В конце 2025 года исследование Microsoft показало тревожную тенденцию: после короткого периода эйфории большинство сотрудников отказываются от использования ИИ-инструментов, попадая в "кратер разочарования". Почему так происходит, если технологии становятся мощнее с каждым днем, и почему лишь единицам удается преодолеть этот барьер? Ответ кроется не в умении писать промпты, а в фундаментальном пробеле c навыками менеджмента, который игнорируют почти все корпоративные программы обучения ИИ.

В этой статье разбираются упускаемые обычно «ИИ-навыки среднего уровня», а также даются организационные решения для масштабирования успехов отдельных ИИ-энтузиастов на всю компанию.

TL;DR

• Основная причина отказа от ИИ — недостаток навыков среднего уровня "ИИ-мастера", который находится между базовым уровнем пользователя и инженерным уровнем.
• ИИ обладает непредсказуемой эффективностью: он может блестяще решать сложные задачи и проваливать простые, что требует от пользователя умения определять границы его возможностей.
• Существует две эффективные модели работы: "Кентавры" (четкое разделение работы между человеком и ИИ) и "Киборги" (полная интеграция), и мастерство заключается в умении переключаться между ними.
• Успешная работа с ИИ требует управленческого подхода: декомпозиция задач, оценки качества и итеративные улучшения, как при работе с живым стажером.
• Чтобы масштабировать успех, компании должны инвестировать в "нетехнические" лаборатории, делать успехи видимыми и поощрять культуру, где делиться провалами так же важно, как и победами.

Кому будет полезно

• Руководители: чтобы понять, почему внедрение ИИ буксует и как это исправить системно.
• Специалисты и тимлиды: чтобы перейти от любительских экспериментов к профессиональному использованию ИИ в ежедневных задачах.
• Если вы "застряли": если вы попробовали ИИ-чатбот, но вернулись к старым методам работы, не увидев системной пользы.

Пересказ

1. Кратер разочарования

В конце 2025 года Microsoft отследила поведение 300 000 сотрудников, использующих Copilot. Первые три недели наблюдался пик энтузиазма, за которым следовал резкий спад — "кратер разочарования", где большинство просто переставали пользоваться инструментом. Выжившие (около 20%) поняли ключевую вещь: ИИ — это не навык использования инструмента, а навык менеджмента.

Обычно все сводится к вводному обучению промптингу и призыву «быть продуктивными». Но статистика неумолима: в большинстве компаний 80% ИИ-аккаунтов сотрудников «спят». А вот те, кто тратит много времени на взаимодействие с моделями методом проб и ошибок, получают огромное преимущество, усваивая скрытые механизмы успешной работы c ИИ, недоступный «людям после вводного обучения». Это открывает глаза на природу проблемы:

2. Провал навыков среднего уровня

Обучение разделилось на два полюса. Есть "базовый уровень" (промптинг, обзор инструментов) и "инженерный уровень" (техническая интеграция, RAG, API). Но между ними зияет огромная дыра — отсутствует "средний уровень обучения", или уровень ИИ-мастера. Это уровень прикладного мышления (applied judgement) и навык быстрого понимания минимум двух вещей:

1. где именно ИИ следует встраивавать в рабочий процесс и
2. стоит ли доверять его результатам в каждом случае.

Пока корпоративные тренинги фокусируются на базовых основах (уровень 101), а инженеры углубляются в API и RAG (уровень 401), самый важный вопрос остается без ответа: где и как именно этот инструмент вписывается в мой рабочий процесс? (прикладной уровень 201). Ответить на него часто не получается, потому что мы ошибочно классифицируем ИИ как технологическую проблему, тогда как это проблема менеджмента. Лучшие пользователи ИИ — это, по сути, хорошие наставники и менеджеры, и именно эти "человеческие" навыки определяют успех.

3. Непредсказуемая эффективность

Эффективность ИИ неравномерна (имеет "зубчатые границы"): он может быть гениален в одних задачах и беспомощен в других, казалось бы, похожих.

Проблема усугубляется тем, что у большинства людей формируется «единая ментальная модель» ИИ: они считают, что если он хорош в одном (например, в отчетах), то хорош во всем. В результате они получают прирост там, где ИИ силен, но катастрофически теряют качество там, где он слаб, даже не замечая этого. Задача ИИ-экспертов — не просто исследовать возможности, а создавать правила (guardrails) и протоколы верификации, которые позволят остальным безопасно работать внутри проверенных границ.

