Обучение сотрудников нейросетям: что окупается, а что нет

Обучение сотрудников нейросетям продают как готовый ответ: два дня, разбор десятка сервисов, сертификаты, галочка в отчёте. Через месяц команда работает ровно как раньше, а деньги уже ушли.

Разбираю, что об эффективности обучения известно из замеров, какие форматы дают отдачу при вашем бюджете и как за четыре недели получить результат, который видно в цифрах.

Каждую неделю разбираю, как внедрять ИИ в рабочие процессы так, чтобы им пользовались не только вы. Продолжение - в канале.

Почему обучение сотрудников нейросетям редко окупается?

Обучение сотрудников почти всегда строят вокруг инструментов. Вот что умеет ChatGPT, вот как написать промпт, вот что автоматизирует Copilot. Логика понятная: инструменты новые, значит про них и рассказываем.

Проблема в том, что инструмент сам по себе, без перестроенного порядка работы, ничего не меняет. Человек уходит с курса с общим представлением о возможностях и садится за свою обычную задачу, которую он умеет делать руками за сорок минут. Пробовать новый способ на боевой задаче в четверг вечером никто не станет.

По данным отчёта Docebo о готовности к ИИ, 85% сотрудников говорят, что не могут применить полученное обучение по ИИ к своей повседневной работе. Ещё 78% отмечают, что обучение проходит вне тех инструментов, в которых они реально работают. Обе цифры приводит HR Dive в разборе о том, почему такие программы не дают результата.

Дальше срабатывает третья причина, и она самая простая. По тому же отчёту Docebo, 56% работников перегружены ручной рутиной настолько, что у них нет времени осваивать инструменты, которые эту рутину как раз и убирают. Чтобы освободить время, надо потратить время, которого нет.

Отсюда первое практическое следствие. Обучение сотрудников стоит ставить внутрь конкретной задачи, у которой есть срок и проверяемый итог. Отдельным мероприятием в календаре оно почти не работает.

Сколько на самом деле даёт обучение взрослых людей?

Прямых замеров по корпоративным курсам про нейросети пока нет. Зато есть большой обзор того, как вообще работает обучение взрослых людей новой профессии, и он полезен как рамка для разговора про обучение сотрудников.

Независимый исследователь David Roodman и сотрудник Anthropic Maxim Massenkoff собрали доказательную базу по программам переобучения и сформулировали вывод прямо:

«On average, job training programs produce positive but modest effects.»

«В среднем программы профессионального обучения дают положительный, но скромный эффект.»

• David Roodman, Maxim Massenkoff, «Reviewing the evidence on worker retraining programs», Anthropic

Сразу оговорка, без которой цифры выше читаются неправильно. Обзор разбирал государственные и некоммерческие программы переобучения в США. Корпоративное обучение действующей команды в выборку не входило, поэтому переносить $13 000 на «два дня обучения для моих восьми человек» нельзя.

Ценно другое. Внутри всей этой массы программ авторы выделили небольшую группу отраслевых, построенных в партнёрстве с работодателями в отраслях с высоким спросом на кадры. Такие программы дают выигрыш в несколько раз больше среднего.

Работающие программы отличает от средних одна черта: привязка к конкретной работе у конкретного работодателя. Ровно то, чего нет в курсе «нейросети для бизнеса», который читают одинаково для стоматологии, стройки и онлайн-школы.

Сколько ваших сотрудников уже пользуются ИИ без вашего ведома?

По данным исследования Bi.Zone, опубликованного CNews 10 августа 2026 года, до 72% организаций имеют в инфраструктуре признаки использования ИИ-агентов.

В том же отчёте Bi.Zone лидируют по установленности Cursor и Codex - у обоих 24%, следом Copilot с 17% и Claude Code с 8%. А по фактической активности картина другая: Codex 54%, Claude Code 13%, Cursor 12%. То есть наличие инструмента на рабочей станции и его использование - разные вещи, и разрыв между ними измеряется в разы.

То же самое происходит с курсом, купленным на всю компанию. Формально он проведён, доступы выданы всем, отчёт закрыт - пользуются единицы.

