5 уровней ИИ-зрелости сотрудников: почему обучение «для всех» не работает

Согласно исследованию практик ИИ в российском бизнесе, технологию уже используют 92% компаний, однако лишь 12% из них могут подтвердить реальный бизнес-эффект от внедрения.

Причина не в моделях и не в бюджетах на лицензии. Deloitte в отчете Global Human Capital Trends 2026 показывает: компании, которые ставят во главу угла технологию, а не людей и процессы, в 1,6 раза чаще не достигают целевого ROI от ИИ-инвестиций. А в отчете State of Organizations McKinsey рекомендует вкладывать в развитие персонала в пять раз больше ресурсов, чем в саму технологию, но большинство компаний по-прежнему делают наоборот: сначала покупают лицензии и модели, затем организуют разовое обучение, а потом удивляются, что полученные результаты, не оправдывают вложения.

Одна из ошибок компаний заключается в том, что они измеряют не то, что надо. К примеру, «обучили 500 человек» и «купили 300 лицензий» — это метрики, показывающие охват, а не уровень зрелости конкретных навыков работы с ИИ у сотрудников. Важно измерять регулярность и сложность решаемых задач при использовании нейросети сотрудниками, чтобы оценить навыки конкретного человека в полной мере. Подобная оценка позволит персонализировать обучение под группы людей и действительно эффективно провести обучение в рамках цифровой трансформации бизнеса.

В статье разберем уровни ИИ-зрелости сотрудников, барьеры развития на каждом из них, и покажем на конкретных примерах, чем они отличаются.

В исследованиях обычно оценивают уровень зрелости ИИ-решения, но мы предлагаем также проводить и оценку самих сотрудников и их навыков работы с ИИ, чтобы наиболее эффективно внедрять современный инструмент в бизнес-процессы и оптимизировать трудозатраты:

• L0 — Наблюдатель, не использует ИИ осознанно;
• L1 — Исследователь, пробовал эпизодически, без системы;
• L2 — Практик, пользуется ежедневно, есть библиотека промптов;
• L3 — Архитектор, перестраивает процессы и создает агентов;
• L4 — Мультипликатор, обучает коллег и тиражирует подход.

Каждому уровню свойственна конкретная модель поведения и работы, по которой можно определить, где находится специалист, без субъективной самооценки. Далее рассмотрим уровни на примере разных направлений деятельности.

• Уровень «Наблюдатель» (L0). Возьмем для примера менеджера по закупкам. Он вручную сверяет коммерческие предложения — копирует цифры из писем в Excel, построчно сравнивает условия поставщиков. ИИ-инструменты для подобных рутинных задач он не использует, так как либо не слышал про их применение в своей работе, либо воспринимает ИИ как риск для конфиденциальности данных поставщиков.
• Уровень «Исследователь» (L1) часто встречается в продажах. Менеджер знает один-два инструмента, пробовал попросить ИИ «красиво написать письмо» перед крупной сделкой и результат понравился. Но в повседневной переписке продолжает работать по старым шаблонам, просто не вспоминая про ИИ в рутине.
• Уровень «Практик» (L2) — это типичная работа маркетолога. Каждое утро черновики постов и рассылок прогоняются через ИИ, есть отработанные промпты для брифов дизайнеру, что экономит около 5 часов в неделю. Но контент-план и стратегия кампаний по-прежнему собираются вручную в отдельной таблице. ИИ в этом случае автоматизирует отдельные задачи, но бизнес-процессы остаются прежними.
• Уровень «Архитектор» (L3) характерен для HR-менеджера, который настроил агента для разбора откликов на вакансию: отсеивает кандидатов по формальным критериям, готовит короткий список со справкой по каждому. Раньше первичный отбор занимал целый день, теперь менеджер только проверяет готовый шорт-лист. Здесь сотрудник с помощью ИИ уже строит цепочку операций для бизнес-процесса, который работает без участия человека.
• Уровень «Мультпликатор» (L4) может уже быть у руководителя проектов. Он собрал шаблон ИИ-агента для еженедельного статус-отчета, который сводит данные из таск-трекера и переписки, готовит черновик писем для клиента. Разница с уровнем L3 заключается не в инструменте, а в том, что этот руководитель провел 40-минутный разбор для трех других менеджеров проектов, которые теперь тоже пользуются этим инструментом в работе.

Распределение сотрудников по уровням позволяет компании гибко подходить к внедрению ИИ-технологий, учитывая специфику задач и уровень подготовки каждого сотрудника, его заинтересованность, возможности и барьеры развития.

Как определить уровень зрелости

Спрашивать сотрудников «оцените себя по шкале зрелости от 1 до 5» бессмысленно, нужно разбирать конкретные сценарии использования ИИ. 

