
Дали доступ к ИИ и ждем чуда: как HR выстроить системное обучение сотрудников работе с ИИ.
Компании массово внедряют нейросети: по данным за 2025–2026 годы, от 70 до 86% российских организаций уже используют ИИ-инструменты. Компании активно внедряют искусственный интеллект в бизнес-процессы, однако ожидаемого роста эффективности часто не происходит. Основная причина — отсутствие системного обучения сотрудников.
Почему так происходит? На практике внедрение сводится к предоставлению доступа к инструментам. Но ИИ — это не просто технология, а новый рабочий навык, требующий развития.
В этой статье — не просто про «надо учить». А про то, как HR и L&D-отделам выстроить измеримую, встроенную в бизнес-процессы программу развития ИИ-компетенций, преодолеть сопротивление и оценить реальную отдачу. Статью подготовили эксперты «HR по‑русски». В её основе — опыт внедрения ИИ‑обучения в российских компаниях.
Главная ошибка: подмена обучения доступом к ИИ
Во многих компаниях внедрение ИИ происходит по упрощенному сценарию: закупка доступов к ИИ, краткий инструктаж и ожидание результата. Однако доступ к технологии не формирует компетенцию.
ИИ требует от сотрудника:
- умения формулировать задачи,
- понимания контекста,
- навыков критической оценки результатов.
Без этого сотрудник либо не использует инструмент, либо делает это неэффективно. В итоге инвестиции в технологии не окупаются.
Сотрудник без подготовки:
- не понимает, как применять ИИ в своей работе,
- не доверяет результатам,
- использует инструмент поверхностно или игнорирует его.
В результате бизнес получает формальное внедрение без реальной отдачи.
Почему сотрудники не используют ИИ эффективно (даже когда доступ есть)
Прежде чем предлагать курсы, важно понять коренные причины. Часто проблема не в лени или консерватизме, а в отсутствии системных ответов на четыре простых вопроса.
- Нет понимания практической ценности
Сотрудники не видят прямой связи между ИИ и своими рабочими задачами. Если инструмент не решает конкретную проблему (например, сокращение времени на рутину), он воспринимается как дополнительная нагрузка. Поэтому важно показывать не абстрактные возможности, а конкретные выгоды — экономию времени, упрощение процессов, повышение качества результата.
- Отсутствуют конкретные сценарии применения
Обучение часто ограничивается обзором функций, без привязки к реальной работе. В результате сотрудник не понимает, как применить ИИ «здесь и сейчас». Эффективное обучение должно включать четкие сценарии: например, как HR может использовать ИИ для составления вакансии или проведения первичного скрининга.
- Страх ошибок и недоверие
Сотрудники опасаются, что использование ИИ приведет к ошибкам или ухудшению качества работы. Дополнительно возникает страх замещения. Это приводит к скрытому сопротивлению. Важно формировать культуру безопасного использования: объяснять ограничения ИИ и показывать, как проверять результаты.
- Нет управленческого запроса
Если руководители не транслируют необходимость использования ИИ, сотрудники не воспринимают его как обязательный инструмент. Любая новая практика закрепляется только через управленческое давление и личный пример менеджмента.
Как обучать сотрудников работе с ИИ: практическая модель
Ниже — не просто алгоритм, а пять рабочих принципов, которые превращают ИИ из игрушки в реальный рычаг производительности.
Чему именно учить? Три уровня ИИ-компетенций
Для массового обучения сотрудников нужна градация. Не всем быть промпт-инженерами, но базовый уровень — обязанность каждого.
| Уровень | Целевая аудитория | Ключевые навыки |
| Базовый | Все сотрудники | Безопасное использование публичных ИИ-сервисов, структура хорошего промпта (контекст, роль, формат, ограничения), фактчекинг ответов, отказ от передачи ПДн. |
| Продвинутый | Офисные специалисты, руководители (маркетинг, продажи, аналитика, HR, юристы) | Интеграция ИИ в ежедневные задачи: генерация черновиков, анализ таблиц, суммаризация встреч, создание изображений по бренд-гайдам. |
| Экспертный | IT, R&D, продвинутые аналитики | Работа с API LLM, создание корпоративных AI-ассистентов, тонкая настройка (fine-tuning), автоматизация целых процессов. |
Ваш L&D-отдел должен начать с диагностики: по каждому подразделению определить текущий уровень и целевой. Инструмент — простое self-assessment или тест из 10 вопросов.
