Компании инвестируют в искусственный интеллект, запускают десятки пилотов и предоставляют сотрудникам новые инструменты, но ожидаемый рост производительности приходит далеко не всегда. По данным Bain, около 80% опрошенных CEO недовольны прогрессом своих AI-программ. Причина всё чаще оказывается не в качестве технологии, а в том, что компании пытаются внедрить AI, не меняя саму работу.
За последние несколько лет отношение бизнеса к искусственному интеллекту заметно изменилось. Если сначала компании экспериментировали с ChatGPT и отдельными корпоративными ассистентами, то теперь AI становится частью крупных программ трансформации. Руководство ждёт от него сокращения затрат, ускорения процессов, повышения производительности и возможности выполнять больший объём работы тем же количеством сотрудников.
Однако между доступом к технологии и экономическим эффектом обнаружился существенный разрыв.
Такой результат приводит Bain по итогам опроса ста руководителей. Это не означает, что 80% AI-проектов провалились: цифра скорее показывает разрыв между ожиданиями руководства и скоростью появления ощутимой бизнес-ценности.
В материале Is Your AI Transformation Forgetting the Front Line? Bain предлагает искать одну из причин этого разрыва там, где происходит реальная работа, — на уровне сотрудников и линейных руководителей.
Компания внедрила AI, но работа практически не изменилась
Один из главных парадоксов сегодняшней AI-трансформации заключается в том, что технологические изменения происходят значительно быстрее организационных.
Компания может купить корпоративные лицензии, интегрировать AI в IT-инфраструктуру, провести обучение, сформировать центр компетенций и запустить десятки пилотов. По внутренней отчётности всё будет выглядеть как масштабное внедрение. Но если посмотреть на рабочий день конкретного сотрудника, может оказаться, что он выполняет практически те же операции, в той же последовательности и в рамках тех же процессов.
Это принципиально отличается от настоящей трансформации. Bain и в других исследованиях AI подчёркивает: наибольший эффект появляется не тогда, когда технология просто ускоряет отдельную операцию, а когда компания сначала определяет возможности для создания ценности, затем перепроектирует процесс и только после этого внедряет AI.
Автоматизация плохого или избыточного процесса не превращает его в хороший процесс.
AI ускорил отчёт. Но нужен ли сам отчёт?
Представим, что HR-специалист пять часов готовит ежемесячный отчёт. С помощью генеративного AI это время удалось сократить до трёх часов. Производительность формально выросла на 40%.
5 часов → 3 часа
AI помогает быстрее выполнить прежнюю работу.
Новый процесс
Данные собираются автоматически, руководитель получает пять ключевых показателей в обновляемом дашборде.
Более зрелый вопрос звучит не «как быстрее подготовить отчёт?», а «нужен ли вообще этот отчёт в прежнем виде?»
В первом случае AI помогает быстрее выполнять старую работу. Во втором — компания меняет сам способ её выполнения. Именно второй вариант способен давать значительно больший экономический эффект.
AI-трансформация слишком часто начинается сверху
Есть ещё одна причина разрыва между стратегией и практикой. Большие трансформации традиционно проектируются сверху вниз.
Руководство определяет стратегические цели, центральная команда выбирает технологические решения, IT обеспечивает инфраструктуру, а сотрудникам объясняют, каким новым инструментом теперь необходимо пользоваться.
На уровне стратегии такая модель выглядит рационально. Но у неё есть ограничение: руководители не всегда видят работу с той же детализацией, что и сотрудники, которые ежедневно выполняют конкретные операции.
Bain давно обращает внимание на эту проблему применительно к корпоративным трансформациям в целом. При чрезмерно централизованном подходе компания рискует потерять знания frontline employees — сотрудников, непосредственно выполняющих работу.
С AI это становится особенно важно. Центр компетенций может предложить десятки потенциальных сценариев использования нейросетей, но наиболее ценные кейсы часто обнаруживаются непосредственно внутри функции.
Видит этапы обработки кандидатов, которые занимают непропорционально много времени.
Понимает, сколько часов уходит на сбор информации перед встречей.
Видит повторяющиеся операции, которые можно частично автоматизировать.
Опыт самого Bain хорошо показывает разницу
В этом смысле интересен собственный опыт Bain с генеративным AI.
Компания предоставила AI-инструменты всем 18 тысячам сотрудников, а 12 тысяч, по данным опубликованного Bain материала, активно использовали их для решения рабочих задач.
При этом в первых пилотах компания не стала предлагать сотрудникам абстрактно «попробовать ChatGPT». Были выбраны сценарии, непосредственно связанные с ежедневной работой консультантов: например, создание Python-кода для анализа данных и автоматизация сложных операций в Excel.