Вторая половина проблемы - молчание. Опрос Slack Workforce Index, проведённый осенью 2024 года среди более чем 17 000 офисных сотрудников, показал, что 48% чувствовали бы себя некомфортно, признавшись руководителю в использовании ИИ для типовых рабочих задач. Причины по данным Slack: ощущение, что это жульничество - 47%, страх показаться менее компетентным - 46%, страх показаться ленивым - 46%.

Практический вывод для собственника. Пока в компании нет явного письменного разрешения, часть команды уже пользуется нейросетями, но делает это молча и без правил. Обучение сотрудников в такой ситуации начинается с одной фразы от вас: этим пользоваться можно, вот рамки. До этой фразы курс ничего не меняет.

Почему после курса команда возвращается к старому?

Обучение сотрудников разовым мероприятием поднимает осведомлённость и почти не меняет привычки. Сотрудники возвращаются к прежним способам работы в течение нескольких недель после курса, и со стороны это незаметно: формально все обучены.

Мелисса Стаут, вице-президент по операциям компании Milestone, описывает механику отката так:

«If there's no guidance at all, there's no collaboration around it, then the minute that it feels too hard or they get the wrong answer, people are going to default back to their normal.»

«Если нет вообще никаких ориентиров и нет совместного обсуждения вокруг этого, то в ту самую минуту, когда становится слишком сложно или приходит неверный ответ, люди возвращаются к своему привычному.»

• Мелисса Стаут, вице-президент по операциям, Milestone. Цит. по HR Dive

Ключевое слово - «неверный ответ». Сотрудник, которого не научили проверять результат, получает от нейросети правдоподобный, но неверный ответ, тратит время на его разбор и делает вывод: инструмент не работает. Как устроена эта ошибка и как ловить её до отправки клиенту, я разбирал в материале про галлюцинации нейросети.

Вторая причина потери отдачи - процесс, который никто не менял. Консультанты BCG формулируют это как принцип 10-20-70: 10% усилий приходится на алгоритмы, 20% на данные и технологии, а 70% на людей, процессы и культуру. Курс закрывает первые тридцать процентов, а результат зависит от оставшихся семидесяти.

Какой формат обучения сколько стоит и что даёт?

Я сам проверял этот выбор на себе. Пять лет назад прошёл курс по Python, дошёл до циклов и функций и забросил: программистом не стал, продукт не собрал. Программа была нормальной, а толку для меня ноль: задачи, ради которой стоило доучиться, у меня тогда не было.

Продукт появился, когда я поставил Claude Code и начал ставить ему задачи обычным текстом. За две недели собрал телеграм-бота нейрофотосессий, выступая заказчиком: формулировал требования и принимал результат. Разницу между двумя попытками дала задача, ради которой стоило разбираться. Качество курса тут ни при чём.

Если этот путь предстоит пройти целому отделу, обучение сотрудников обычно окупается быстрее, когда рядом уже стоит готовый процесс. Мы этим и занимаемся: автоматизация бизнеса с ИИ закрывает сам процесс, а команда учится прямо на нём, без абстрактных примеров.

Кого учить первым, а кого не трогать?

Порядок, который работает на компании из 10-30 человек:

1. Тот, кто уже спрашивал. В любой команде есть человек, который сам открыл нейросеть и что-то в ней делает. Он станет наставником для отдела, и это дешевле любого внешнего курса.
2. Тот, у кого больше всего повторяющегося текста. Продажи, поддержка, документы, отчёты. Отдачу обычно видно за две недели, потому что объём большой.
3. Тот, кто отвечает за процесс целиком. Руководитель направления может изменить сам порядок работы, не ограничиваясь ускорением своего куска.
4. Все остальные - позже, когда появятся внутренние примеры на ваших данных.

Кого не трогать первой волной: людей на уникальных задачах без повторов, сотрудников в разгар сезона и тех, кто занят на процессе, где цена ошибки высокая, а проверка ещё не выстроена.

Есть и обратная сторона вопроса «кого учить». Часть собственников на этом месте решает заменить людей вместо обучения. Что из этого выходит на дистанции и почему компании возвращают уволенных, я разбирал отдельно в материале про ИИ вместо сотрудников.

Каким навыкам учить вместо «топ-50 промптов»?

