Внедрение ИИ в компании. Что работает на практике

Успешное внедрение искусственного интеллекта редко начинается с абстрактной цели. Чаще всего компания сталкивается с конкретной задачей, которую можно решить новым способом. Опыт Мегафона и Контура показывает два рабочих сценария.

Внедрение ИИ в крупной компании опирается на ИТ-фундамент — внутреннюю модель и команду, которая ее поддерживает.

В Мегафоне развернули собственную модель внутри корпоративного контура. У Контура работают Контур GPT и Контур ART. Обе компании используют разные решения под разные задачи — DeepSeek, Qwen, узкоспециализированные модели для программирования. Принимать решение о выборе должна ИТ-команда. Она следит за рынком и тестирует версии, чтобы подобрать модель под задачи бизнеса.

Внутренняя модель должна конкурировать с бесплатными внешними аналогами — иначе сотрудники будут пользоваться ими. Если развернуть слабый инструмент, делегировать задачи модели нет смысла: проще сделать работу самостоятельно. Поэтому внедрение модели — только первый шаг. Дальше ИТ-команда постоянно улучшает решения совместно с функциями бизнеса.

Этап проб и ошибок проходит каждая компания, которая начинает работать с ИИ. На первом этапе неизбежны разочарования: что-то получается, что-то нет, команда учится на ходу. Важно пройти через это спокойно, без давления на немедленный результат.

К ошибкам коллеги команда обычно относится лояльно. От модели ожидают стабильности компьютера: формула в Excel всегда считает правильно, и от нейросети ждут того же. Психологически смириться с этим непросто, и команде нужно время, чтобы перестроить ожидания.

Один из первых практических вопросов при внедрении ИИ – что предложить сотрудникам: универсальную платформу с открытым чатом или готовые цепочки цифровых агентов под конкретные задачи.

У каждого подхода есть ограничения. Универсальная платформа дает инструмент, но не задает направление – без понимания, как его применить, сотрудники теряются и откладывают инструмент в сторону. Преднастроенные цепочки работают точнее, но не покрывают всё многообразие рабочих ситуаций: реальные задачи шире любого готового сценария.

На практике работает сочетание обоих подходов. Базовая внутренняя платформа с открытым чатом должна быть доступна всегда. Преднастроенные ассистенты под конкретные функции появляются там, где бизнес формулирует конкретную задачу: сначала функция описывает, что именно нужно автоматизировать, и уже под эту задачу собирают цепочку.

Два-три года назад ответ на вопрос «чему учить команду» был однозначным: инструментам и навыку формулировки запросов. Старые модели вроде GPT-3.5 без точного запроса давали слабый результат. Современные модели понимают обычный язык — сотрудник пишет своими словами и получает ответ, близкий к ожидаемому. Навык точной формулировки остается полезным, но перестает быть критичным.

Принцип «сначала свой разум, потом инструмент» применим для любого сотрудника. Без критического мышления внедрение ИИ превращается в делегирование ошибок.

Это касается и функций, которые раньше казались далекими от ИИ. В Контуре прорабатывают цифрового бухгалтера на основе продукта «Контракт" — ассистент должен закрывать стандартные бухгалтерские процессы на уровне новичка. Логика та же: сначала функция понимает, что именно от ассистента нужно, и уже под эту задачу собирают решение.

Самая простая метрика – пользуются или нет. Сколько токенов потрачено, сколько обращений к инструменту зафиксировано, возвращаются ли сотрудники к нему снова. Если потребление есть и оно растет, продукт нужен команде.

Сложнее измерить, насколько эффективно люди используют модель. Здесь важно не передавить. Некоторые компании запускали внутренние соревнования «кто больше попросил у модели» – сотрудники сжигали токены ради статистики, и реального результата это не давало.

Переход к масштабированию происходит на двух уровнях
➔ На уровне продукта. Если пилот дает оцифрованный положительный эффект, его масштабируют; если нет – возвращают на доработку.

➔ На уровне стратегии. Компания готова к новому уровню, когда есть компетенции, команды и осознание, что ИИ-инструменты пора встраивать в основные процессы – в создание и доставку ценности клиенту.

Большинство компаний начинает с энтузиаста — одного человека или одной функции, у которых есть конкретная боль и потребность. До системного внедрения доходят немногие. Видимость интеграции — «у нас есть ИИ, потому что один сотрудник использует DeepSeek» — это не то же самое, что встроенные процессы.

Компании начинают двигаться в сторону системного внедрения ИИ по одному из двух сценариев. Первый — успешный опыт рядом: сотрудник видит, что коллега решает ту же задачу в разы быстрее. Второй — давление объемов: когда объем работы кратно вырос, а ресурсы остались прежними. Пока ни один из сценариев не случился, компания остается в состоянии «пока не болит».

Системное внедрение начинается с культуры. Там, где руководители понимают и поддерживают инициативы, ИИ-решения рождаются одновременно снизу — от сотрудников с конкретными задачами — и сверху — от стратегии и понимания рынка.

Внедрение ИИ не требует идеальных условий для старта. Только в процессе работы с реальной задачей становится понятно, какой инструмент нужен и как его встроить в процессы компании.

Команду стоит учить параллельно с внедрением, не дожидаясь окончания пилотов. Часовыми форматами эта задача не закрывается. Программы должны быть достаточно длинными и собранными под разные функции — для топ-менеджмента, для рядовых сотрудников, для специалистов ИТ.

Проводим программы для руководителей, топ-менеджмента, профильных подразделений и всех сотрудников — от экспресс-интенсивов до модульных школ работы с нейросетями.

В 2026 году стартовал новый сезон встреч в рамках сериала «Лидерство, управление, цифра». Вместе с экспертами обсуждаем практические решения для лидеров: как управлять командами, внедрять технологии и строить бизнес в условиях перемен. Следите за обновлениями.