Компания купила сотрудникам ChatGPT. Через месяц все снова сидели в Excel

Представим вполне обычную ситуацию.

Руководство собирает сотрудников и говорит:

— Коллеги, искусственный интеллект уже меняет рынок. Нам тоже пора. С этого месяца начинаем активно использовать нейросети.

Компания оплачивает доступы. Приглашает преподавателя. Проводит обучение.

Сотрудникам показывают, как составлять письма, сокращать документы, анализировать таблицы, придумывать идеи и готовить отчеты.

Первые несколько дней в офисе действительно что-то происходит.

Люди пробуют новые запросы. Делятся результатами в общем чате. Кто-то за пять минут пишет письмо, на которое раньше тратил полчаса. Кто-то впервые загружает в ChatGPT таблицу и удивляется, что тот смог найти в ней закономерности.

Кажется, что вот оно. Началось.

А потом приходит понедельник.

У менеджера десять новых заявок. У маркетолога срочно меняется рекламная кампания. Бухгалтеру нужно закрыть месяц. Руководитель просит отчет к вечеру.

И все постепенно возвращаются к тому, что уже умеют.

Менеджер открывает старый шаблон коммерческого предложения.

Маркетолог снова работает в привычной таблице.

Данные продолжают жить одновременно в CRM, Excel, переписках и головах сотрудников.

Через месяц компания смотрит на оплаченные подписки и делает неприятный вывод:

Наверное, нейросети для нашего бизнеса пока не очень подходят.

Хотя дело, скорее всего, вообще не в нейросетях.

Мне кажется, здесь многие компании попадают в одну и ту же ловушку.

Они воспринимают внедрение ИИ примерно как установку новой офисной программы.

Купили лицензии. Раздали пароли. Провели вебинар. Отправили сотрудникам инструкцию.

Теперь технология как будто должна самостоятельно разойтись по компании и начать приносить пользу.

Но так почти не бывает.

Человек не меняет привычный способ работы только потому, что ему показали несколько эффектных примеров.

У сотрудника уже есть система выживания.

Пусть неидеальная. Пусть местами нелогичная. Но знакомая.

Он знает, в какой папке лежит нужный шаблон. Какую таблицу открыть. Кому переслать сообщение. Где посмотреть старый отчет. Как вручную собрать данные, если система опять что-то не подтянула.

Чтобы заменить этот маршрут новым, недостаточно сказать:

— Теперь делай через ИИ.

Нужно остановиться, разобрать сам процесс, несколько раз пройти его заново, ошибиться, поправить инструкции и увидеть реальную пользу.

А когда вокруг горят сроки, человек почти всегда выбирает не лучший способ.

Он выбирает самый знакомый.

Обучение часто проходит хорошо.

Сотрудникам интересно. Преподаватель показывает сильные инструменты. Люди задают вопросы. В конце даже говорят:

— Было полезно. Обязательно будем применять.

И они не врут.

В этот момент они действительно так думают.

Но на следующий день перед ними лежит не учебный пример, а реальная работа.

Не абстрактный магазин кофе, а сложный клиент.

Не аккуратная таблица из десяти строк, а файл, который собирали три человека в течение года.

Не простое письмо, а ответ, где нельзя ошибиться в условиях, сроках и цифрах.

И вот здесь начинается разрыв между «я понял, как это работает» и «я умею применять это каждый день».

Это совершенно разные вещи.

Можно один раз успешно написать запрос для ChatGPT и при этом не встроить ИИ ни в один настоящий рабочий процесс.

Некоторые компании уже поняли, что одних доступов и лекций недостаточно.

Поэтому внутри команд начали появляться люди, которых называют по-разному:

Название здесь не так важно.

Суть простая: это человек внутри отдела, который хорошо понимает работу коллег и при этом чуть глубже остальных разобрался в возможностях ИИ.

Причем это не обязательно программист.

Иногда лучшим проводником становится менеджер, маркетолог, аналитик или сотрудник отдела продаж.

Почему?

Потому что он знает не только инструмент.

Он знает, где на самом деле болит.

Он видит, что менеджер каждое утро вручную переносит заявки из мессенджера.

Что руководитель по пятницам собирает один и тот же отчет из четырех источников.

Что маркетолог постоянно переделывает похожие тексты под разные площадки.

Что новые сотрудники неделями ищут ответы в старых переписках.

Внешний эксперт может рассказать, что нейросеть умеет анализировать документы.

Внутренний сотрудник может сказать:

— Давайте возьмем именно наш еженедельный отчет, на котором все теряют два часа, и попробуем переделать его.

Вот с этого обычно и начинается настоящее внедрение.

Не с масштабной презентации о будущем технологий.

А с фразы:

— Слушай, а вот это можно сделать быстрее?

Представим, что на корпоративное обучение собрали всех сразу:

Всем показывают одинаковый набор возможностей ChatGPT.

Формально все правильно.

Но задачи у этих людей совершенно разные.

Менеджеру по продажам нужно быстро разобрать заявку, подготовить ответ, зафиксировать договоренности и не забыть сделать повторное касание.

HR важно обработать резюме, составить вопросы к кандидату и оформить обратную связь.

Руководителю нужна короткая сводка: что изменилось, где просадка и на что обратить внимание.

Юристу важно найти расхождения в документах, но при этом не доверять уверенно написанному ответу без проверки.

Когда всем дают одинаковую программу, каждый получает немного полезного и много того, что к его работе не относится.

