Сотрудники не используют корпоративный ИИ. Как обучить команду после внедрения платформы
Автор статьи
Данила Драпеза — руководитель центра компетенций по ИИ и нейросетям группы компаний WINbd, бизнес-спикер и практик. Обучил работе с нейросетями более 15 000 человек и более 50 компаний, включая ПСБ, ВкусВилл, Кофеманию, Газпром и Норникель.
Компания внедрила корпоративный ИИ, открыла сотрудникам доступ к платформе и рассчитывает ускорить работу с документами, аналитикой и типовыми задачами. Но через несколько месяцев выясняется, что сотрудники используют инструмент нерегулярно, ограничиваются простыми запросами или продолжают решать рабочие задачи по-старому.
Проблема часто связана с тем, что доступ к технологии не формирует навык ее применения. Сотрудникам нужно понимать, как использовать корпоративный ИИ в своей работе, какие задачи ему можно поручить, как проверять результаты и какие данные безопасно передавать системе.
Поэтому обучение работе с корпоративной ИИ-платформой становится отдельным этапом внедрения. Оно помогает связать возможности внутреннего ИИ с реальными рабочими процессами и повысить его использование сотрудниками.
Почему сотрудники не используют корпоративный ИИ
На первом этапе внедрения компании выбирают платформу, оценивают модели и определяют, какие возможности нужны бизнесу. Но после запуска появляется другая задача — научить сотрудников использовать инструмент для конкретных рабочих операций.
Компании часто начинают с вопроса, какой инструмент внедрить. Однако эффективнее сначала разобраться, какой процесс нужно улучшить и какие его этапы требуют автоматизации.
Например, компания хочет ускорить анализ документов. Сам по себе такой запрос слишком широкий. Нужно понять, откуда поступают документы, кто их изучает, какие данные извлекает, по каким критериям сравнивает, где фиксирует результат и кому его передает.
После декомпозиции становится понятно, какие действия можно поручить ИИ. На одном этапе достаточно чата, на другом пригодится ассистент с заданными инструкциями, а для регулярной работы с несколькими источниками данных может потребоваться агентный сценарий.
Чем точнее компания описывает рабочую задачу, тем проще подобрать для нее подходящий инструмент и оценить результат.
Сотрудники часто недооценивают возможности корпоративной платформы
Одна из причин низкого использования корпоративного ИИ — сравнение внутреннего решения с популярными внешними сервисами.
Сотрудник уже попробовал ChatGPT, Claude или другой инструмент. Он знает, что с их помощью можно анализировать данные, создавать прототипы и писать код. Когда компания предлагает внутренний чат, который кажется медленнее или проще, сотрудник может решить, что пользоваться им нет смысла.
Но возможности инструмента нужно оценивать в контексте задачи.
Если сотруднику требуется сравнить два документа и составить таблицу разночтений, для этого может хватить корпоративной модели. Использовать более сложный и дорогой инструмент необязательно.
У внутренней платформы есть и другое преимущество. Она может работать с корпоративными данными, подключаться к внутренним системам и поддерживать сценарии, которые сложно или запрещено реализовывать во внешних сервисах.
Поэтому вопрос звучит не так: какая модель самая мощная? Важнее понять, какой инструмент способен решить конкретную задачу с учетом требований к качеству, стоимости, интеграциям и безопасности.
Сотруднику нужно уметь описывать задачу и проверять результат
Проблема, которая возникает еще до выбора инструмента, — человек может не понимать, какой именно результат ему нужен.
Например, сотрудник хочет автоматизировать подготовку отчета, но не определяет состав показателей, формат итоговой таблицы и критерии качества. В такой ситуации ИИ приходится угадывать ожидания пользователя.
Чтобы получить предсказуемый результат, нужно сначала сформулировать требования. Если сотрудник собирает таблицу разночтений, ему необходимо определить ее структуру. Если анализирует показатели, нужно выбрать метрики и срез данных. Если создает ассистента, нужно объяснить, какие материалы тот использует и что выдает в финале.
Есть и следующий шаг — проверка результата. Даже если ИИ подготовил отчет или аналитическую сводку, сотрудник должен проверить факты, исправить ошибки и убедиться, что выводы соответствуют исходным данным.
Без этой проверки автоматизация может ускорить подготовку материала, но снизить качество работы.
Кейс телеком-отрасли. Как обучать опытных пользователей работать с корпоративным ИИ
Академия управления WINbd проводит для сотрудников телеком-компании программу продвинутого уровня. На нее попадают люди, которые уже знакомы с базовыми возможностями ИИ и хотят научиться применять его для решения более сложных рабочих задач.
Здесь недостаточно показать новые инструменты или научить писать более подробные запросы. Задача обучения — помочь сотрудникам перейти от отдельных обращений к ИИ к повторяемым рабочим сценариям.
