчас объясню:
API (Application Programming Interface) — это как «посредник» между разными программами, который позволяет им обмениваться данными и командами.
Например, когда вы видите на сайте или в приложении прогноз погоды, это технически работает следующим образом:
- Сайт отправляет сообщение в метеослужбу с вопросом: «Какая погода будет завтра в Москве?»
- Метеослужба отвечает: «+23, солнечно»
- Сайт показывает вам эту информацию.
Вот этот обмен сообщениями между сайтом и метеослужбой и есть API (корректнее сказать — работает через API).
Мы делаем свой очень бюджетный сервер (ну не прямо мы, HR, а IT нашей компании), который будет пересылать наши запросы из курсов в OpenAI/Яндекс/GigaChat и обратно. То есть в случае с конструкторами ботов наше сообщение со смартфона отправлялось на сервер конструктора, с него — в языковую модель, а тут сообщение будет отправляться на наш сервер, а с него — в языковую модель.
Плюсы:
- Мы сможем реализовать любые проекты
Нет вообще никаких технических ограничений. Хотим, чтобы вопросы по SMART были в самом курсе — пожалуйста. Хотим не разрешать переходить к следующим блокам, пока сотрудники правильно не выполнят упражнение — без проблем. Хотим добавить ИИ-функционал в бота в Telegram — запросто. - Простой запуск (конечно, сложнее, чем с конструкторами)
Если все согласования получены — работы буквально на несколько дней*.
*Если использовать оборудование только внутри контура — сервер можно собрать вообще «на коленке». Для использования вне контура сроки разработки будут выше, но не принципиально. - Цена
Такой вариант, в перспективе, будет стоить дешевле конструкторов. Конструкторы покупают услуги языковых моделей и перепродают вам. Здесь вы покупаете услуги напрямую. - Нет проблем со сбором статистики, интеграцией с другими системами и соблюдением ФЗ
Всё находится внутри контура — это уменьшает сложности. - Большой выбор моделей ИИ
Пункт аналогичен конструкторам. Какая модель подходит — ту и используем. - Сервер стоит недорого
Задача у машины максимально простая: получать и перенаправлять сообщения. С этим справится любая техника. - Не нужно планировать нагрузку на сервер (ну, практически)
Вычислительные мощности требуются незначительные — можно брать оборудование с большим запасом и не думать о нагрузках (качественный расчёт будет стоить дороже, чем само оборудование).
Минусы:
- Передаём данные третьим лицам
Как и в случае с Telegram-ботом в конструкторе, мы передаём данные третьим лицам. Но этих третьих лиц меньше. - Потребуются базовые знания программирования для сборщиков курсов
В конструкторах используется no-code/low-code, здесь придётся писать код.
Если в вашей e-learning-команде нет необходимых компетенций — не большая проблема.
Во-первых, ИИ уже весьма неплохо пишет код (по этой теме у меня есть пост в Telegram-канале). Простые задачи ИИ решает без проблем.
Во-вторых, серьёзных знаний и не нужно.
Разберём на примере упражнения по SMART:
Вот результат (без дизайна):
Это упражнение можно вставить в любой конструктор курсов с возможностью добавления web-объектов (а это большая часть конструкторов курсов).
Вот пример кода для подобного упражнения (это именно пример):
Может показаться сложным. Но что нам нужно изменить в этом коде, чтобы у нас получилось упражнение не по SMART, а, например, которое будет оценивать качество презентации товара или отработки возражений… или любой другой проверки ответа на открытый вопрос?
Всё, что закрыто зелёным, — менять не нужно. По факту мы меняем русский текст (задание и промпт с инструкцией для ИИ по оценке ответа на вопрос) — и у нас получается другое упражнение.В ТЗ на запуск сервера для IT-команды без проблем можно дописать и пункт про разработку шаблона подобного упражнения (сами видите, тут не так уж много работы).
- Сложно планировать бюджет
Аналогично, как и с конструкторами, пока не запустим продукт на тестовую группу, бюджет спланировать непросто.
Итог:
Более сложный и более универсальный вариант, который лучше подходит для задач крупного бизнеса, если он готов на компромиссы по ИБ.
Вариант №3. Собственный сервер с ИИ
Вариант очень похож на прошлый, с той разницей, что вместо слабенького сервера, который передаёт наши запросы в чужую языковую модель, мы ставим мощный сервер, устанавливаем на него свою ИИ-модель, и теперь наш сервер обрабатывает запросы внутри контура.
ИИ — по факту просто программа, такая же, как Excel или Word. Скачали, нажали «Установить», немного подождали — и всё работает. Моделей ИИ, которые мы можем бесплатно установить на своё оборудование, достаточно.
