Мы автоматизировали обучение персонала в сети из 17 точек. Вот что сработало, а что пришлось переделывать

За этой формулировкой пряталась дыра, в которую стабильно утекали деньги. Сеть постоянно нанимала ассистентов и администраторов, потому что они так же постоянно уходили, часто в первый же месяц. Каждого новичка учили вручную, на каждой точке по-своему, силами старших сотрудников, которые вместо своей работы занимались наставничеством. Мы поставили туда AI-Адаптолога, бота, который ведет стажера через обучение, проверяет знания и тренирует отработку рабочих ситуаций. Часть того, что мы планировали, заработала почти сразу. Другую часть пришлось перестраивать уже на живых стажерах, по ходу. Расскажу обе, потому что вторая полезнее.

Сразу про цифры, чтобы потом не возникало вопросов. Клиент реальный, метрики ниже его собственные, снятые до и после внедрения. Название не привожу по понятной причине: не каждый готов публично рассказывать, что у него была текучка под сорок процентов на испытательном сроке.

Почему именно обучение оказалось самым дорогим местом

Когда сеть растет, обучение незаметно превращается в самое узкое горло. Семнадцать клиник, в каждой идет поток новичков, и каждого надо довести от «первый день, ничего не знает» до «может работать у кресла без присмотра». В этой сети довести занимало около двух месяцев, и все это время новичок не столько приносил пользу, сколько отвлекал на себя того, кто его учит. А учили его старшие ассистенты и администраторы, то есть самые ценные руки на точке. Получалась дорогая математика: опытный сотрудник наполовину выпадал из работы, чтобы вырастить новичка, который с вероятностью почти один к двум уходил в первый месяц и забирал все вложенное время с собой.

Я сознательно обращаю внимание, что мы пошли автоматизировать обучение, а не продажи или обзвон. Это не случайный выбор. В отчете MIT про корпоративный ИИ за 2025 год есть вывод, который теряется за громким заголовком про девяносто пять процентов провалившихся пилотов: больше всего денег компании вкладывают в эффектные сценарии вроде продаж и маркетинга, а самый твердый возврат дают скучные внутренние процессы, бэк-офис, рутина. Обучение персонала ровно из этой категории. Оно не выглядит как технологический прорыв, его не покажешь инвестору на слайде, но именно тут автоматизация окупается чище всего, потому что у потерь есть понятная цена в рублях.

У этого Клиента цена считалась легко. Каждый ушедший в первый месяц новичок это деньги на повторный подбор, на повторное обучение, на простаивающую позицию и на перегруженного коллегу, который опять отрывается от пациентов, чтобы натаскать следующего. Сеть нанимала десятками в месяц. Достаточно было снизить отток на испытательном, чтобы эффект пошел в бюджет, а не в презентацию.

Что сработало почти сразу

Первое, что дал бот, оказалось не тем, что мы продавали. Мы продавали скорость и разгрузку наставников, а самым ценным стало то, что у Клиента впервые появился единый структурированный путь обучения. Чтобы загрузить материалы в бота, их пришлось собрать, упорядочить и описать по шагам. До этого обучение жило в головах старших сотрудников и в разрозненных файлах, и на каждой из семнадцати точек оно немного отличалось. Бот просто не умеет учить «как-нибудь», ему нужна последовательность, и это вынудило навести порядок.

Дальше пошли уже ожидаемые вещи. Один бот ведет около двадцати стажеров параллельно и не устает на двадцатом, чего ни один живой наставник физически не может. Срок адаптации с двух месяцев сжался примерно до двух недель, потому что новичок перестал ждать, пока освободится занятый пациентами наставник, и шел по программе в своем темпе с первого дня. Старшие сотрудники вернулись к работе у кресла, потому что рутинную часть обучения, проверку знания регламентов и базовых процедур, забрал бот.

Главная же цифра, ради которой все затевалось, текучка на испытательном сроке. Она упала с сорока процентов до двенадцати. Вот это твердые деньги, которые видно в бюджете: на каждые десять новичков сеть стала терять чуть больше одного вместо четырех, а каждый сохраненный новичок это не потраченные заново деньги на подбор и обучение.

Про экономию я скажу аккуратно, потому что тут рынок обычно жульничает. На сайтах подобных кейсов вы увидите формулировку вроде «сэкономили полтора миллиона в год», и у этого Клиента она тоже получается. Но это не сокращение зарплат, никого не уволили. Это пересчитанное в деньги высвобожденное время старших сотрудников плюс несожженные расходы на повторный найм из-за упавшей текучки. Часть этой суммы твердая, та, что про текучку. Часть мягкая, та, что про высвобожденное время, и она превращается в реальные деньги только потому, что эти люди вернулись к пациентам и стали приносить выручку, а не просто стали меньше уставать. Я считаю важным разделять эти две части, иначе цифра экономии красивая, но врет.