- Учить не инструменту, а задачам
Обучение должно строиться вокруг реальных рабочих задач, а не возможностей технологии. Сотрудник быстрее осваивает инструмент, когда видит прямую пользу.
Например:
- HR: автоматизация подбора, генерация вакансий, анализ резюме
- маркетинг: создание контента, анализ аудитории
- продажи: подготовка скриптов и обработка возражений
Такой подход снижает барьер входа и ускоряет внедрение.
- Внедрять через микрообучение
Длинные курсы перегружают сотрудников и не приводят к применению знаний. Микрообучение (короткие модули по 10–20 минут) позволяет быстро получить результат и закрепить навык.
Ключевой принцип — «обучился → сразу применил». Это повышает усвоение и снижает сопротивление изменениям.
- Давать шаблоны и промпты
Большинство сотрудников не умеют формулировать запросы к ИИ. Без этого инструмент теряет эффективность.
Готовые шаблоны:
- ускоряют внедрение,
- стандартизируют качество,
- снижают количество ошибок.
Фактически это превращает использование ИИ из «искусства» в понятный процесс.
- Назначать владельцев практики
Любая трансформация требует внутренних лидеров. Без них внедрение теряет динамику.
Такие специалисты:
- помогают коллегам,
- собирают лучшие практики,
- развивают культуру использования ИИ.
Это особенно важно на этапе масштабирования.
- Встраивать ИИ в KPI
Если использование ИИ не связано с результатами, сотрудники не будут его применять.
Важно закрепить:
- метрики экономии времени,
- показатели эффективности,
- требования к использованию инструмента.
Это переводит ИИ из «опции» в обязательный элемент работы.
Алгоритм от HR: как запустить обучение ИИ без хаоса (пошагово)
Этот алгоритм — надстройка над классическим ADDIE, но с учётом специфики нейросетей.
Шаг 1. Анализ потребностей (вместе с бизнесом)
Соберите руководителей ключевых подразделений и спросите: какие рутинные задачи занимают >20% времени и могут быть частично делегированы ИИ? Примеры: написание типовых писем, первичная обработка возражений, поиск информации в базах знаний.
Результат для HR: список процессов — приоритетов для обучения.
Шаг 2. Выберите пилотную группу и KPI
Не пытайтесь обучить всех сразу. Возьмите одну команду (например, колл-центр или контент-отдел). Зафиксируйте текущие показатели.
KPI для обучения: например, «сократить время подготовки типового ответа с 15 до 8 минут» или «снизить долю возвратов документов юристами на 25%».
Шаг 3. Разработайте AI-регламент (без него — никуда)
Вместе с IT и безопасностью создайте простой документ на 2–3 страницы: какие публичные ИИ-сервисы разрешены, что категорически запрещено загружать, чек-лист проверки ответа ИИ.
Шаг 4. Спроектируйте программу обучения (форматы + контент).
- Сторонние или внутренние курсы по ИИ в формате микрообучения.
- Митапы: корпоративная база Промтов. Например: неформальная встреча коллег одной сферы или коллег, у которых есть общие интерес к ИИ.
- Челленджи с промптами: например, «Кто напишет лучший промпт для генерации ответов клиентам». Победитель — приз, лучшие промпты — в базу знаний.
- AI-кофе-брейки: 30-минутные онлайн-сессии, где сотрудники разбирают свои реальные кейсы с экспертом.
- Симулятор безопасной работы: тест-кейс «Можно ли загрузить этот договор в нейросеть?» с мгновенной обратной связью.
Что собирать в базу знаний по Промтам:
— Гайды, например «Как составить промпт» (роль, задача, контекст, формат, ограничения).
— Примеры хороших и плохих промптов под ваши бизнес-задачи.
— Шаблоны чек-листов проверки.
Шаг 5. Отработайте сопротивление мидл-менеджмента
Проведите для них закрытую сессию: покажите, как ИИ экономит их время, дайте скрипты контроля, запустите пилот на их команде с замером результатов.