Когда сотрудники не различают эти границы компетенций ИИ, они применяют ИИ везде одинаково. Из-за этого выигрыш в простых задачах нивелируется потерями качества в сложных, где ИИ галлюцинирует или ошибается.

4. Кентавры и Киборги

Исследование BCG и Harvard выявило два типа успешных пользователей. "Кентавры" четко делят работу: например, человек делает стратегию, ИИ генерирует варианты. "Киборги" полностью интегрируют ИИ в процесс своей работы, взаимодействуя с ним постоянно.

Эти подходы эффективно работают в разных контекстах. Режим кентавра (четкое разделение ответственности) идеален для сфер с высокой степенью ответственности, таких как юриспруденция или медицина, где необходим строгий контроль. Режим киборга ("жидкая граница между человеком и машиной") лучше подходит для креативных задач и разработки, где важна непрерывная доработка. Для сотрудника переход на этот уровень ощущается как смещение фокуса с «написания промптов» на дробление работы, а для менеджера — как появление нового стандарта выполнения задач.

5. Навыки ИИ-мастера

Первый навык — сборка контекста. Новички кидают в ИИ либо весь документ целиком, либо ничего. Мастера понимают, что качество ответа зависит от качества заданного косвенного контекста, ограничений и примеров (few-shot).

Второй навык — оценка качества. Это требует двух вещей: понимание типа задачи (высокие ставки требуют скрупулезной проверки, черновики — беглой) и умение сканировать сам ответ. Искусный пользователь знает, что модель может выдать точный факт и тут же, в том же абзаце, уверенно соврать, и умеет это отлавливать.

Третий навык — декомпозиция задач. Вместо того чтобы бросать в ИИ всю задачу ("сделай отчет"), нужно разбивать ее на подзадачи, подходящие для ИИ.

Четвертый навык — итеративное улучшение. Новички либо принимают первую версию от ИИ (часто это AI slop, т.е. "ИИ-халтура"), либо бросают всё. Мастера рассматривают первый ответ лишь как первую итерацию.

Это похоже на управление живым сотрудником:

• Вы определяете, какие подзадачи делегировать сотруднику, а какие сделать самому.
• В итеративном процессе вы через серию итераций доводите качество до необходимого уровня (скажем, от 70% до 95%). Это похоже на то, как руководитель / наставник возвращает стажеру черновик с правками.

Пятый навык — интеграция в рабочий процесс. ИИ перестает быть сторонней игрушкой ("попробую потом, когда будет время") и становится стандартом работы ("мы теперь всегда так отвечаем на RFP").

Шестой навык — распознавание пределов возможностей ИИ для конкретных задач во избежание падения качества. Вероятно, именно с неосознанным выходом за пределы возможностей связано то самое падение продуктивности на 19% (прим. переводчика: ссылки исследования продуктивности здесь). Шестой навык не только в том, чтобы быстро "определять пределы", но и в том, чтобы делиться этим знанием с командой — в том числе, кейсами провалившегося использования ИИ в таких-то задачах.

6. Барьеры: страх ИИ и скрытое использование

Важный тормоз внедрения ИИ — страх сделать ошибку. Это не просто недостаток навыков, это "разрыв в разрешениях" (Permission Gap).

• Если первый вопрос сотрудника «А нам можно это делать?», вы уже проиграли битву за внедрение, потому что ИИ воспринимается как гигантский красный знак «Стоп». Без явного "да" от руководства самые ответственные сотрудники избегают ИИ, воспринимая его как риск.
• Ну, а остальные сотрудники подпольно используют свои ИИ-инструменты, причем эта "гибкость инструментов" становится слабостью в масштабе компании: опыт одиночек не масштабируется, каждый начинает с нуля. Индивидуальные успехи не перейдут в общий опыт компании без целенаправленных усилий со стороны руководства.

Проблема усугубляется еще одним разрывом: ИТ-департаменты, мыслящие категориями детерминированных систем и безопасности, строят заборы вместо обучения. Тогда как ИИ ведет себя скорее как человек — контекстно-зависимо и иногда непоследовательно.

