Генеративный ИИ в компаниях.

Уровень 1. «Теневой» генеративный ИИ, как поле для исследований

Почти не осталось компаний, где никто из сотрудников не использовал бы генеративный ИИ в повседневной работе. В одних командах менеджеры учатся писать промпты, в других HR-специалисты собирают описания вакансий, маркетологи тестируют варианты сообщений, а разработчики ускоряют рутинные фрагменты кода. Формально внедрения генеративного ИИ может не быть, но фактически оно уже началось − только снизу, не по плану и часто в обход ИТ-департамента.

Так возникает «теневой» ИИ. Сотрудники сами закрывают часть задач, получают практический опыт и быстро начинают различать, где технология помогает, а где создает лишь красиво упакованный мусор. Такой опыт меняет их отношение к корпоративным пилотам и экспериментам. Человек, который десять раз получил плохой ответ от модели и трижды − отличный, иначе смотрит на обещания поставщиков и иначе оценивает качество. У него уже появляется внутренний стандарт: что можно доверить машине, а что пока нельзя.

Парадокс в том, что польза на этом уровне есть, а экономический эффект для компании еще неясен. Снова обращусь к нашумевшему исследованию «The GenAI Divide: State of AI in Business 2025» от MIT (проект NANDA), опубликованном летом 2025 года, которое говорит, что 95% корпоративных ИИ-проектов и пилотов не принесли измеримой финансовой отдачи на уровне компании в целом. Но при этом в тени остался другой факт: самостоятельное использование ИИ сотрудниками тоже приносит плоды. Здесь мы видим две логики: корпоративные ИИ-пилоты, как правило, инициируются и развиваются сверху, а реальное использование ИИ сотрудниками − это эволюция инструментов снизу. И именно логика развития инструментов снизу и создает 1 уровень использования ИИ в компании, который мы видим почти повсеместно.

Важно понять, какие практики уже зарекомендовали себя внутри компании, кто стал продвинутым пользователем, где сотрудники действительно экономят время, повышают качество или ускоряют принятие решений. Перед руководителем компании здесь не хаос, а ценное поле для исследований. Сотрудники уже проголосовали своим временем, а иногда и собственными деньгами, за те инструменты, которые реально помогают им работать. Именно там часто скрыты процессы, с которых и стоит начинать эксперименты и пилоты в более формальном виде.

Представьте руководителя HR-функции, который замечает, что несколько рекрутеров без всяких указаний сверху уже используют публичный ИИ для подготовки описаний вакансий, вопросов для интервью и первичного сравнения резюме. Формально процесс найма не изменился, однако они нашли задачу, где можно снизить рутинную нагрузку. Или возьмем руководителя маркетинга: один бренд-менеджер с помощью ИИ системно анализирует клиентов, формирует варианты позиционирования, после чего быстрее выходит с идеями. На языке бизнеса такие сигналы означают одно − в компании уже есть места, где люди нащупали реальную полезность. Игнорировать эти сигналы − все равно что строить новую дорогу, не заметив, где люди давно проложили тропу. Можно, но не умно.

Уровень 2. Локальные эксперименты и пилоты, исследование действием

Когда в компании уже есть сотрудники, которые понимают возможности ИИ и умеют им пользоваться, когда есть гипотезы, где генеративный ИИ может помочь, время переходить к локальным экспериментам и пилотам. Суть уровня 2 − это переход к экспериментам и системному исследованию возможностей использования генеративного ИИ в конкретных кейсах и задачах компании. На этом уровне команды выбирают конкретную задачу, проводят эксперименты, запускают пилоты (создают ассистентов и агентов, тестируют сервисы), и смотрят, способен ли ИИ дать результат лучше, быстрее или дешевле. Важно, что в отличие от уровня 1, это исследование через обдуманные действия и эксперименты.

Как правило, эксперименты проходят в форме пилотных проектов, хотя это совершенно необязательно, они могут проводится в любой удобной форме.

Потенциал технологии генеративного ИИ в конкретной задаче – это понятно, но о метрике качества часто забывают, хотя это не менее важная цель. Пока в компании обсуждают «впечатляющий потенциал генеративного ИИ», нет никакой основы для управления пилотным проектом. Но как только появляется понятная метрика качества работы технологии, возникает основа для итераций и основа для принятия управленческих решений.

Самая распространенная метрика на старте может звучать просто: какой процент ответов или действий системы с генеративным ИИ не требует последующей коррекции человеком. Такая мера хороша тем, что она мгновенно переводит разговор из области «круто» в область «полезно». Именно на этой метрике можно построить стандартную логику эксперимента: сначала вы собираете дешевый прототип отдельно, не встраивая его в сложный контур ИТ-систем компании. И смотрите на базовый уровень качества: если он дает 30–40% приемлемых результатов, перед вами уже не провал, а некоторый потенциал, на который можно опираться. Появляется гипотеза, что при доработке данных, логики и архитектуры можно идти к 80% приемлемых результатов и выше.

Дальше начинается нормальная управленческая работа, а не «ритуальный танец» вокруг новой технологии. Команда дописывает методологию, расширяет набор данных для обучения модели, меняет логику агентов, организует и тестирует новые кейсы и проверяет, как каждое изменение влияет на выбранную метрику.

Еще одна цель пилота − понять критические места будущего более масштабного внедрения, на какие грабли мы наступим. Пилот нужен не только для того, чтобы увидеть перспективу, он нужен еще и для того, чтобы рано наткнуться на реальные ограничения, пока цена ошибки невысока.