Что пришлось переделывать, причем на ходу

Теперь честная часть, ради которой стоило писать эту статью.

Первая версия бота провалилась, и провалилась предсказуемо. Мы залили в него регламенты Клиента почти как есть, и стажеры в них утонули. Человек в первый рабочий день получал стену текста про стандарты, и отваливался не от сложности работы, а от объема информации на старте. Пришлось разбирать все обратно на микрошаги, переписывать сухой регламент в короткие разговорные блоки и растягивать подачу так, чтобы новичок получал ровно столько, сколько способен усвоить за день. Это оказалось не настройкой бота, а полной переработкой методики обучения, которой у Клиента, как выяснилось, толком и не было.

Второе, на чем мы споткнулись, важнее. Бот отлично проверял знание и совершенно не проверял навык. Стажеры проходили тесты на знание регламента на девяносто с лишним процентов, а у кресла и на ресепшене все равно терялись. Знать, как принять пациента по стандарту, и суметь это сделать с живым раздраженным человеком перед собой это разные вещи. Первую версию мы построили вокруг проверки фактов, и она давала ложное ощущение готовности. Пришлось достраивать ролевые сценарии, где бот играет пациента, в том числе неудобного, и стажер отрабатывает не знание, а реакцию: что делать, когда человек недоволен ценой, когда опаздывает, когда требует то, чего по регламенту нельзя. Метрика готовности сместилась с «сдал тест» на «прошел отработку ситуаций», и только после этого цифры по выходу на смену перестали расходиться с реальностью.

Отдельная история случилась с людьми, а не с технологией. Старшие сотрудники на точках встретили бота глухим сопротивлением. Они видели в нем замену себе и угрозу, и часть из них тихо саботировала: не направляли новичков, обесценивали обучение через бота в разговорах со стажерами. Никакая доработка кода это не лечит. Мы чинили не бота, а его место в системе: переобъясняли, что бот забирает рутинную долбежку регламентов, а сложное, передачу опыта и живое наставничество в нештатных ситуациях, оставляет за человеком, и что это не понижает наставника, а освобождает. Где руководитель точки доносил это до команды, бот приживался. Где не доносил, не приживался, и дело было не в боте.

И последнее, что вскрылось только на масштабе сети. Семнадцать точек это семнадцать слегка разошедшихся практик. Бот, обученный на эталонном процессе, начал конфликтовать с тем, как реально работает конкретная клиника, и стажеры приходили к наставнику с претензией, что бот учит не тому, что делают на месте. Это поставило Клиента перед выбором, который к нам отношения уже не имел: либо приводить точки к единому стандарту, либо смиряться с разнобоем. Автоматизация просто показала то, что раньше было незаметно, отсутствие единого процесса в сети, которая считала себя единой. Многие наши доработки на самом деле были не про бота, а про то, чтобы помочь Клиенту этот процесс наконец описать.

Что из этого следует про автоматизацию обучения вообще

Если свести опыт к одному наблюдению, оно будет неожиданным для тех, кто покупает ИИ ради ИИ. Примерно половину эффекта дал не бот, а вынужденная формализация хаоса. Чтобы машина могла учить, процесс пришлось вытащить из голов, описать и упорядочить, и сама эта работа дала бы заметный результат даже без всякого бота. ИИ-наставник окупается не там, где он умнее человека, а там, где он вскрывает отсутствие системы и не дает закрыть на это глаза.

Отсюда практический вывод для тех, кто думает про такое у себя. Мерить успех автоматизации обучения по тому, сколько стажеров прошли модули, бессмысленно, эту цифру легко нарисовать. Мерить надо по выходу на смену и по текучке на испытательном, потому что только они показывают, готовит бот людей к работе или просто красиво гоняет их по тестам. И если у вас в обучении нет повторяющегося потока новичков и нет проблемы с их удержанием, ИИ-наставник вам, скорее всего, не нужен: автоматизировать имеет смысл то, что болит часто и считается в деньгах, а не то, что модно.

Этому Клиенту автоматизация была нужна, потому что у него совпало все: поток найма, дорогая текучка и размазанный по семнадцати точкам процесс. Бот сработал не как замена наставникам, а как повод впервые построить обучение, которого у растущей сети так и не нашлось времени построить самой.