Не промптингом единым: как построить систему обучения AI в крупной компании

TL;DR

Доклад о том, как Альфа-Банк выстроил систему обучения искусственному интеллекту для тысяч сотрудников. Главная мысль: обучение промптингу (ChatGPT) — это верхушка айсберга, а реальные деньги лежат в классическом ML и правильной работе с данными. Спикер делится фреймворком разделения аудитории (все сотрудники vs IT), форматами (синхрон vs асинхрон) и объясняет, почему важно растить внутренних AI-амбассадоров и AI-продактов.

Кому будет полезно

• HR / L&D / DevRel: тем, кто строит системы обучения в компаниях.
• Руководители направлений / CDO: чтобы понять, как масштабировать AI-культуру, а не просто хайп.
• Тимлиды и Product Managers: чтобы понять, какие компетенции нужны команде для внедрения AI.

Краткий контекст

• Спикер: Руководитель обучения сотрудников Data Driven и AI в Альфа-Банке (экс-Skillbox).
• Контекст: Крупный банк, где нужно обучить тысячи людей. Задача — не просто научить «тыкать в чат-бот», а внедрить культуру работы с данными и продуктовый подход.
• Проблема: Запрос бизнеса «Обучите всех срочно AI» часто сталкивается с реальностью: плохие данные, непонимание разницы между GenAI и классическим ML, отсутствие бизнес-цели.

---

Ключевые идеи

1. Обучение AI — это не только про ChatGPT

Что сказали: Когда бизнес просит «научите нас использовать ChatGPT», это лишь вершина айсберга. Часто для решения бизнес-задач нужны не языковые модели (GenAI), а классическое машинное обучение (прогнозы, скоринг). Почему это важно: Хайп вокруг GenAI оживил интерес к ML в целом. Но сотрудники должны понимать разницу: где я сам справлюсь с ассистентом, а где нужно идти к дата-сайентистам и строить сложную модель. Как применить: Включите в базовое обучение блок «Виды ИИ»: чем генеративка отличается от классического ML, и какие задачи каждый из них решает.

2. Уровневая система обучения (Фреймворк)

Что сказали: Нельзя учить всех всему сразу. В Альфе выделили уровни:

1. Базовый (Лигбез): Личная эффективность. Как математика в школе: нужно знать «2+2» (что такое ИИ, безопасность, базовый промптинг), прежде чем идти в высшую математику. Нужно абсолютно всем.
2. Фокусный: Создание ассистентов под конкретные задачи подразделений (HR, продажи).
3. Профессиональный: Глубокое погружение для технарей и амбассадоров. Почему это важно: Это экономит ресурсы. Нет смысла учить кассира архитектуре нейросетей, а дата-сайентиста — базовому промптингу.

3. Ловушка сегментации: не спешите делить курсы по отделам

Что сказали: Ошибка на старте — сразу бежать делать отдельные курсы «AI для HR», «AI для юристов». Вы обнаружите, что 80% контента (база) у них одинаковая. Как применить: Сначала сделайте один крепкий универсальный базовый курс для всех. Кастомизацию под отделы делайте только на втором уровне (фокусном), когда база уже освоена.

4. IT-специалисты — это отдельная каста

Что сказали: Единственное жесткое разделение на старте — это «все сотрудники» и «IT-специалисты». Почему это важно:

• Конфиденциальность: Разработчики работают с кодом (интеллектуальная собственность), им нужны другие инструменты и более строгие правила безопасности, чем маркетологу.
• Инструментарий: Им нужны специфические инструменты (Copilot, плагины для IDE), а не просто веб-интерфейс чат-бота. Как применить: Сделайте отдельный трек обучения для IT с упором на coding assistants и безопасность кода.

5. Синхрон vs Асинхрон: баланс вовлеченности и охвата

Что сказали:

• Синхронное обучение (воркшопы, тренинги): Работает лучше всего для «заряда» и мотивации. Идеально для ТОП-менеджмента и лидеров изменений.
• Асинхронное (онлайн-курсы): Единственный способ охватить тысячи сотрудников. Как применить: Используйте «воронку»: ТОПов обучайте лично (очно), линейных руководителей — в смешанном формате, всех остальных — через массовые онлайн-курсы и тренажеры.

6. Появление роли AI-Product Manager

Что сказали: Нужны люди-мостики. Бизнес хочет «чуда», дата-сайентисты говорят на техническом языке. Между ними провал. Как применить: Запускать «Школы AI-продактов». Учить их не на симуляторах, а на реальных проектах (акселераторах), где они формулируют гипотезы и валидируют их с технической командой.

---

Примеры и кейсы

• Кейс «Репутация в интернете»:

  • Проблема: Приходит заказчик: «Хочу с помощью GenAI мониторить нашу репутацию».
  • Реальность: Ему не нужен GenAI. Ему нужен простой скрипт/парсер или классический ML-анализ тональности, который существовал и 5 лет назад.
  • Вывод: Обучение должно давать понимание, когда AI не нужен.

• Кейс «Гемификация обучения»:

  • Чтобы массовый асинхронный курс не был скучным, сделали сюжет: три героя с разным отношением к ИИ (скептик, фанат, новичок) отправляются на хакатон. Сотрудник проходит курс, наблюдая за их прогрессом.

---

Ошибки и грабли

• Ошибка: Начинать обучение сразу с фокусных групп (например, только продактов), игнорируя остальных. В итоге одни бегут вперед, а весь остальной банк их не понимает и тормозит процессы.
• Ошибка: Учить использованию инструмента без проверки доступа. «Мы научили, они вдохновились, пришли на рабочее место — а доступов нет».
• Риск: Данные. Перед стартом любого AI-проекта нужно проверить Data Governance. Часто данные в таком состоянии («в полной заднице»), что никакой ИИ на них не построишь.

---

Что можно сделать уже сегодня

1. Провести ревизию текущих знаний: Ваши сотрудники вообще понимают разницу между ChatGPT и прогнозной моделью?
2. Выделить IT-трек: Если вы учите разработчиков промптингу по тем же методичкам, что и бухгалтеров — прекратите. Им нужен упор на Co-pilot и безопасность кода.
3. Найти амбассадоров: Найдите тех, кто уже сам изучает AI, и сделайте их менторами. Им нужен только методический "тюнинг", и они станут вашими бесплатными тренерами.
4. Проверить данные: Прежде чем планировать AI-трансформацию, проверьте, есть ли у вас нормальные данные для обучения моделей.

---

Цитаты

«А научите нас всех использовать ChatGPT — это верхушка айсберга. Деньги для бизнеса лежат пока далеко не в больших языковых моделях, а в классическом машинном обучении».

«Бесполезно учить математику для экономистов, если ты не знаешь, сколько будет 2 + 2. Базовый уровень — универсален».

«Не использовать AI в обучении, когда мы учим AI — это почти грех».

---

Итоговый вывод

Доклад смещает фокус с хайпового «давайте все промптить» на системную трансформацию компании. Спикер доносит мысль: AI-грамотность — это новая гигиена (как умение читать), но для бизнеса важна не сама технология, а продуктовый подход и качество данных. Начните с базы для всех, выделите IT в отдельный поток и растите внутренних проводников изменений, чтобы масштабироваться без раздувания штата тренеров.