Для этого участники изучают создание ассистентов, работу с базами знаний и RAG, анализ данных, мультимодальные возможности и агентные сценарии. На практике они разбирают, как с помощью ИИ проводить исследования, работать с информацией и создавать цифровые артефакты.
Программа учит превращать отдельные запросы в рабочие сценарии
Например, при работе с ассистентами участники создают инструмент для поиска и анализа информации о конкурентах, тарифах или отдельных сегментах рынка. Цель — настроить сценарий, который можно повторять по одной логике, а не каждый раз начинать поиск с нуля.
В блоке анализа данных участники работают с набором метрик, исследуют показатели и представляют результаты в виде дашборда. Затем они могут дорабатывать визуализацию через запросы к ИИ, уточняя состав данных и способ их отображения.
В таких упражнениях сотрудник выступает заказчиком собственного инструмента. Он определяет, какие данные нужно проанализировать, какой результат получить и как этот результат должен выглядеть. Программировать для этого необязательно, но необходимо уметь сформулировать требования и проверить готовый материал.
Именно это отличает продвинутый уровень от простого знакомства с нейросетями. Участник учится проектировать сценарий работы и понимать, какие механики нужны на каждом его этапе.
Сотрудники самостоятельно переносят изученные механики во внутреннюю платформу
У телеком-компании есть корпоративная ИИ-платформа, доступная сотрудникам, но у команды Академии управления WINbd нет полноценного доступа к платформе. Поэтому преподаватели не могут проводить всю практику непосредственно в корпоративном инструменте и показывать его интерфейс на занятии.
Мы выстроили обучение так, чтобы это ограничение не мешало освоению ключевых механик.
Сначала преподаватель демонстрирует сценарий на доступном учебном инструменте. Участники повторяют его на собственном примере. Затем каждый должен зайти во внутреннюю платформу и проверить, можно ли реализовать там аналогичную задачу.
Например, после практики по анализу данных сотрудник изучает возможности корпоративного решения и проверяет, какие этапы сценария доступны в нем. После занятия по созданию ассистентов он исследует, можно ли собрать похожий инструмент и какие ограничения существуют.
На следующей встрече участники обсуждают результаты. Они делятся находками, разбирают ограничения и сравнивают способы реализации одной задачи в разных инструментах.
Таким образом, домашнее задание становится самостоятельным исследованием корпоративной платформы. Сотрудник учится искать нужные возможности и оценивать их применимость к конкретной задаче.
Обучение учитывает требования к безопасности
Отдельная часть обучения связана с безопасностью. Сам факт наличия корпоративной платформы не означает, что в нее можно загружать любые данные. Сотрудникам важно понимать, где обрабатывается информация, какие ограничения действуют для конкретного инструмента и какие материалы допустимо использовать в учебных сценариях.
Результат программы — освоение сложных механик и самостоятельная работа с корпоративным инструментом
В ходе обучения участники переходят от базовых сценариев к более сложным механикам, учатся создавать ассистентов, анализировать данные и формировать цифровые артефакты. Они также исследуют, какие из изученных подходов можно реализовать во внутренней платформе компании.
Этот кейс показывает, как можно выстроить обучение, даже если внешняя команда не имеет полноценного доступа к корпоративному инструменту. Ключевой принцип — обучать механикам решения задач, а затем давать сотрудникам возможность самостоятельно находить способы применить их в доступной им платформе.
Кейс международной производственной компании. Как превратить корпоративный ИИ-чат в рабочий инструмент
В международной производственной компании Академия управления WINbd провела программу обучения сотрудников работе с внутренним ИИ-ассистентом.
Инструмент объединял несколько моделей в едином чат-интерфейсе. Сотрудники могли работать с документами, использовать веб-поиск и постепенно осваивать новые возможности платформы.
Однако доступ к функциям не гарантировал, что пользователи понимали, как применять их в работе. Например, возможность загрузить документ еще не объясняет, как превратить транскрипт совещания в список поручений. А способность модели генерировать код неочевидна сотруднику, который никогда не программировал, хотя с ее помощью можно создавать дашборды, трекеры и другие цифровые инструменты.
Наша задача состояла в том, чтобы перевести возможности платформы в понятные рабочие сценарии и помочь сотрудникам освоить их на практике.
Программа адаптировалась к развитию корпоративной платформы
Во время программы внутренний ассистент активно развивался. Появлялись генерация и редактирование изображений, менялись модели, расширялись возможности работы с контекстом.
Перед каждой встречей мы проверяли актуальные возможности платформы вместе с командой заказчика, тестировали сценарии и при необходимости адаптировали задания.