Плюсы:
В отличие от прошлого варианта у нас:
- Нет проблем с ИБ
Всё внутри контура, никакая информация не «уходит» из компании. - Экономия на API сторонних компаний (пункт с огромной звёздочкой)
ИИ у нас внутри контура на нашем оборудовании, статьи расходов на оплату API у нас не будет вообще.
Минусы:
- Очень дорогое оборудованиеСервер нужен очень мощный, который будет быстро обрабатывать запросы, чтобы сотруднику не приходилось ждать обратную связь на своё упражнение по несколько минут.Для понимания цены: примерно вот такие видеокарты устанавливают в серверное оборудование для ИИ:
Это только видеокарта, а не весь сервер. И, естественно, если у вас большая компания и вы будете активно использовать ИИ-инструменты — одной такой видеокарты будет недостаточно (на начальном этапе, скорее всего, хватит, но дальше точно нужно будет масштабировать).
- Нужно правильно планировать нагрузку на оборудование
Иными словами, не допускать ситуаций, когда все сотрудники компании разом пошли проходить курсы. Как часто такое бывает? Всегда. Выставили срок до 20-го числа пройти обучение — больше половины сотрудников будут проходить его 20-го… после обеда (как получат «мотивацию» от руководителя, что не прошли курс). - Нужно продумать бизнес-процессы, как не допускать таких ситуаций: не назначать курс сразу на большой пул сотрудников, а делить их на группы, согласовывать запуски всех продуктов с ИИ, чтобы не было накладок, и т. д.
Плюс мы понимаем, что желающих проходить курсы ночью или рано утром у нас практически не будет. Люди проходят обучение ближе к обеду. То есть у нас будут дни и часы пиковой нагрузки, а всё остальное время оборудование будет просто стоять без дела (а это тоже проблема). - Не стоит ожидать быстрого возврата инвестиций
Представим ситуацию: у вас сейчас есть условные 1000 курсов в LMS. Вы запускаете сервер с ИИ. Через месяц у вас 1000 курсов без ИИ и 1 курс с ИИ.То есть нагрузка на сервер получается очень низкой. 99% времени он стоит у нас без дела. А деньги за него отданы немалые. - Не самые «умные» модели
Модели, которые мы можем использовать на своём оборудовании, на шаг отстают от топовых платных моделей, доступных по API. Это несущественный минус, так как 99% e-learning-задач такие модели закроют без проблем. - Не получится «жонглировать» десятками моделей
Мы можем установить 1 модель, можем 2… ну или 5. Но такого выбора, как по API, у нас, конечно, не будет. Тоже несущественный минус, так как задачи у нас простые, и, скорее всего, нам будет достаточно одного-двух вариантов.
Итог:
- Уверен, что любой крупный бизнес рано или поздно придёт к подобному решению в e-learning. Вопрос скорее не «делать или не делать», а «когда делать и как реализовать инициативу наиболее эффективно».
- Запускать такой продукт только под цели e-learning, скорее, нерационально. По крайней мере, в перспективе нескольких лет, пока вы не разработаете большой объём контента с интегрированным ИИ.
Если объединить потребности нескольких направлений в использовании ИИ внутри контура — можно сделать запуск намного эффективнее. На старте будет больше продуктов, и оборудование меньше времени будет «ждать своего часа». Плюс не всем нужно просчитывать данные в реальном времени. Например, нужна аналитика больших данных — и отчёт может подождать пару дней. Такие вычисления вполне могут проходить по ночам, когда в режиме реального времени никто не использует ресурс.
Но общее дорогостоящее оборудование на несколько направлений — это конфликт интересов и бюрократический ад.
Вывод:
Нас никто не заставляет выбрать какой-то один вариант. У каждого есть свои плюсы и минусы, и мы можем использовать разные подходы для разных задач.
- Хотим сделать «помощника» для очной программы обучения — делаем бота в конструкторе. Быстро, дёшево, и вносить корректировки может держатель продукта.
- Нужно запустить объёмный, сложный продукт и обучить сразу очень много сотрудников — используем API. Можем работать с более «умными» моделями и не планировать нагрузку на сервер. Нужно обучить за неделю несколько тысяч сотрудников? Без проблем. Хотят все пройти в один день? Это проблемы OpenAI. У них целый ангар видеокарт — всё будет работать как часы.
- В курсе есть чувствительная информация — запускаем на своём оборудовании.
Внедрение ИИ в обучение — не разовая акция, а постепенный процесс. Начните с малого.
Кстати, я веду свой канал в Телеграм про разработку курсов. Рассказываю о своем опыте и простых решениях сложных задач, в том числе про использование ИИ в e-learning. Присоединяйтесь.