AI
AI используют 88% компаний. Что отличает лидеров
В исследовании McKinsey, опубликованном в ноябре 2025 года, 88% респондентов сообщили о регулярном использовании AI хотя бы в одной бизнес-функции. Влияние AI на прибыль до процентов и налогов, EBIT, отметили 39%. Около 6% вошли в группу AI high performers: они связывают с AI не менее 5% EBIT и оценивают его ценность для компании как значительную.
Разрыв возникает из того, как компании подходят к внедрению.
Почему отчёты выглядят победно, а скорость работы не меняется
Когда компания внедряет AI-ассистента - например, корпоративного чат-бота с доступом к нейросети, - руководство видит красивые цифры на дашборде. Дашборд - это экран с показателями, который показывает, сколько людей «пользуются» системой.
Проблема в том, как считается «пользователь». Любой, кто просто зашёл в систему хотя бы раз за месяц, попадает в статистику. Достаточно один раз открыть систему, чтобы считаться активным пользователем.
Поэтому отчёты выглядят оптимистично. А реальная картина другая.
При оценке внедрения полезно различать три группы. Их доли нужно измерять в своей компании.
- Сотрудники, которые работают с AI каждый день и настраивают его под свои задачи.
- Сотрудники, которые используют его время от времени.
- Сотрудники, которым пока не нашли подходящих сценариев.
Кто платит и кто работает: разрыв между лицензиями и реальным использованием
В больших внедрениях - когда компания покупает тысячи лицензий и платит десятки миллионов долларов в год - картина становится ещё острее.
Расход токенов может быть распределён неравномерно. Токены - единицы обработки текста, от которых зависит стоимость работы AI. Сравнивайте расходы по задачам и отделам с полученным результатом.
Так может оказаться, что компания платит за тысячи мест, а в полную силу ими пользуется небольшая группа. Это видно только при сравнении расходов с результатом.
Данные о внедрении требуют проверки методики. Число выданных лицензий, активность сотрудников и влияние на прибыль описывают разные вещи.
История двух инженеров: почему одинаковый инструмент даёт разный результат
Два инженера получают одинаковую задачу. Оба используют AI. Результаты - противоположные.
Первый вставляет задачу в AI, получает правку сразу в шести файлах, мельком смотрит, видит зелёные тесты - всё работает - и принимает изменения. Через три недели на сервере всё ломается. Причина: AI поменял одну настройку, которую трогать было нельзя. Просто так, без причины. Первый инженер этого не заметил, потому что не читал все изменения.
Вторая работает иначе. Она объясняет AI, где лежит код и что трогать нельзя. У неё заранее написан файл с правилами - это текстовый файл, который AI читает перед каждой новой задачей, как инструкцию. Она читает все изменения сама, находит лишнюю правку и отклоняет её. Принимает вдвое меньше изменений, чем первый. Каждый раз, когда AI делает что-то не то, она дописывает новое правило в файл - и с каждой неделей AI работает у неё точнее.
Из-за работы первого инженера кто-то другой потратил часы на исправление ошибки. Вторая сэкономила время и не создала проблем.
Инструмент у обоих одинаковый. Навык - разный.
Почему умение работать с AI - это отдельный навык, который не закрывается одним курсом
Работать с AI хорошо - значит делать несколько вещей одновременно. Чистить контекст (то есть не давать AI слишком много лишней информации, которая его запутывает). Вести файлы с правилами. Понимать, что AI ошибается, и проверять результат. Знать, в каких задачах AI помогает, а в каких только добавляет работы.
Многие сотрудники не станут этим заниматься. Не потому что они плохие работники, а потому что это не их интерес и не их задача.
Консультанты продают курсы промптинга - то есть обучение тому, как правильно писать запросы к AI. Это полезно, но закрывает малую часть задачи. Обучение на реальных задачах команды даёт больше - видно, кто из сотрудников станет тем, кто потянет остальных, и какие процессы реально стоит отдать агентам. И ответ у каждой компании свой.
При этом производители AI выпускают всё более мощные инструменты. Планка умения растёт. Продвинутым сотрудникам выгодно, что коллеги отстают: их ценность - именно в этом отрыве. Они не будут делиться знаниями сами по себе.