7. Организационные решения

Чтобы преодолеть вышеуказанные барьеры, создавайте "ИИ-лаборатории" с собязательным участием нетехнических специалистов — для экспериментов с реальными процессами разных отделов. Проведите интервью со всеми отделами, чтобы найти скрытые сценарии использования. Важно понимать: то, что люди озвучивают вначале — лишь верхушка айсберга; реальные, самые ценные кейсы находятся только в процессе глубокого погружения в работу.

Делайте успех видимым: например, проводите низкорисковые соревнования ("кто лучше всего улучшил процесс с ИИ на этой неделе"). Социальное доказательство работает безотказно: как только люди видят, что их коллеги реально выигрывают время или качество с помощью ИИ, они начинают перенимать эти практики без всякого принуждения.

Инвестируйте в обучение: сотрудники, прошедшие более 5 часов тренинга, гораздо чаще становятся регулярными пользователями. Но не ограничивайтесь только промптингом и обзором инструментов. В частности, распространяйте четкие правила игры: что можно, что нельзя, как маркировать ИИ-тексты и т.д.

При создании правил игры важно фокусироваться не только на запретах, но и на том, как выглядит хорошее использование. Большинство политик говорят лишь «нет», создавая вакуум разрешений. Кроме того, кейсы неудач нужно оперативно передавать экспертам (уровень 401), так как модели быстро эволюционируют, и то, что не работало вчера, может быть решено завтра. Без этой петли обратной связи компания рискует застрять в прошлом.

Также в обучении важно делиться провалами. Если ИИ не справляется с типичной для вашей команды задачей, это знание должно стать достоянием всей команды, чтобы другие не наступали на те же грабли.

Цитаты

• «ИИ работает как человек... он временами непоследователен, зависит от контекста, требует менеджмента».
• «Успешные пользователи ИИ — это хорошие менеджеры... Навыки, которые делают вас хорошим в ИИ, — это не навыки работы с инструментом. Это навыки работы с людьми».
• «Это проблема управления знаниями под маской технической проблемы. Индивидуальное обучение ИИ не масштабируется без сознательных усилий со стороны организации».

Примеры и кейсы

• Trek Bicycle: Компания провела интервью с каждым департаментом о том, как ИИ может улучшить их работу. Это позволило выявить около 40 конкретных сценариев использования, которые не были очевидны изначально.
• BCG и Harvard: Исследование консультантов показало, что внутри границ компетенции ИИ сотрудники делали на 12% больше задач и на 25% быстрее. Однако за пределами этих границ (где ИИ ошибался) они справлялись на 19% хуже, чем те, кто работал без ИИ.

Ошибки и грабли

• Скрытое использование ИИ ("Shadow IT"): Когда нет официальной поддержки, сотрудники используют ИИ тайком. Организация не видит реальной картины, риски не управляются, а лучшие практики не распространяются.
• Коллапс "модели подмастерья": Джуниоры раньше учились на рутинных задачах (черновики, исследования), которые теперь делает ИИ. Если не перестроить процесс, через пару лет компании столкнутся с дефицитом специалистов, обладающих нужной экспертизой.
• Инфраструктура вместо навыков: Передача вопросов ИИ исключительно в ИТ-отдел приводит к тому, что компания фокусируется на безопасности и доступах, упуская главное — развитие человеческого капитала и навыков работы с новым типом "сотрудника".

Заключение

ИИ сегодня — это не просто новый софт, а "неопытный стажер" с огромным потенциалом, который требует грамотного руководства. Большинство сотрудников бросают ИИ именно потому, что пытаются использовать его как обычный инструмент, а не управлять им как подчиненным.

Ключ к успеху лежит в освоении "навыков среднего уровня", в частности, в умении декомпозировать задачи, оценивать качество результата и итеративно улучшать его. Это не технические навыки и промптинг, а классические навыки менеджмента и делегирования.

Чтобы ваша компания не застряла на этапе ИИ в качестве игрушки, нужно дать сотрудникам легальное право на эксперименты и ошибки. Инвестируйте в обучение, делайте успехи видимыми и создавайте культуру, где знания о границах возможностей ИИ (включая провалы) становятся общим достоянием. Только так можно перейти от хаотичных попыток к системному росту продуктивности.

• Смотреть оригинальное видео от Nate B. Jones (YouTube)
• Подписаться на телеграм-канал AIDEA, чтобы не пропустить другие материалы о лучших практиках внедрения ИИ в организациях.