Как обучить сотрудников нейросетям и внедрить ИИ в их работу

Как ИИ влияет на рынок труда и что будет к 2030 году? Как обучить команды нейросетям и внедрить ИИ в ежедневные процессы? Об этом рассказал основатель iiuniversitet.ru Павел Лебедев на «Белой конфе». В статье — формула внедрения ИИ в работу. 

Что происходит на рынке к 2030 году

По словам Павла Лебедева, происходящее сейчас — «идеальный шторм» для нейросетей: к 2030 году изменения затронут каждого, и это уже вопрос не футурологии, а планирования работы.

McKinsey оценивает: к началу следующего десятилетия искусственный интеллект и автоматизация возьмут на себя до 30% рабочих часов. 

Производительность при этом растёт на 30–40%, но часть рутинных задач стремительно теряет ценность вместе с ролями, которые их выполняют.

Всемирный экономический форум прогнозирует перестройку занятости: 40% компаний планируют сокращения к 2030 году — это порядка 92 млн рабочих мест. 

Одновременно ожидается рост новых позиций (около 170 млн) и необходимость переобучения примерно для 46% профессий.

В зоне риска — массовые операционные и административные роли: почтовые и банковские сотрудники, специалисты по вводу данных, кассиры, ассистенты и администраторы, работники типографий, бухгалтеры и кадровики, специалисты по учёту, кондукторы, коммивояжёры и продавцы, графические дизайнеры, эксперты по претензиям, юридические чиновники и секретари, телемаркетологи.

В общем, ИИ-революция коснётся абсолютно каждого человека. 

Почему внедрение ИИ в работу буксует

Главная причина — сопротивление изменениям: с нейросетями приходится заново осваивать собственную профессию, перестраивать привычные процессы и ответственность.

Повседневные реплики в командах повторяются: «не работает», «выдаёт ерунду», «выдумывает неправду», «надо всё перепроверять», «я быстрее сделаю», «пока не знаю, что ей дать», «это сложно», «они никогда не смогут сделать нормально», «в этом нет души».

Отсюда и результаты: нейросети используют «на открытки ко дню рождения», а эффективность не растёт. Пока одни экспериментируют точечно, конкуренты успевают внедрить ИИ в работу и показывают прирост.

Диагноз простой: есть две причины провала — люди не умеют формулировать запросы и отправляют их не туда.

Но наша цель другая: чтобы сотрудники сами создавали ИИ-ассистентов под свои задачи и автоматизировали повторяемые куски процесса. Разберёмся, как к ней прийти. 

Формула внедрения ИИ: насмотренность → прецедент → привычка

Рабочий путь к результату складывается из трёх опор: сначала команда нарабатывает насмотренность, затем доводит до прецедента в своей задаче и только после этого превращает новое в привычку.

Шаг 1. Насмотренность

Насмотренность — стартовая опора. Команда расширяет кругозор по задачам, инструментам и данным, чтобы видеть больше вариантов решения и быстрее находить рабочие подходы.

Павел Лебедев объясняет простую схему: «рецепт — промпт», «плита — нейросети», «ингредиенты — исходные данные», «пирог — результат». Отсюда три направления работы.

• Рецепт (промпт)

Задача на этом этапе — научиться составлять понятные, конкретные запросы. Полезная тренировка: попросить модель задать уточняющие вопросы к вашей задаче; затем — попросить улучшить исходный промпт; после — попросить раскритиковать собственный результат, чтобы увидеть, где теряется качество. Эти 3 шага быстро показывают, чего не хватает: цели, контекста, критериев или примеров.

• Плита (нейросети)

Команда знакомится с разными типами моделей и их сильными сторонами: текстовые подходят для идей, структуры и черновиков; графические — для иллюстраций и раскладок; видеоинструменты — для чернового монтажа и адаптации форматов. Важно пробовать несколько вариантов на одной и той же задаче и сравнивать результат: так появляется понимание, где какой инструмент уместен.

• Ингредиенты (исходные данные)

Итог зависит от того, что подаётся на вход. Рабочий набор: краткая цель, исходники (брифы, таблицы, выдержки), примеры удачных работ «как надо», критерии проверки (тон, ограничения, объём, формат вывода). Чем точнее и богаче «ингредиенты», тем меньше доработок вручную.

Насмотренность — не про теорию. Это серия коротких, регулярных проб: одна задача — несколько промптов и несколько «плит», затем сравнение версий и фиксация удачных решений. 

Поддерживают рутину простые форматы внутри команды: мини-разборы по задачам, «промпт недели», обмен находками, краткие внутренние демо по текстовым, графическим и видеонейросетям. Такой режим позволяет создать общий словарь, снимает страх «с чего начать» и подготавливает почву для следующего шага — прецедента.

Шаг 2. Прецедент

Прецедент — это момент, когда нейросеть действительно делает нужную работу по вашей задаче и результат можно использовать без оговорок. Здесь заканчиваются пробы «на интерес» и начинается действие.

Самая частая ловушка — остановка после первых экспериментов. Насмотренности хватает, но до рабочего результата дело не доходит. 

Павел Лебедев предлагает пройти 6 конкретных шагов и довести задачу до конца.

1. Сформулировать цель: что именно должно получиться и как вы поймёте, что это то, что нужно.
2. Собрать исходные данные: брифы, таблицы, примеры «как надо», ограничения по тону, объёму и формату.
3. Написать промпт под цель и данные.
4. Получить обратную связь на черновик.
5. Доработать промпт и повторить прогон.
6. Зафиксировать выводы: что сработало, что добавить в «рецепт» на будущее.

