ИИ есть у каждого сотрудника. Почему результата нет у компании
Отдельный сотрудник может заметно ускориться с помощью ИИ, но повторить его результат на уровне всей команды получается не всегда. Доступ к той же модели и даже готовые промпты не гарантируют того же качества работы.
Почему у эксперта с ИИ получается, а у компании — нет
ИИ для многих уже стал привычным рабочим инструментом. По данным глобального исследования BCG, в 2026 году 74% сотрудников на линейных позициях регулярно используют ИИ, а 42% из них экономят с помощью технологии не меньше рабочего дня в неделю.
Часто встречается такой сценарий: сильный сотрудник хорошо освоил ChatGPT или другой ИИ-инструмент. Он быстрее анализирует информацию, готовит документы, принимает решения. Руководство видит результат и распространяет практику на весь отдел: дает команде доступ к той же модели, передает удачные промпты. Но вместо кратного роста производительности нередко получается хаос, а качество выполненной работы по-прежнему зависит от конкретного сотрудника.
Причина в том, что масштабировать пытаются инструмент, хотя источник качественного результата — в экспертной логике человека. Специалист с опытом не воспринимает ответ модели как готовое решение. Он понимает, какой контекст добавить, каким источникам доверять, когда сделать исключение и отступить от регламента. Менее опытному сотруднику сложно заметить такие детали.
Чтобы получить сопоставимое качество уже на уровне компании, нужно сначала понять, как эксперт приходит к наиболее удачному решению, а затем сделать эту логику воспроизводимой.
В каких процессах стоит масштабировать экспертизу с помощью ИИ
Формализовать экспертную логику нужно не в каждом бизнес-процессе. Если задача типовая и хорошо регламентирована, такой подход будет избыточным. Он будет особенно полезен в процессах, где есть сильные эксперты, высокая когнитивная нагрузка и уникальная методология принятия решений, которая влияет на конкурентоспособность компании.
Например, в сложных закупках опытный специалист оценивает поставщика не только по цене и формальным условиям, но и по опыту прошлого взаимодействия, уровню доверия к контрагенту. ИИ может применять выявленные критерии ко всем коммерческим предложениям и выносить спорные случаи на дополнительную проверку.
На производстве инженер заранее замечает риск поломки техники по сочетанию слабых сигналов: выросла вибрация, двигатель стал дольше выходить на рабочую температуру, чаще появляются кратковременные ошибки, изменилось энергопотребление. После формализации этой логики ИИ может проводить первичную диагностику большего числа единиц оборудования.
В ритейле категорийный менеджер при изменении ассортимента смотрит не только на объем продаж SKU, но и на маржинальность, оборачиваемость, сезонность, риск каннибализации соседних позиций. С помощью ИИ можно применять критерии сразу к большому числу артикулов и передавать человеку спорные случаи, где формально слабую позицию все же стоит оставить.
Примеры относятся к разным бизнес-функциям, но суть одна: найти то, что сильный эксперт различает лучше остальных, и сделать эту логику воспроизводимой.
Как «достать» экспертизу из головы
Спросить эксперта, по каким критериям он принимает решение, обычно недостаточно. Часть своей логики человек просто не замечает: какие-то сигналы считает очевидными, какие-то решения принимает интуитивно, а рационализирует потом.
Поэтому экспертизу лучше восстанавливать через реальные кейсы. Для этого можно использовать репертуарные решетки и метод когнитивного анализа (Critical Decision Method, CDM). Первый инструмент помогает выявить критерии, по которым эксперт различает похожие ситуации, второй — восстановить ход его решения в отдельно взятом кейсе.
Допустим, во время интервью эксперт сравнивает три сложных проекта внедрения ПО. Во всех начали сдвигаться сроки и расти бюджет. В первом команда вовремя заметила проблему, проект эскалировали и вернули в управляемое состояние. Во втором — долго казалось, что ситуация под контролем, но потом проект резко провалился. В третьем — проблемы обнаружили заранее, но руководитель проекта пришел к выводу, что возвращение к изначальному графику потребует слишком много ресурсов, и проект остановили. Так можно обнаружить один из критериев, которым пользуется опытный РП — «реалистичность плана проекта».
Дальше нужно выявить больше таких критериев, проверить их и выделить исключения. Причем разные эксперты могут оценить одну ситуацию по-своему. Для сложных задач это нормально. Единственного «правильного» ответа часто нет, поэтому вариативность важно сохранить в методологии, а не усреднять.
Затем подключается метод когнитивного анализа (CDM). Он помогает понять не только, что различил эксперт, но и как он пришел к выводу: когда заметил первый сигнал, как его интерпретировал, какие варианты рассматривал, почему принял именно это решение и что заставило бы его поступить иначе.
Вместе два метода дают цельную картину. В результате получаем и систему критериев эксперта, и понимание того, как он применяет их в конкретной ситуации.