Это похоже на экскурсию по большому строительному магазину.

Тебе показывают сотни инструментов.

Но завтра тебе нужно повесить одну полку.

И ты снова берешь старую отвертку, потому что не понял, какой именно инструмент нужен для твоей задачи.

На мой взгляд, нормальное внедрение ИИ не может закончиться в день проведения вебинара.

Обучение — это только знакомство.

Дальше начинается настоящая работа.

Не начинать с вопроса:

Какие нейросети нам купить?

А сначала разобраться:

Обычно после такого разбора выясняется, что проблема компании совсем не в отсутствии «самой мощной модели».

Проблема в десятках мелких действий, которые съедают время каждый день.

Не нужно выдавать сотрудникам папку под названием:

100 лучших промптов для бизнеса.

Через неделю ее никто не откроет.

Гораздо полезнее взять три-пять конкретных процессов.

Например, для отдела продаж:

Пришла заявка → собрали вводные → подготовили персональный ответ → зафиксировали данные → поставили следующее действие.

Для маркетолога:

Получили исходные данные → нашли основные выводы → подготовили варианты → проверили факты → адаптировали текст под площадки.

Для руководителя:

Получили показатели → выделили отклонения → сформировали вопросы → подготовили список решений.

Это уже не абстрактное использование ИИ.

Это изменение реальной последовательности работы.

Не на идеальной учебной таблице.

А на настоящем файле компании.

Не на придуманной переписке.

А на реальном письме клиента.

Не на обезличенном отчете.

А на документе, который сотрудник обязан подготовить к пятнице.

Только так становятся видны настоящие проблемы.

ИИ неправильно понял структуру.

Потерял важное условие.

Слишком уверенно додумал недостающую информацию.

Сделал текст красивее, но менее точным.

Или внезапно оказалось, что новый сценарий занимает больше времени, чем старый.

Это нормально.

Внедрение и должно выявлять такие вещи.

После первых попыток у сотрудников почти всегда появляются вопросы.

Иногда очень простые.

— Можно ли сюда загружать договор?

— Почему он придумал цифру?

— Как сделать, чтобы ответы были короче?

— Можно ли один раз настроить это под наш шаблон?

— А как проверить результат?

Если рядом нет человека, которому можно задать эти вопросы, происходит следующее.

Сотрудник один раз получает плохой результат.

Делает вывод:

Не работает.

И возвращается к старой схеме.

Внутренний куратор нужен не для того, чтобы ходить по офису и рассказывать всем про искусственный интеллект.

Он нужен, чтобы помогать доводить новые сценарии до рабочего состояния.

Есть и другая типичная ошибка.

Руководитель находит самого активного сотрудника и говорит:

— Теперь ты отвечаешь у нас за ИИ.

На этом все.

Ни времени.

Ни полномочий.

Ни обучения.

Ни снятия части прежних задач.

Человек продолжает выполнять обычную работу, а параллельно должен помогать коллегам, тестировать сервисы, придумывать сценарии и отчитываться о результатах.

Через месяц он либо выгорает, либо перестает проявлять инициативу.

А коллеги начинают воспринимать все внедрение как очередную кампанию руководства, которая скоро закончится сама.

Если компания действительно хочет внутреннего AI-куратора, ему нужны нормальные условия:

Не «развивать искусственный интеллект в компании».

А, например:

Сейчас много говорят про AI-агентов, которые якобы могут самостоятельно управлять целыми участками бизнеса.

Звучит впечатляюще.

Но есть простая проблема.

Если компания сама не понимает, как устроен процесс, агент тоже его не исправит.

Он лишь начнет быстрее выполнять непонятные действия.

Если никто не определил:

то агент будет не устранять хаос, а ускорять его.

Он станет очень быстрым сотрудником без должностной инструкции.

Поэтому логичный путь обычно выглядит так:

Это звучит менее громко, чем обещание собрать цифровой отдел за выходные.

Но зато результатом становится система, которой действительно пользуются.

Для старта не нужны четыре тысячи AI-чемпионов и отдельный департамент инноваций.

Можно взять один отдел.

Например, пять менеджеров по продажам.

Выбрать человека, который:

И дать ему не абстрактную задачу «внедрить ИИ», а три понятных эксперимента:

Команда две недели использует эти сценарии.

Потом смотрит на результат:

То, что работает, закрепляется.

То, что мешает, переделывается.

То, что повторяется каждый день, можно постепенно автоматизировать.

Вот это уже внедрение.

Я не думаю, что компаниям сейчас нужен еще один общий курс под названием «нейросети для всех».

Такие мероприятия могут хорошо знакомить людей с инструментами.

Но знакомство — это не результат.

Результат появляется, когда меняются конкретные действия.

Менеджер отвечает быстрее.

Руководитель раньше видит проблему.

Документы готовятся по одному стандарту.

Заявка не пропадает.

Данные не приходится пять раз переносить вручную.

Сотрудник понимает, какой ответ можно использовать, а какой нужно перепроверить.

Именно поэтому внедрение ИИ — это не только выбор между ChatGPT, Claude или Gemini.

Это работа с привычками.

С процессами.

С ответственностью.

С внутренними людьми, которые помогают технологии перейти из презентации в повседневную работу.

Можно оплатить сотрудникам доступ к самой сильной нейросети.

Но если никто не поможет встроить ее в реальные задачи, через месяц люди снова откроют привычные таблицы.

И это будет не провал искусственного интеллекта.

Это будет обычный провал внедрения.