Навык 1. Сформулировать задачу. Критерий освоения простой: сотрудник описывает, что должно получиться на выходе, в каком виде и для кого, до того как открыл чат. База по формулировкам - в разборе про то, как писать промпты.

Навык 2. Дать контекст. Модель не знает ваш прайс, регламент и тон переписки с клиентами. Сотрудник должен уметь приложить нужный документ или пример вместо того, чтобы ждать угадывания. Как это устроено уровнем выше, разобрано в материале про контекст-инжиниринг.

Навык 3. Проверить результат. Самый недооценённый пункт. Проверка занимает три-пять минут и состоит из одного вопроса: откуда это взято и есть ли это у нас. Ответ без источника до клиента не уходит.

Навык 4. Знать границу. Что нельзя загружать в чат, какие данные обезличиваются перед отправкой, где начинается ответственность компании. Тема отдельная и с реальными штрафами, разбор - в материале про персональные данные клиентов в нейросети.

Навык 5. Понять, когда ИИ не нужен. Задача на десять минут раз в месяц не стоит настройки. Сотрудник, который умеет это сказать вслух, экономит вам больше, чем тот, кто автоматизирует всё подряд.

Первые четыре навыка обычно осваиваются на своей рабочей задаче за две-три недели практики по 20-30 минут в день. Пятый приходит позже, вместе с опытом. На этих пяти пунктах и держится обучение сотрудников, которое доживает до результата.

Как выглядит план на 4 недели вместо курса?

1. Неделя 1. Выберите одну задачу и замерьте её. Берите повторяющуюся работу с текстом: ответы на типовые вопросы клиентов, черновики коммерческих предложений, разбор входящих документов. Замерьте до старта: сколько таких задач в неделю, по сколько минут уходит на каждую, кто их делает. Без этого замера отдачу потом не с чем сравнить.
2. Неделя 2. Обучите двух человек на этой задаче. Двоих: того, кто уже спрашивал про нейросети, и того, у кого этой работы больше всех. Всю команду пока не трогайте. Формат - разбор на боевых примерах: берёте пять реальных случаев прошлой недели и проходите их вместе. На выходе у каждого лежат три-четыре рабочие заготовки под его задачу.
3. Неделя 3. Запишите регламент и чек-лист проверки. Одна страница: что можно отдавать нейросети, что нельзя, какие данные убираем перед отправкой, как проверяем ответ перед отправкой клиенту, к кому идти с вопросами. Регламент стоит один-два дня работы и дальше действует сам.
4. Неделя 4. Перенесите в отдел. Двадцатиминутный разбор внутри команды, где два обученных человека показывают, что у них получилось на своих задачах, и отдают заготовки остальным. Плюс замер: те же цифры, что вы снимали на первой неделе.

План закрывает все три причины, по которым обучение сотрудников проваливается чаще всего. Задача есть, потому что вы её выбрали. Учатся прямо в рабочем инструменте, потому что разбираются боевые случаи. Время находится: люди делают ту же работу другим способом, без дополнительных часов сверху.

Как понять, что обучение сотрудников окупилось?

Самая частая ошибка замера - мерить не то. Опрос Smartsheet среди британских руководителей показал: 80% уверены, что ИИ уже повысил продуктивность. При этом саму продуктивность в компаниях до сих пор считают отработанными часами (26%) и числом закрытых задач (25%) - показателями, на которых прирост от ИИ не отражается. Саму проблему Smartsheet формулирует так:

«As AI takes on routine work, the pressure to look busy doesn't go away.»

«Когда ИИ забирает на себя рутинную работу, давление выглядеть занятым никуда не исчезает.»

• Smartsheet, исследование о парадоксе продуктивности, апрель 2026

Три метрики, которые показывают отдачу от обучения сотрудников на дистанции в месяц:

• Время на одну операцию до и после. Замер с первой недели плана против замера с четвёртой. Сравнивать нужно с текущей ценой ручной работы. Сравнение с нулём завышает выгоду.
• Доля результатов, ушедших без переделки. Если черновики нейросети переписывают полностью, навык проверки и контекста не освоен. Время при этом только выросло.
• Сколько человек пользуются инструментом на четвёртой неделе. Это та самая разница между «установлено» и «работает» из данных Bi.Zone, перенесённая на вашу команду.