Такой подход позволял показывать сотрудникам именно те функции, которые доступны им сейчас, и сразу объяснять, какие рабочие задачи с их помощью можно решать.
Сотрудники осваивали функции через конкретные рабочие задачи
Программа включала четыре встречи. Основная часть обучения была посвящена практике.
Например, участники загружали транскрипт совещания, выделяли ключевые тезисы и формировали таблицу задач. В других упражнениях они работали с документами, собирали информацию через веб-поиск, создавали визуализации и генерировали изображения.
Отдельное внимание уделяли возможностям, которые не всегда очевидны пользователю обычного чата. Например, модель может создавать код, даже если сотрудник сам не умеет программировать. Это позволяет формировать HTML-дашборды, трекеры и другие цифровые артефакты, которые можно передавать коллегам и адаптировать под разные задачи.
Чтобы сотрудники могли применять механики после обучения, команда готовила шаблоны запросов с переменными полями. Участники копировали их, подставляли собственные данные и требования, получали результат и дорабатывали его.
Вместо абстрактных упражнений использовали материалы, похожие на реальные корпоративные документы и рабочие ситуации.
На финальной встрече участники проходили единый рабочий процесс
Вместо набора независимых упражнений команда WINbd предложила участникам пройти сквозной сценарий — от первоначальной идеи до материала, который можно представить руководителю или команде.
Сначала участник уточнял идею с помощью диалога с ИИ. Затем использовал веб-поиск для сбора внешней информации, структурировал данные, создавал визуализацию и готовил презентационные материалы. На завершающем этапе он мог адаптировать аргументацию под аудиторию и подготовиться к защите идеи.
Весь сценарий проходил в рамках одного инструмента. Участники видели, как отдельные функции связываются в последовательность действий и помогают двигаться к конкретному результату.
При этом человек проверял результат на каждом этапе. Если информация требовала уточнения или выводы не соответствовали задаче, участник корректировал запрос, возвращался к предыдущим шагам и только после проверки переходил дальше.
Результаты обучения оставались доступны коллегам
Практика не заканчивалась вместе с занятием. Участники публиковали созданные материалы в корпоративном сообществе, где сотрудники уже делились находками и примерами применения ассистента.
Коллеги могли посмотреть готовый дашборд, разобраться, как он устроен, и адаптировать его под собственную задачу. Так внутри компании накапливались примеры использования платформы, которые можно было развивать и передавать дальше.
После программы участники также получали интерактивный HTML-гайд с теорией, шаблонами запросов и описанием практических механик. С его помощью можно было самостоятельно повторить изученный сценарий без необходимости заново проходить всю встречу.
Обучение помогало развивать саму платформу
В ходе практики сотрудники сталкивались с ограничениями инструмента, задавали вопросы и находили сценарии, которые требовали дополнительной проверки. Команда заказчика получала эту обратную связь и могла учитывать ее при развитии ассистента.
Этот кейс показывает, как обучение может стать частью развития корпоративного ИИ. Сотрудники осваивают возможности инструмента на рабочих сценариях, делятся результатами с коллегами, а команда заказчика получает обратную связь для дальнейшего улучшения платформы.
Кейс розничной торговли. Как встроить корпоративный ИИ в рабочие процессы сотрудников
Опыт крупной розничной сети показывает, как меняется подход к обучению, когда в компании появляется собственная ИИ-платформа, а сотрудники уже активно экспериментируют с разными инструментами.
Академия управления WINbd работала с компанией в нескольких форматах. Сначала проводили марафоны и онлайн-программы, затем очные буткемпы. Когда у компании появился внутренний ИИ-чат, команда встроила его в обучение.
На очных встречах сотрудники могли выбирать, где выполнять практические задания — во внутреннем чате или во внешнем инструменте. На следующих этапах платформу стали использовать непосредственно в практике.
Вместо изучения функций сотрудники разбирали свои процессы на этапы
На одном из этапов мы изменили логику программы. Вместо того чтобы начинать с возможностей платформы, участники сначала декомпозировали рабочий процесс.
Например, анализ документов разбивали на последовательные действия. Сотруднику нужно получить документы, изучить их, выделить важную информацию, перенести ее в таблицу и подготовить выводы.
После этого для каждого этапа подбирали подходящий инструмент. Где-то достаточно чата, где-то нужен ассистент для повторяющейся задачи, а где-то потребуется агент, который сможет выполнять более сложную последовательность действий.
Такой подход помогает избежать распространенной ошибки — пытаться решить любую задачу с помощью одной универсальной функции.
Он также позволяет определить, какие возможности внутренней платформы уже подходят для работы, а для каких сценариев понадобятся другие инструменты или дополнительная разработка.
Внутренняя платформа может закрывать больше задач, чем кажется на первый взгляд
Внутренний ИИ-чат включает несколько возможностей, которые сотрудники не всегда замечают, когда воспринимают его просто как чат.
