3 теста, которые команда должна пройти до внедрения ИИ

Около 20% руководителей считают, что их сотрудники действительно владеют навыками работы с ИИ и большими данными. Это значит, что большинство проектов по внедрению ИИ стартуют с завышенными ожиданиями. Потенциал при этом реальный: по оценке Goldman Sachs, генеративный ИИ способен добавить мировой экономике около 7% ВВП, то есть примерно 7 триллионов долларов за десять лет.

Проблема в том, что разрыв между ожиданиями и реальной готовностью команд растет, а не сокращается. Зарплаты специалистов по ИИ и машинному обучению выросли на 27% с 2019 года и к середине 2025 года приближаются к 190 тысячам долларов в год. Нанять готового эксперта тоже все труднее: в ЕС почти 58% компаний, ищущих ИТ-специалистов, не могут закрыть вакансии. Образование за этим темпом не успевает: только 2 из 10 руководителей считают, что система образования хорошо развивает навыки работы с ИИ и данными, и лишь 4 из 10 говорят так про базовую технологическую грамотность.

Прежде чем выбирать платформу и подписывать договор на внедрение, имеет смысл проверить собственную команду. Ниже три проверки, которые мы рекомендуем пройти до того, как вкладывать бюджет в инструменты. Если команда их не проходит, автоматизацию стоит отложить и сначала закрыть пробелы.

Тест 1. Измеряйте навыки реальной работой, а не на словах

Самооценка команды и красивые резюме почти не связаны с тем, как люди справляются с задачами на практике. Поэтому вместо опросов и общих рассуждений используйте задания на реальном материале: рабочие портфолио, примеры выполненных задач, проверяемые результаты.

Простой формат: двухчасовой тест на ваших же процессах. Возьмите настоящие обращения клиентов, реальные заявки, счета и данные, а не учебные примеры. По итогам оцените три вещи:

• Точность. Насколько результат совпадает с тем, что считается верным в вашей компании.
• Проверяемость. Может ли сотрудник самостоятельно подтвердить, что вывод корректен, а не принять его на веру.
• Объяснимость. Способен ли человек разобрать, как именно получен результат, и где он может быть неверным.

Бизнес-смысл прямой: если команда не умеет этого делать на ручных процессах, автоматизация не исправит ситуацию, а лишь размножит ошибки в десятки раз быстрее. Сначала вы получите масштаб, потом массовые сбои, и разбираться с ними придется в авральном режиме.

Тест 2. Определите базовый уровень и роли-узкие места

В данных есть показательное расхождение. Обучение по ИИ и большим данным уже занимает около пятой части всех часов цифрового обучения. При этом роли, связанные с ИИ и машинным обучением, составляют чуть больше 1% цифровой занятости. Перевод на язык бизнеса: люди учатся ИИ, но почти никто не применяет его в ежедневной работе. Деньги на обучение тратятся, отдачи в процессах нет.

Чтобы не распылять усилия, выберите три роли, где ИИ затронет деньги в ближайшие 90 дней. Например, руководитель поддержки, специалист по операционке продаж и специалист по финансовым операциям. Для каждой роли опишите, что значит быть готовым, причем не на уровне знания инструмента, а на уровне результата.

Для поддержки готовность может выглядеть так:

• корректно свести историю обращения без потери сути;
• найти нужное правило во внутренней документации;
• передать задачу дальше с чистым и полным контекстом;
• не допускать вымышленных фактов в ответе клиенту.

Бизнес-смысл в том, что вы перестаете внедрять ИИ ровным слоем по всей компании и направляете его туда, где он быстрее всего вернет вложения. Это снижает риск дорогого проекта, который красиво выглядит на демонстрации, но не двигает выручку и не разгружает людей.

Тест 3. Договоритесь о едином стандарте до покупки инструментов

Третья проверка касается порядка. До того как сравнивать поставщиков, зафиксируйте общие правила и проверьте их на практике. Для руководителя это один свод правил, который отвечает на пять вопросов:

• какие данные можно использовать в автоматизации;
• какие данные использовать нельзя;
• кто согласует запуск новой автоматизации;
• как именно вы оцениваете качество результата;
• как фиксируете сбои и кто отвечает за их исправление.

Без такого стандарта вы получаете не одну управляемую систему ИИ, а десяток несогласованных решений, каждое со своей логикой и своими ответами на один и тот же вопрос. На практике это означает противоречивые данные в отчетах, конфликты между отделами и невозможность понять, какому результату доверять. Свод правил превращает разрозненные эксперименты в управляемый процесс, за который есть кому отвечать.

Что это значит для вашей компании

Рынок труда подсказывает, на чем держится преимущество. Базовая технологическая грамотность упоминается в 34% американских вакансий, а навыки ИИ и больших данных только в 2%. Выигрывает не та компания, которая купила самую дорогую модель, а та, где команда уверенно владеет цифровой базой, и уже поверх нее наращивает навыки работы с ИИ.

Поэтому последовательность важнее скорости. Сначала три проверки: реальная оценка навыков, выбор ролей, где ИИ касается денег, и единый свод правил. Только потом выбор инструмента. Так вы вкладываете бюджет в систему, которая работает, а не в подписку, которая создает видимость прогресса.

Следующий шаг

Если вы готовите внедрение ИИ или автоматизации, начните с трезвой оценки текущей инфраструктуры и процессов. Мы в компании Открытый путь проводим бесплатный технический аудит инфраструктуры: смотрим, где у вас узкие места, какие роли и данные стоит подключать в первую очередь и что нужно привести в порядок до покупки инструментов. Оставьте заявку на странице https://myod.it/contacts, и мы предложим конкретный план под вашу ситуацию.