Лучше всего работает формат мини-групп. Участник вслух проговаривает цель и промпт, показывает исходники, получает короткую обратную связь, сразу вносит правки и повторяет прогон до готового результата. Такой режим снимает «затыки» в постановке задачи и быстро показывает, чего не хватает: данных, критериев качества или примеров.

Когда прецедент случился хотя бы один раз, дальше команда уже опирается на готовый «рецепт»: повторяет шаги, переносит их на соседние задачи и ускоряет цикл «запрос → проверка → правка». Это и есть переход к привычке.

Шаг 3. Привычка

Привычка — это момент, когда ИИ перестаёт быть «экспериментом» и становится частью ежедневной рутины. Команда больше не «пробует нейросеть», а последовательно решает через неё рабочие задачи.

Форматы обучения для создания привычки

• Обучить сотрудников работе в разных нейросетях: внедрить как повседневную привычку по бытовым вопросам 
• Делиться «промптом недели» в команде, достижениями с ИИ в жизни (сказки, открытки и пр.) 
• Конкурс внутри команды на песню/фото/видео недели с ИИ 
• AI-first-подход: на встречах обсуждаются только вопросы, которые сотрудник уже попробовал решить с нейросетью 
• Контроль за промптом: сначала смотрим промпт, потом — что получилось

Привычка держится на регулярности. Например, команда обучается сразу трём направлениям: текстовые, графические и видеонейросети — и пробует разные подходы на одних и тех же задачах. 

Итог привычки прост: ИИ становится «первым шагом» в любом рабочем цикле — от идеи до черновика, от проверки до правок. Команда действует по одному сценарию, быстрее выходит на стабильное качество и готовит основу для следующего уровня — автоматизации.

Уровни автоматизации с ИИ

В работе с нейросетями выделяются 3 уровня:

1. Ручной режим (нейросети по промптам). Сотрудник решает задачу в диалоге: формулирует промпт, подаёт данные, получает результат и дорабатывает его. Этот уровень даёт быстрый прирост за счёт корректной постановки запроса и дисциплины итераций.
2. ИИ-ассистенты. «Рецепт» встроен внутрь инструмента: не нужно помнить промпт, ассистент следует заранее описанной инструкции. Такой формат избавляет от рутины, ускоряет повторяемые операции и выравнивает качество — результат получается стабильно по одному сценарию.
3. ИИ-агенты. Инструменты выполняют действия во внешних системах: запускают процессы, передают данные между сервисами, работают по триггерам и расписанию. Это уровень, где «процесс делается сам»: человек ставит задачу и контролирует результат.

Поверх этих уровней работает «ИИ-конвейер» — цепочка, где результат одного шага автоматически становится входом для следующего. Так собираются автономные контуры: от сбора входных данных до публикации, уведомлений и учёта.

Практические кейсы и быстрые выгоды

Перед цифрами и результатами важно понять логику: насмотренность даёт варианты, прецедент закрепляет первый рабочий результат, привычка превращает его в рутину — и только после этого появляются быстрые выгоды. Здесь они измеряются просто: временем, объёмом, стабильностью качества и выручкой на одного сотрудника. Каждый кейс опирается на один и тот же принцип: одна повторяющаяся задача, один понятный инструмент, один ответственный и одна метрика успеха. 

Производство курсов: +30% к объёму. После внедрения ИИ выпуск вырос с 220 до 289 курсов в год. Сработали 3 вещи: ассистенты для методологии, ресёрча и коммуникации между отделами, а также обучение команды. Результат закрепился повышением.

Видео: из длинной записи — в короткие клипы за день. OpusClip Pro автоматизирует цикл: подтягивает длинные ролики, вырезает самые сильные фрагменты и публикует их на площадках. В другом примере сервис Wizard дал 112 000 просмотров за 3 дня из собранного из вебинара материала.

Юрист-ассистент: проверка договора за минуты. Внутренний ассистент подсвечивает риски и неточности в тексте, формирует правки и экономит время переговоров. Практика показала: документ, присланный «в последний момент», удаётся довести до рабочей версии за несколько минут без подключения внешнего подрядчика.

Наём: отбор откликов прямо в таблице. Инструмент GPT for Work помогает обрабатывать большой поток резюме: запрос уходит из ячейки, обратно возвращается оценка по шкале от 0 до 10 и короткое обоснование. Поток в сотни откликов проходит первичный скрининг за 10–15 минут вместо нескольких дней.

Автоматизация процессов: меньше ручных операций, больше выручки. На связках n8n/Make автоматизированы типовые действия: от передачи данных до уведомлений. В одном из кейсов автоматизация охватила около 70% операций и привела к удвоению выручки.

Как измерять эффект внедрения ИИ

Оценка идёт по 3 линиям.

• «Бонус за проект». Выплаты за внедрённого ИИ-ассистента, автоматизированную часть процесса или созданного ИИ-агента
• Увеличение объёмов. Экономия времени, рост производительности и расширение нагрузки на одного сотрудника без потери качества
• Выручка на одного сотрудника. Ключевой показатель: растёт — движение верное, не растёт — подход требует пересмотра

Дорожная карта, которая приводит к измеримому результату

1. Выбрать одну повторяющуюся задачу.
2. Выбрать одну подходящую нейросеть.
3. Создать ИИ-ассистента под эту задачу.
4. Довести до прецедента (рабочий результат, который можно использовать).
5. Провести аудит процессов и выбрать 3–5 кандидатов на автоматизацию.
6. Создать ИИ-агента, который выполняет работу самостоятельно.

Ожидаемый эффект от такой последовательности — прорыв 15–40%.

Ключ к внедрению ИИ в команды — автоматизация. Задача — сделать так, чтобы процесс протекал самостоятельно: начать с одной повторяющейся задачи и одного ассистента, довести до прецедента и дальше масштабировать через агента.