18 000
сотрудников получили AI-инструменты.
12 000
сотрудников использовали их для рабочих задач.
2 000+
специализированных MyGPTs создали сами сотрудники.
Использование быстро росло там, где сотрудники сразу видели практическую ценность AI для конкретных операций.
После корпоративного запуска ChatGPT Enterprise уровень использования среди консультантов и экспертных команд достиг 60% всего за две недели.
Почему сотрудники начали пользоваться инструментом? Не потому, что AI был объявлен стратегическим приоритетом компании. Они увидели непосредственную практическую ценность: операции, которые раньше занимали часы или дни, можно было выполнять значительно быстрее.
Компания сравнивает такой подход с распространением принципов kaizen: сотрудники, находящиеся ближе всего к работе, сами начинают искать способы её улучшения.
Центральная команда предоставляет инфраструктуру, правила и направление, но не пытается заранее придумать все возможные сценарии использования AI за сотрудников.
Обучить всех промптингу недостаточно
Отсюда возникает важный вопрос к корпоративному обучению.
Первая волна AI-learning во многих компаниях была построена вокруг общего знакомства с генеративным искусственным интеллектом: как работают нейросети, как формулировать запросы, как проверять ответы, какие существуют ограничения и риски.
Такие знания необходимы, но сами по себе они практически ничего не говорят о том, как должна измениться конкретная работа.
Обучение инструменту
Что такое AI, как писать промпты, как проверять результат.
Обучение новой работе
Как AI меняет конкретную роль, процесс и распределение ответственности.
Рекрутеру не столько нужен универсальный курс по prompt engineering, сколько понимание того, как AI меняет поиск кандидатов, подготовку вакансий, скрининг, коммуникацию и аналитику подбора.
Для L&D вопрос заключается в том, какие этапы создания образовательного продукта можно автоматизировать и что при этом остаётся зоной ответственности методолога.
Для HRBP — какие данные AI способен собрать и проанализировать перед встречей с бизнесом, а где требуется человеческая интерпретация.
Для руководителя — как организовать работу команды, если часть операций теперь выполняется практически мгновенно.
И это уже гораздо более сложная задача для HR и L&D.
Сотруднику нужно объяснить не только как пользоваться AI, но и зачем
Есть и психологическая сторона трансформации.
Руководство может видеть в AI рост EBITDA, повышение производительности и снижение затрат. Для сотрудника эти аргументы могут звучать совершенно иначе.
Если человеку говорят, что технология позволит компании «делать больше меньшими ресурсами», он вполне способен услышать: «в будущем для этой работы понадобится меньше людей».
Поэтому employee value proposition самой AI-трансформации тоже имеет значение.
Опыт Bain показывает, что adoption растёт, когда польза становится очевидной непосредственно исполнителю. В первых внутренних пилотах консультанты быстро увидели, что инструменты снимают трудоёмкие операции с кодом и Excel, и это стало естественным стимулом к использованию технологии.
См. также: 9 изменений, которые перестраивают компании в 2026 году — исследование McKinsey
Главная проблема начинается после успешного пилота
Отдельная сложность — масштабирование.
Создать AI-решение для небольшой команды относительно просто. Намного сложнее сделать его частью работы сотен или тысяч сотрудников, работающих в разных подразделениях и использующих разные процессы.
Такой результат Bain получил в исследовании примерно 1 300 руководителей B2B-компаний.
Но Bain одновременно отмечает, что многие компании по-прежнему испытывают сложности с превращением пилотов в устойчивые решения, создающие ценность.
Отличие более успешных компаний заключается не просто в количестве AI-проектов. Они выстраивают технологическую и data foundation — инфраструктуру данных, выбирают сценарии исходя из ценности для бизнеса, интегрируют AI в основные процессы и создают решения совместно с frontline-командами.
Business value
Начинать со сценариев, где существует понятный экономический эффект.
Data foundation
Создавать данные и инфраструктуру, необходимые для устойчивого масштабирования.
Workflow
Встраивать AI непосредственно в основной процесс, а не оставлять отдельным экспериментом.
Компании, вероятно, измеряют AI не теми показателями
Для HR это особенно важная часть дискуссии.
Если KPI трансформации — количество активных пользователей, сотрудники могут активно использовать AI для написания писем и резюмирования документов, не создавая существенного экономического эффекта.
Поэтому оценивать зрелость внедрения стоит ближе к уровню бизнес-процессов.
Bain рекомендует начинать AI-трансформацию именно с определения бизнес-ценности и целевых результатов, а затем связывать с ними процессы, технологии и ответственность команд.