Платформа поддерживает мультимодальную работу, позволяет использовать внутренние данные и предоставляет проектные пространства. В зависимости от доступных функций сотрудники могут работать с документами, подключенными источниками и другими инструментами корпоративной инфраструктуры.
Например, если задача требует анализа внутренних показателей, сотруднику важно понимать, какие данные доступны внутри платформы и как с ними работать. Если необходимо регулярно выполнять определенную операцию, стоит проверить, можно ли настроить ассистента или использовать другой подходящий механизм.
Во время обучения команда показывала возможности платформы через конкретные задачи. Это помогало участникам увидеть, что внутреннее решение может быть полезным инструментом для работы, даже если на первый взгляд оно уступает внешним сервисам по некоторым функциям.
По мере распространения ИИ возникает новая задача — проверять результаты
За время работы с компанией изменился и сам контекст обучения. Сотрудники стали активнее использовать ИИ, внутри компании появились собственные инициативы, ассистенты и небольшие решения для отдельных задач.
При этом возникла новая проблема. Некоторые сотрудники начали приносить на встречи отчеты и другие материалы, подготовленные с помощью ИИ, без достаточной проверки и корректировки.
Это следующий этап развития навыков. Когда люди только знакомятся с ИИ, им нужно показать возможности инструмента и научить применять их в работе. Когда использование становится массовым, необходимо уделять больше внимания качеству результата.
Сотруднику важно уметь проверить факты, оценить выводы, заметить ошибки и довести материал до рабочего состояния. ИИ может ускорить подготовку отчета, но ответственность за его содержание остается у человека.
Опыт розничной сети показывает, что обучение корпоративному ИИ должно развиваться вместе с уровнем зрелости пользователей. Сначала компания помогает сотрудникам освоить платформу, затем учит выбирать инструменты под задачи и постепенно формирует практики проверки и улучшения результатов.
Как повысить использование корпоративного ИИ в компании
Сначала нужно описать рабочий процесс. Пока компания не понимает, какие действия выполняет сотрудник и какой результат должен получить, сложно выбрать подходящий инструмент и оценить эффект.
Обучение должно учитывать возможности конкретной платформы. Универсальные знания о нейросетях полезны, но сотруднику нужно понимать, как применить их в корпоративном инструменте, с которым он работает каждый день.
После обучения важно отслеживать применение навыков. Результат программы стоит оценивать по тому, какие сценарии сотрудники используют в работе, какие задачи решают внутри корпоративного контура и как меняется выполнение этих задач.
Обучаем сотрудников работе с корпоративной ИИ-платформой
Академия управления WINbd разработала программу «Обучение работе с корпоративной ИИ-платформой» для компаний, у которых уже есть корпоративная подписка, собственное решение или внутренний ИИ-ассистент.
Программа помогает связать возможности инструмента с реальными задачами сотрудников. Вместо универсального курса команда изучает платформу заказчика, собирает рабочие задачи, разбирает процессы и адаптирует практику под корпоративные требования.
Работа строится в четыре этапа.
1. Изучаем платформу. Разбираемся, какие функции доступны сотрудникам, какие ограничения есть у решения и как оно связано с корпоративными системами.
2. Собираем задачи сотрудников. Выясняем, какие операции люди выполняют вручную, где сталкиваются с трудностями и каких результатов хотят достичь.
3. Разбираем процессы и подбираем сценарии. Декомпозируем задачи, определяем подходящие инструменты и учитываем требования к безопасности данных.
4. Проводим практическое обучение. Участники работают на собственных задачах, создают рабочие материалы и проверяют, как применять изученные механики в корпоративной платформе.
Программа включает около 70% практики. Состав модулей зависит от возможностей платформы и задач команды.
Что получает компания после обучения
Участники учатся применять корпоративный ИИ в реальных рабочих процессах, создают промптбуки, дашборды, прототипы и другие материалы, которые могут использовать в работе.
Компания получает основу для дальнейшего развития использования ИИ. Сотрудники лучше понимают, какие задачи можно решать внутри корпоративного контура, а какие требуют других инструментов. Удачные сценарии можно собирать в единую базу и передавать коллегам.
Так обучение становится частью работы с корпоративным ИИ после внедрения. Оно помогает сотрудникам разобраться в возможностях инструмента, связать их с собственными задачами и сформировать практики, которые можно развивать внутри компании.
Если корпоративная ИИ-платформа уже работает, следующий шаг — научить сотрудников решать с ее помощью реальные задачи. Академия управления WINbd помогает пройти этот путь с учетом особенностей инструмента, бизнес-процессов и требований к безопасности.
Подробнее о программе «Обучение работе с корпоративной ИИ-платформой».