Исследование MIT называет «GenAI Divide» разрыв между немногими организациями с измеримой отдачей и большинством без неё. Похожий разрыв виден и внутри компаний - между теми, кто умеет работать с AI, и теми, кто нет.
Что делать: два пути и три конкретных шага
Есть два способа ответить на этот разрыв. Первый - обучать всех и надеяться, что большинство подтянется. Второй - принять, что большинство не подтянется, и выстроить систему под это.
Работает сочетание обоих.
Шаг первый: найти способных - они прячутся в неожиданных местах.
Проводить обучение стоит не ради того, чтобы все стали продвинутыми пользователями. А ради того, чтобы найти тех, кто ими станет. Часть таких людей сидит в бухгалтерии, в отделе логистики, в колл-центре - там, где их никто не ищет. Они быстро схватывают, начинают применять и через месяц заметно ускоряют свою работу.
Шаг второй: дать продвинутым пользователям статус, а не просить делиться бесплатно.
Внутренняя библиотека, куда продвинутые сотрудники выкладывают свои наработки - файлы с правилами, готовые запросы, схемы работы - с видимым рейтингом и именами авторов. За полезные наработки они получают признание. Это работает лучше, чем корпоративный приказ «делитесь знаниями».
Шаг третий: для повторяемых задач - не обучение, а агенты.
AI-агент - это программа, которая выполняет задачу самостоятельно, без участия человека на каждом шаге. Она встраивается в привычные программы: CRM (система учёта клиентов), учётные системы, тикеты (заявки в службу поддержки). Человек не учится работать с AI - он просто утверждает, отклоняет или правит готовое решение.
Конкретный пример: отдел, который обрабатывает входящие счета. Агенты разбирают счета за ночь - сверяют с договорами, проверяют суммы, формируют решение. Утром люди открывают очередь и просматривают: «согласовать», «отклонить», «уточнить». Вместо ручной сверки каждого счёта - проверка готовых решений.
Как отчитываться совету директоров, чтобы цифры что-то значили
Стандартный показатель «процент внедрения» или «количество активных пользователей» ничего не говорит о реальном эффекте.
Полезный отчёт выглядит иначе. Берёте любой процесс и смотрите, какая доля работы делается тремя способами: вручную, вместе с AI и полностью автоматически. И отслеживаете, как эта доля меняется от квартала к кварталу.
Если доля ручной работы падает - внедрение работает. Если стоит на месте - нет.
Это полезный показатель для ответа на вопрос совета директоров: «Мы получаем отдачу от AI или нет?»
Вопросы и ответы
Мы уже купили лицензии и провели обучение. Что делать дальше?
Посмотрите на реальное использование, а не на статистику входов. Найдите сотрудников, которые работают с AI каждый день, - и начните с них. Попросите их описать, что именно они делают. Это даст вам карту процессов, которые реально поддаются автоматизации в вашей компании.
Нужно ли обучать всех сотрудников промптингу?
Курсы промптинга сами по себе редко меняют поведение большинства. Обучение на реальных задачах команды помогает найти способных людей и процессы, которые стоит автоматизировать. Для повторяемых задач сотрудникам, которые не пользуются AI, удобнее агенты внутри привычных инструментов.
Как понять, какие процессы автоматизировать, а какие не трогать?
Универсального ответа нет - ответ у каждой компании свой. Хороший ориентир: процессы с повторяющимися, предсказуемыми шагами и чётким результатом автоматизируются хорошо. Процессы, где важно суждение, отношения или нестандартные ситуации, - плохо. Начинайте с первых.
Как убедить совет директоров, что AI-проект работает?
Не показывайте «процент внедрения». Покажите, какая доля конкретного процесса делается вручную, вместе с AI и полностью автоматически - и как эта доля меняется каждый квартал. Это полезный показатель для ответа на вопрос об отдаче.
Majento строит AI-агентов и внедряет их внутри компаний-клиентов. Инженеры Majento встраиваются в процессы, находят узкое место, собирают систему и остаются до результата - не уходят после презентации. Если хотите разобраться, где в вашей компании AI реально поможет, напишите: t.me/shimaoz или hello@majento.ai.