Высокий уровень использования технологии говорит о том, что сотрудники приняли инструмент. Но трансформация начинается тогда, когда благодаря ему меняется экономика работы.
Линейный руководитель становится ключевой фигурой AI-трансформации
Между стратегией CEO и ежедневной работой сотрудника находится человек, роль которого иногда недооценивают, — линейный менеджер.
Именно руководитель определяет приоритеты команды, распределяет задачи, контролирует качество и оценивает результат. Поэтому без изменения его управленческой практики новый способ работы может просто не закрепиться.
Bain в исследованиях трансформаций подчёркивает значение frontline ownership — ответственности линейных команд за изменения.
Когда трансформация остаётся проектом центрального офиса, менеджеры могут воспринимать её как дополнительную инициативу, которую необходимо выполнять параллельно с основной работой. Когда же ответственность за достижение конкретного результата находится у линейного руководителя, изменение становится частью операционной деятельности.
Не просто «используйте AI», а перепроектируйте работу команды
Например, вместо требования использовать AI при подготовке отчётов руководитель вместе с сотрудниками разбирает весь процесс, определяет наиболее трудоёмкие операции, выбирает сценарии автоматизации, устанавливает правила проверки результата и через месяц сравнивает показатели.
Технология существует отдельно от управления результатом.
AI становится частью новой системы выполнения и оценки работы.
Так AI перестаёт быть корпоративной инициативой и становится частью управления производительностью.
Почему эта трансформация становится задачей HR
На этом этапе становится понятно, почему AI нельзя оставить исключительно IT-функции.
Технологическая команда может обеспечить модели, инфраструктуру, интеграции, безопасность и доступ к данным. Но значительная часть вопросов, от которых зависит реальный результат, находится в зоне организационного дизайна и управления людьми.
Все эти вопросы напрямую касаются HR.
AI learning
Научить сотрудников пользоваться новыми инструментами.
Work redesign
Пересмотреть роли, навыки, процессы, KPI и модель взаимодействия человека с AI.
Что это означает для российского HR
Для российского рынка эта дискуссия особенно своевременна. AI быстро распространяется в рекрутменте, обучении, внутренних коммуникациях, аналитике, работе HRBP, создании контента и поддержке сотрудников. Но скорость распространения отдельных инструментов ещё ничего не говорит о зрелости трансформации.
Внутри одной компании уже сейчас могут сосуществовать совершенно разные модели. Одна команда создаёт собственных AI-ассистентов и перестраивает процессы, другая использует нейросеть преимущественно для текстов и презентаций, третья избегает её из-за требований информационной безопасности, а четвёртая экспериментирует самостоятельно без общего стандарта.
Полезно смотреть на каждую функцию через несколько вопросов.
Где уходит время?
Какие операции занимают непропорционально много рабочего времени?
Что можно изменить?
Какие операции AI способен ускорить, автоматизировать или убрать?
Что стоит пересобрать?
Какие процессы лучше не автоматизировать, а полностью пересмотреть?
Как измерить?
Какие показатели покажут реальное изменение производительности?
Где нужен человек?
В каких точках необходимо сохранить human-in-the-loop?
Что распространять?
Какие локальные практики доказали ценность и должны стать стандартом?
Вопрос человеческого контроля особенно важен именно для HR. Решения могут затрагивать найм, оценку эффективности, карьерное развитие, вознаграждение и персональные данные. Поэтому рост автоматизации одновременно повышает требования к прозрачности и ответственности.
Следующий этап — не внедрение AI, а перепроектирование работы
Цифра Bain о том, что около 80% опрошенных CEO недовольны прогрессом своих AI-программ, хорошо показывает противоречие нынешнего этапа технологической трансформации. Компании получили доступ к чрезвычайно мощной технологии быстрее, чем успели перестроить организации вокруг неё.
Сейчас начинается наиболее сложный этап: компании должны понять, как должна выглядеть работа, если искусственный интеллект становится её постоянной частью.
И здесь уже недостаточно купить лицензии, провести обучение и посчитать количество пользователей.
Необходимо перепроектировать процессы, изменить роли, определить новые компетенции, научить менеджеров управлять гибридной работой человека и AI, создать понятные зоны ответственности и связать использование технологии с измеримыми результатами бизнеса.
Главный вопрос AI-трансформации постепенно меняется.
Не «сколько наших сотрудников уже используют AI?», а «что благодаря AI стало принципиально иначе устроено в нашей компании?»
Если ответа на второй вопрос пока нет, возможно, AI уже внедрён — но сама трансформация ещё не началась.