В этой статье мы объясняем механику извлечения знаний в общих чертах. В реальном проекте нужно правильно подобрать кейсы, провести несколько циклов интервью, выявить «биполярные конструкты», задать направляющие вопросы. Эту работу можно выстроить внутри компании, а при необходимости — подключать внешних экспертов. Здесь важен сам принцип: неявную экспертную логику можно последовательно восстановить и перевести в форму, пригодную для работы с ИИ.
Как встроить методологию эксперта в ИИ-решение
Извлечь знания — полдела. Дальше их нужно формализовать так, чтобы эту логику могла воспроизводить ИИ-система.
Возьмем критерий, который вывели выше — «реалистичность плана проекта». Его можно разложить на более конкретные правила: пересчитан критический путь проекта после серьезного отклонения, подтверждены дополнительные ресурсы, согласован новый бюджет, учтены внешние зависимости. Для каждого правила задается шкала — условно от 5, если его выполнение подтверждено данными и договоренностями, до 1 — если никаких подтверждений нет.
Следующий шаг — связать эту методологию с данными. ИИ нужно указать, где искать информацию: в план-графике, бюджете, ресурсном плане, реестре рисков, протоколах встреч. А затем описать логику действий: например, критическая оценка по одному правилу просто требует дополнительной проверки, а по нескольким одновременно — обязательной эскалации эксперту.
На этом работа не заканчивается. На старте использования технологии ключевые решения остаются за экспертом. ИИ работает в режиме copilot и разбирает кейсы, а специалист проверяет выводы, уточняет правила и исключения. А когда технология проверена на практике, часть работы можно постепенно передавать системе, сохраняя участие человека там, где важно снизить риск ошибки. Цель здесь не заменить специалиста, а освободить его от разбора типовых ситуаций, чтобы больше времени оставалось на сложные и нестандартные задачи.
В прошлой статье мы рассказали подробнее как внедрять ИИ-решения в бизнес-процессы
С чего начать извлечение экспертизы
Начинать не обязательно с разработки ИИ-системы. Сначала стоит понять, где вообще есть потенциал для такого сценария:
- Выделить рабочие процессы, где ИИ может дать заметный эффект.
- Понять, на каких знаниях держится результат: регламентах, данных, опыте конкретных экспертов.
- Оценить экономику сценария и критерии качественного результата.
- Определить, какие решения, критерии и исключения нужно извлечь.
- Зафиксировать реальные кейсы и проверить, можно ли воспроизвести эту логику с помощью ИИ.
- Выбрать вариант реализации: купить готовый продукт, кастомизировать или разработать свое решение.
Как реализовать решение технически
Даже если процесс держится на уникальной экспертизе компании, это не значит, что нужно сразу разрабатывать ИИ-систему с нуля. После того как критерии и правила формализованы, стоит подумать, куда эту логику проще встроить.
Иногда хватает готового продукта или отдельного агента, которого можно подключить к корпоративным данным и донастроить под бизнес-процесс. На первых этапах ИИ-трансформации такой сценарий вполне может существовать отдельно.
Если экспертная логика сложнее, требуется много интеграций или готовые инструменты не позволяют воспроизвести ее достаточно точно, имеет смысл запускать собственный R&D и собирать решение под конкретный процесс.
Когда компания начинает переносить в ИИ экспертизу уже из нескольких процессов, появляется новая задача. Для каждого помощника нужно настраивать доступ к корпоративным данным, промпты и правила, контролировать качество и учитывать обратную связь экспертов. Если собирать эти инструменты по отдельности, их сложнее поддерживать, обновлять и переиспользовать.
На этом этапе появляется смысл в корпоративной ИИ-платформе. В нашей практике такую роль выполняет единая корпоративная ИИ-платформа KORUS AI: в безопасном контуре можно подключать нужные модели, хранить и обновлять правила, собирать обратную связь и использовать одни и те же компоненты в разных сценариях. Тогда каждого нового ассистента не придется строить с нуля, а накопленная экспертная логика останется управляемой и будет развиваться вместе с процессом.
Заключение
Сам по себе доступ к ИИ не масштабирует способ работы сильного специалиста. Сначала нужно понять, в каких процессах результат действительно держится на экспертной логике, извлечь ее из реальных кейсов, формализовать критерии и правила и проверить их вместе с экспертом. Только после этого ИИ сможет воспроизводить подход на большем числе задач, оставляя человеку сложные и неоднозначные случаи.
Когда таких сценариев становится больше, важно не потерять управляемость. Экспертные правила меняются, появляются новые кейсы, нужно обновлять контекст и модели — и делать это централизованно для всех сценариев. Поэтому со временем разрозненные решения логично собирать в общий корпоративный контур. Так накопленная экспертиза остается доступной всей компании. А системный эффект от ИИ появляется как раз, когда удачный подход перестает зависеть от одного сильного специалиста и становится воспроизводимой частью рабочих процессов.