Полную арифметику окупаемости - что вычитать из выгоды и почему подписка это не вся стоимость - я разбирал в отдельном материале про окупаемость ИИ для бизнеса. Здесь считается более узкая вещь: окупились ли часы, вложенные в обучение, на одной выбранной задаче.

Что делать, если сотрудники боятся, что ИИ их заменит?

Страх редко проговаривается прямо. Выглядит он как вежливое участие в обучении и полное отсутствие изменений в работе после него. Снимается это только прямым разговором, и никакое обучение сотрудников его не заменит.

Напряжение снимают простые и проверяемые слова: какая задача закрывается, что делает человек с высвободившимся временем, что сокращений по этому поводу не планируется. Если планируется - честнее сказать и это, потому что скрыть всё равно не выйдет.

Мелисса Стаут описывает ещё одну практику: отдельный канал для обмена удачными случаями использования ИИ. Смысл в том, чтобы демистифицировать тему и показать людям, что об этом можно говорить открыто. Стоит это ноль рублей и попадает ровно в ту причину, которую замерил Slack: люди молчат, пока не увидели, что говорить об этом можно.

Меган Бин Торрес, вице-президент по успеху сотрудников в Docebo, предлагает начинать с вопроса, который снимает половину сопротивления:

«What is the problem we had in the beginning that AI solves?.. Let's not just throw AI at everything.»

«Какую проблему, которая была у нас изначально, решает ИИ?.. Давайте не будем просто швырять ИИ во всё подряд.»

• Меган Бин Торрес, вице-президент по успеху сотрудников, Docebo. Цит. по HR Dive

Когда команда видит, что вы выбрали одну конкретную задачу и не трогаете остальное, вопрос о замене людей снимается сам.

Какие ошибки делают обучение сотрудников бесполезным?

Ошибка 1. «Купили всем - значит, внедрили». Метрика «обучено 20 человек» закрывается в отчёте, поведение не меняется. Разрыв между установленным и работающим у Bi.Zone - та же история в цифрах.

Ошибка 2. Учить всех сразу вместо тех, у кого есть задача. Бюджет размазывается, глубины нет ни у кого, и примеров на своих данных после такого обучения не остаётся.

Ошибка 3. Мандат сверху. Обязательные еженедельные отчёты «что нового внедрил» дают обратный результат: сотрудник получает прямой стимул скрывать использование ИИ, чтобы не оказаться в списке отстающих.

Ошибка 4. Молчание про правила. Без письменного разрешения и границ половина команды пользуется нейросетями тайком, а вторая половина не пользуется вообще. Оба варианта плохие.

Ошибка 5. Полный доступ без ограничений. По данным «Информзащиты», приведённым CNews, 42% организаций столкнулись с инцидентами из-за ИИ-агентов в 2026 году против 31% годом ранее. При этом компании, которые последовательно применяют принцип минимально необходимого доступа, фиксируют инциденты в 17% случаев против 76% у тех, кто этого не делает. Это наибольшее снижение риска среди всех мер, которые замеряли.

Пятая ошибка отличается от остальных ценой. Первые четыре стоят потраченного бюджета, пятая - одного инцидента, после которого тему ИИ в компании закрывают на год.

С чего начать на этой неделе?

1. Выпишите три повторяющиеся задачи с текстом. Те, что делаются каждую неделю одним и тем же способом.
2. Посчитайте минуты. Сколько раз в неделю задача возникает и по сколько минут занимает одна штука. Это ваш замер «до».
3. Выберите одну задачу с самым большим объёмом. Остальные две отложите, к ним вернётесь после первого результата.
4. Напишите страницу правил. Что можно отдавать нейросети, что нельзя, как проверяем ответ, к кому идти с вопросами.
5. Назначьте двоих. Того, кто уже спрашивал про нейросети, и того, у кого выбранной работы больше всех.

Если после замера окажется, что задача возникает пару раз в месяц, обучение сотрудников под неё не окупится - и это тоже полезный результат за полчаса работы. Порядок внедрения целиком, от выбора процесса до проверки, разобран в материале про внедрение ИИ в малом бизнесе, а список задач, с которых обычно начинают, - в разборе про автоматизацию рутины нейросетями.