Обычно, такие критические места скрываются «под ковром», в качестве данных, интеграции, безопасности, устойчивости процесса и возможности сопровождать решение в промышленной эксплуатации. Сегодня организациям не хватает не только данных, ресурсов и компетенций, им не хватает методологии встраивания новых ИИ-технологий в систему управления. Пока в компании такой методологии нет, генеративный ИИ превращается в набор разрозненных инициатив.

О серьезном экономическом эффекте на уровне отдела и компании говорить пока еще рано, стадия экспериментов и пилотов редко приводит к значительным эффектам (хотя такое бывает). Поэтому ставить экономические цели на уровне экспериментов не стоит, слишком большая фокусировка на экономическом эффекте здесь даже вредна.

Уровень 3. Продуктивное использование и часть ИТ-ландшафта компании

Следующий уровень использования генеративного ИИ начинается тогда, когда технология становится частью комплекса ИТ-систем компании. Один из процессов или функций (сервис, продажи, HR, маркетинг или разработка) начинает работать уже не «с элементами генеративного ИИ», а при его системном участии. В этот момент можно говорить о полномасштабном продуктивном использовании технологии. При этом, процесс меняется не косметически, как это было на уровне 2, а существенно: он либо автоматизируется, либо собирается заново вокруг новой технологии работы.

Именно здесь появляются настоящие экономические эффекты, заметные на уровне компании. Все, что было на предыдущих уровнях, помогает быстрее думать, быстрее готовить черновики, быстрее закрывать отдельные задачи. Польза от этого есть, но ее можно назвать персонально-локальной: сотрудники работают лучше, однако сама система управления еще не перестроена и не усилена.

Например, служба поддержки клиентов, где генеративный ИИ не просто подсказывает оператору ответ, а берет на себя значимую долю типовых обращений, не требуя участия человека, маршрутизирует сложные кейсы, дополняет контекст кейса клиента, собирая информацию из базы знаний и CRM, а человек подключается в тех точках, где нужен его опыт или ответственное решение. В таком случае меняется не скорость написания ответа клиенту, а сама экономика процесса: сокращается ручная нагрузка, растет пропускная способность, повышается предсказуемость качества.

Другой пример: генеративный ИИ не только помогает менеджеру продаж написать письмо, а участвует в квалификации входящего потока обращений и готовит персонализированные предложения, учитывая всю имеющуюся информацию об этом клиенте. Компания получает не ускорение отдельных действий в продажах, а другой уровень производительности функции. Отметим, что переход к уровню 3 не отменяет необходимость проведения пилотных проектов. Напротив, он делает их более осмысленными, компания набирается опыта, идет итеративно, проверяет гипотезы, но при этом каждый положительный результат пилотного проекта переходит в промышленное внедрение. Так из локальных экспериментов вырастает новый уровень эффективности.

Уровень 4. Генеративный ИИ как ключевой актив и непрерывная ИИ-трансформация

Высший уровень зрелости использования генеративного ИИ пока ни одна из компаний не достигла, но о нем говорят эксперты. Этот уровень связан уже не с отдельным ИИ-проектом и даже не с отдельными функциями или процессами, которые эффективно выполняются с помощью генеративного ИИ. Большинство экспертов сходятся на том, что трансформация с помощью генеративного ИИ не будет разовой акцией. Это не ремонт офиса, который можно завершить, технология генеративного ИИ способна изменить очень многое, ситуация похожа на ту, когда в 70-90 годах современные ИТ проникали в бизнес. Это уровень, ориентированный на долгосрочное использование генеративного ИИ как одного из ключевых технологических активов организации. На нем генеративный ИИ становится неотъемлемой частью того, как компания проектирует свою деятельность и процессы, и ищет новые точки роста.

На этом уровне в компании происходят два крупных сдвига:

1. Практики работы с генеративным ИИ становятся одним из ключевых активов организации, обеспечивающим гибкость. Разговор об эффекте от его использования выходит за пределы экономии на выполнении процессов или функций. Компания начинает смотреть на генеративный ИИ как на стратегический актив, который повышает ее адаптивность и устойчивость на рынке. Если внутри компании построена платформа, наработаны данные, появилась практика внедрения и команда понимает, как встраивать ИИ в рабочие процессы и системы, компания, как считают эксперты, перейдет на новый этап, характеризующийся гибкостью и адаптивностью. Технологический фундамент уже существует и это позволяет быстрее запустить новый продукт, зайти в соседнюю нишу или пересобрать сервисную модель.
   
2. Культурный сдвиг здесь не менее важен, чем технологический: возникает среда, в которой использование генеративного ИИ перестает быть уделом энтузиастов и ИТ-специалистов, а становится нормой профессиональной работы. Использование генеративного ИИ становится неотъемлемым навыком всех без исключения сотрудников компании. Каждый новый отдел, каждый новый процесс, каждый новый регламент будут проектироваться так, что умственная ручная работа не будет считаться вариантом по умолчанию. Организации не будут снова и снова воспроизводить процессы прошлого, в которых превалирует ручной труд, проектирование изменений будет опираться на идею AI-first.

Полноценная ИИ-трансформация всегда связана со стратегией, не достаточно объявить генеративный ИИ приоритетом, нужны ясные цели, направления, последовательность пилотов, развитие культуры и внутренних компетенций сотрудников.

***

Короткий вывод: не стоит оценивать уровень использования генеративного ИИ в компании по количеству громких анонсов или презентаций. Намного важнее понять, где процесс готов к перестройке, где уже возникла реальная практика, где пилоты дают измеримый эффект, и где культура уже начинает меняться. Там, где это становится понятным, генеративный ИИ перестает быть модным словом и становится силой, меняющей компанию.

Комментарии 0