Рассмотрим на примерах, какие вопросы стоит задавать на разных уровнях зрелости ИИ-навыков:

1. «Назовите задачу, где ИИ экономит время в неделю» формирует разницу между уровнями L2 и L0/L1, потому что здесь сотрудник может назвать измеримый эффект.
2. «Есть процесс, который работает без вас?» показывает границу между L2 и L3: практик описывает набор приемов, архитектор — сквозной процесс.
3. «Помогали ли вы коллеге освоить инструмент?» — граница между L3 и L4: архитектор говорит про себя, мультипликатор называет конкретных коллег, которые перешли на использование ИИ благодаря ему, и что именно было создано и передано.

Диагностика нужна не только для оценки людей, а для того, чтобы правильно спроектировать программу обучения и развития навыков, не смешивая разные уровни. Иначе одним будет скучно и бесполезно, вторым бессмысленно.

Это дает точку отсчета для замера прогресса сотрудника, и возможность заранее выявить риски «теневого ИИ» (использование сотрудниками нейросетей для рабочих задач) и предотвратить утечку чувствительных данных за контур компании.

На конференции «Авандок.Пульс» расскажем про стратегию использования корпоративного ИИ в бизнес-процессах, цифровой фундамент для ИИ и цифровой штат разработчиков.

Однако главное — не просто разделить людей по уровням, но и обеспечить каждому понятные пути для перехода на следующий этап.

Компания, которая проводит общий курс по работе с ИИ для всего штата, действует так, будто у всех сотрудников одна и та же проблема и сценарии использования ИИ. На практике на каждом уровне зрелости ИИ-навыков у сотрудников возникают разные барьеры перехода на следующую ступень. Соответственно, способы преодоления этих сложностей тоже будут отличаться.

При переходе от «Наблюдателя» к «Исследователю» сотруднику мешает страх ошибиться, быть замещенным ИИ, а также показаться некомпетентным при коллегах. Что делать: организовать безопасную среду для экспериментов с ИИ в работе вместо общих лекций про возможности GPT.

Далее, при переходе от «Исследователя» к «Практику» вызовом становится отсутствие системы: сотрудник понимает пользу от ИИ и возможные сценарии его применения, но не применяет ИИ постоянно. Что делать: помочь построить регулярный процесс использования ИИ для реальных задач сотрудника, настроить шаблоны для моделей, отобрать наиболее эффективные сценарии.

Переход между уровнями «Практик» и «Архитектор» упирается в потолок бизнес-процесса: сотрудник оптимизирует задачу, но не решается пересобрать процесс целиком, потому что это требует другого навыка и работы не с промптом, а с логикой процесса и данными. Что делать: обучить, как строить бизнес-процессы с помощью ИИ именно для его направления, этот навык ближе к бизнес-анализу, чем к работе с нейросетью.

При переходе на уровень «Мультипликатора» сотрудник чаще всего сталкивается с истощением собственных ресурсов(время, интерес), если применение ИИ держится только на его энтузиазме. Без поддержки инициатив компанией или непосредственным руководителем, «Мультипликатор» несет нагрузку в одиночку. Что делать: высвобождать рабочее время сотрудника для обучения команд, признавать его вклад в развитие ИИ-зрелости в компании и следить за уровнем выгорания.

Скорость движения по уровням зависит не только от того, чему человека научили, но и от его интересов и подхода к работе.

Одним нравится первыми осваивать технологии: быстрее всех доходят до уровня архитектора, способны собрать агента и перестроить процесс, но не любят «продавать» подход коллегам.

Другие ориентируются на взаимодействие с коллегами: развивают отношения, чувствуют команду, для них важно признание и из таких людей чаще получаются мультипликаторы, потому что именно они охотно объясняют и учат коллег новым навыкам.

Третьим нужны четкие инструкции и план действий: для них важны понятные порядок и правила использования инструмента в работе, когда это становится нормой, которую продвигает руководитель.

Отсюда практический вывод: не все могут стать мультипликатором, их нужно искать целенаправленно среди персонала. По данным опроса BCG, 69% сотрудников называют обучение у коллег одним из трех главных способов освоить работу с ИИ, потому что людям проще спросить друг у друга, чем смотреть проходить абстрактный курс.

К примеру, в американском финансовом холдинге Citi, где 4 000 внутренних ИИ-амбассадоров и около 182 000 сотрудников, на одного амбассадора приходится примерно по 40–50 человек. В результате внедрение одобренных ИИ-инструментов в компании превышает 70%. Без такого института внедрить ИИ в процессы будет очень сложно.

В прошлом материале рассказали, как ИИ влияет на работу персонала и что стоит учитывать руководству, чтобы не превратить ускорение в ухудшение.

Персонализируйте обучение в соответствии с конкретным уровнем ИИ-зрелости.

Сначала диагностируйте поведение сотрудников с помощью карты, распределяйте по уровням с помощью общего опросника, интервью для ключевых ролей и мониторинга использования корпоративного ИИ. Затем формируйте рекомендации: какие инструменты уже есть, где еще можно применять ИИ, какие меры поддержки внедрения ИИ нужны. Только после этого проводите обучение с разбором конкретных процессов.