Шаг 6. Внедрите в LMS и запустите
Сделайте обязательным блок по безопасности (15 минут) — без него доступ к ИИ-сервисам не открывается. Остальные модули — по желанию, но с дашбордом применения.
Шаг 7. Оценивайте не только прохождение, но и бизнес-эффект
Используйте модель Киркпатрика: реакция, усвоение, поведение, результат. Посчитайте ROI обучения.
Кейсы внедрения ИИ
Кейс 14. OlineHunter: как нейроассистент ускорил подбор в 4,2 раза и сэкономил 70% бюджета.
Компания по подбору вахтовых рабочих несла убытки из-за ручного скрининга: 80% времени HR тратили на обработку 100+ заявок в день, ответы задерживались до 3 дней, а 35% кандидатов терялись. Компания внедрила нейроассистента с поддержкой русского, узбекского и таджикского языков, который автоматизировал первичный контакт, проверку документов и интеграцию с Bitrix24.
Цифры до и после:
- Обработка одной заявки: с 30 минут → до 2 минут (ускорение в 15 раз).
- Срок закрытия вакансии: с 3 недель → до 5 дней (ускорение в 4,2 раза).
- Стоимость найма на позицию: с 65 000 ₽ → до 19 500 ₽ (экономия 70% бюджета).
- Неявки на собеседования: с 40% → до 12% за счёт системы напоминаний.
Вывод для HR: ИИ не заменяет рекрутера — он берёт на себя рутину (скрининг, коммуникацию, напоминания), позволяя HR сосредоточиться на действительно сложных задачах.
Кейс 2. Как компания «Электрорешения» в 4 раза увеличила использование ИИ сотрудниками.
Компания «Электрорешения» (представитель бренда EKF в России) столкнулась с классической проблемой: доступ к ИИ-инструментам у сотрудников был, а реального применения — нет. Вместо традиционных лекций HR-отдел запустил хакатоны с реальными бизнес-задачами, где участники за 30 минут создавали сложные проекты с помощью ИИ.
Результаты через несколько месяцев:
- Количество обращений к ИИ выросло в 4 раза — сотрудники перестали бояться и начали использовать нейросети в повседневной работе.
- Значительное сокращение бюджета на обучение — геймификация позволила отказаться от дорогих внешних курсов.
- Высокая вовлечённость — практиканты за полчаса создавали проекты, на которые раньше уходили дни.
Вывод для HR: Хакатоны и геймификация работают лучше любых лекций. Дайте сотрудникам не инструкцию, а задачу — и они сами найдут, как применить ИИ.
Кейс 3. «Магнит»: как AI на отзывах приносит десятки миллионов выручки
Сеть «Магнит» внедрила AI-модель, которая ежемесячно обрабатывает более 4,5 млн отзывов, распределяет их по категориям и генерирует персонализированные ответы. Технология позволяет мгновенно выявлять проблемные партии товара до появления массового негатива.
Экономический эффект:
- Рост доли лояльных покупателей всего на 1% даёт десятки миллионов рублей дополнительной выручки в месяц.
- Товары с дефектами снимаются с продажи мгновенно, а число отзывов, требующих ручного вмешательства, сократилось до нуля.
Вывод для HR: Обучение работе с ИИ в клиентских подразделениях напрямую конвертируется в выручку. Сотрудники, умеющие анализировать отзывы с помощью AI, становятся генераторами прибыли.
Главное, что нужно вынести HR-ам
ИИ-обучение не про «запустить курс и забыть». Оно про три вещи:
- Правила. Без регламента по безопасности и качеству вы получите хаос и утечки.
- Применение. Обучение должно быть встроено в реальные задачи, а не в абстрактные примеры.
- Измерение. Если вы не зафиксировали KPI до старта — вы не докажете ценность.
И помните: самый большой тормоз — не отсутствие технологий, а подмена обучения доступом. Доступ дали, чуда не случилось. Чудо случается, когда вы системно развиваете навык.
Готовы начать? Начните с малого: выберите один процесс в одном отделе, обучите пять человек и замерьте экономию времени. А дальше — масштабируйте.











