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.

В материале Is Your AI Transformation Forgetting the Front Line? Bain обращает внимание именно на эту проблему: около 80% CEO из проведённого компанией опроса ста руководителей недовольны прогрессом своих AI-программ. Важно правильно интерпретировать эту цифру. Речь не идёт о том, что 80% проектов закончились провалом. Скорее она показывает разрыв между масштабом ожиданий руководства и скоростью, с которой AI начинает приносить ощутимую ценность бизнесу.

И 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.

В таком случае AI становится ещё одним инструментом поверх существующей модели работы.

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. Иными словами, автоматизация плохого или избыточного процесса не превращает его в хороший процесс.

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%.

Но более зрелый вопрос звучит иначе: нужен ли вообще этот отчёт в прежнем виде? Возможно, данные можно собирать автоматически, руководителю нужны только пять ключевых показателей, а вместо многостраничного документа достаточно постоянно обновляемого дашборда.

В первом случае AI помогает быстрее выполнять старую работу. Во втором — компания меняет сам способ её выполнения.

И 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. Именно они зачастую лучше всего знают, где возникают лишние согласования, какие действия приходится повторять, какие данные постоянно переносятся вручную и какие процедуры существуют скорее по историческим причинам, чем потому, что действительно создают ценность.

С AI это становится особенно важно. Центр компетенций может предложить сотрудникам десятки потенциальных сценариев использования нейросетей, но наиболее ценные кейсы часто обнаруживаются непосредственно внутри функции.

Рекрутер видит, какие этапы обработки кандидатов занимают непропорционально много времени. HRBP понимает, сколько часов уходит на сбор информации перед встречей с бизнесом. Специалист L&D знает, где тормозится производство образовательного контента. C&B-команда видит повторяющиеся аналитические операции, которые можно частично автоматизировать.

Поэтому одна из идей Bain состоит в том, что AI-трансформация должна сочетать leadership from the top (направление сверху) и innovation from the front line (инновации снизу).

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.

В таких пилотах adoption (уровень использования) достигал 80%. 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.

Но ещё интереснее то, что произошло дальше. Сотрудники Bain самостоятельно создали более 2 000 специализированных MyGPTs для конкретных задач. Компания сравнивает такой подход с распространением принципов kaizen: сотрудники, находящиеся ближе всего к работе, сами начинают искать способы её улучшения.

Это принципиально другая логика внедрения.

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.

Рекрутеру не столько нужен универсальный курс по prompt engineering (созданию эффективных запросов), 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.

Поэтому следующий этап корпоративного AI-обучения — это переход от обучения инструменту к обучению новой модели работы.

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 (ценностное предложение сотруднику) самой AI-трансформации тоже имеет значение.

Сотрудник должен понимать, что конкретно изменится в его работе. Какую рутину технология снимет? На какие более сложные задачи освободится время? Какие новые навыки сделают его ценнее? Что останется зоной его ответственности? Кто отвечает за ошибку AI?

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.

Это гораздо сильнее административного требования «сотрудники должны использовать AI».

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.

Исследования Bain среди B2B-компаний показывают, что многие организации уже вышли за пределы первых экспериментов: более 90% примерно из 1 300 опрошенных коммерческих руководителей сообщили, что масштабировали хотя бы один AI-use case (сценарий применения AI). 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.

И здесь появляется важная проблема измерения. Компания может сообщить, что купила 5 000 AI-лицензий. Или что 90% сотрудников прошли обучение. Или что за месяц было отправлено миллион запросов нейросети.

Но ни один из этих показателей сам по себе не отвечает на вопрос, стала ли организация эффективнее.

Компании, вероятно, измеряют AI не теми показателями

Для HR это особенно важная часть дискуссии.

Если KPI трансформации — количество активных пользователей, то 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: сколько рабочего времени высвободилось, насколько сократился цикл выполнения задачи, уменьшилось ли количество ручных операций, повысилось ли качество результата, удалось ли убрать отдельные этапы процесса и какую экономическую ценность это создало.

Bain рекомендует начинать AI-трансформацию именно с определения бизнес-ценности и целевых результатов, а затем связывать с ними процессы, технологии и ответственность команд.

Это позволяет провести важную границу:

AI adoption — ещё не AI transformation.

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.

Применительно к AI это означает, что менеджеру недостаточно самому научиться пользоваться нейросетью. Ему необходимо научиться перепроектировать работу команды.

Например, не просто сказать: «используйте AI при подготовке отчётов», а вместе с сотрудниками разобрать весь процесс, определить наиболее трудоёмкие операции, выбрать сценарии автоматизации, договориться о правилах проверки результатов и через месяц сравнить показатели.

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.

Какие задачи исчезнут из существующих ролей? Какие, наоборот, станут важнее? Как изменятся требования к компетенциям? Нужно ли пересматривать KPI после автоматизации части работы? Как оценивать сотрудника, если значительную часть результата создаёт AI? Каким руководителям понадобится новое обучение? Как организовать внутренний обмен успешными AI-практиками? Как работать со страхом сотрудников перед автоматизацией?

Все эти вопросы напрямую касаются HR.

Поэтому роль HR в AI-трансформации может оказаться значительно шире организации обучения нейросетям. HR становится одним из архитекторов новой системы работы.

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.

Для HR здесь появляется новая задача — не столько стимулировать использование AI, сколько выявлять и масштабировать рабочие практики, которые действительно создают ценность.

Полезно смотреть на каждую функцию через несколько вопросов: какие операции занимают больше всего времени, какие из них AI способен изменить, какие процессы стоит не автоматизировать, а полностью пересмотреть, как измерить эффект и где необходимо сохранить human-in-the-loop (обязательный человеческий контроль).

Последний вопрос особенно важен именно для HR. Решения здесь 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.

Первый этап был посвящён доступу к AI. Второй — экспериментам и пилотам. Сейчас начинается более 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.

Именно поэтому 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.

Основные источники: Bain & Company — Is Your AI Transformation Forgetting the Front Line?, How to Accelerate Progress on AI, Parsing How Winners Use AI, Five Functions Where AI Is Already Delivering, Why Successful Transformations Depend on Frontline Ownership.

Автор: Редакция информационного проекта HR-КУХНЯ