Главное про AI - Вадим Жартун

Этап 5. Запуск и обратная связь. Развёртываем агент с мониторингом качества и механизмом коррекции. Что мониторим: задержку ответа (latency — время между запросом и ответом), процент ошибок, процент автозавершений, качество ответов через оценочный набор (тестовый набор запросов с эталонными ответами), пользовательский опыт, стоимость, безопасность через DLP (Data Loss Prevention — система предотвращения утечек данных, ловит попытки отправить наружу персональные данные или коммерческую тайну) и audit log (журнал аудита — кто, когда, что запросил, какой ответ получил). На выходе: агент в продакшне, панель мониторинга с ключевыми метриками, цикл улучшений. Агент, которого «запустили и забыли», деградирует за 2–3 месяца, данные уезжают, привычки пользователей меняются, модель устаревает.

ПОРЯДОК ВНЕДРЕНИЯ: ПРОЦЕСС ИЛИ МОДЕЛЬ

Технология перестаёт быть отправной точкой. Всё начинается с задачи: какую работу мы отдаём агенту, какую оставляем человеку, какие показатели считаем успехом. Мультимодельность становится следствием, а не причиной: модели выбираются под этапы процесса, а не наоборот. Бюджет считается иначе: сначала метрики, потом стоимость их достижения. Команда собирается под этапы, а не под технологический стек. Метрика не сходится на этапе «процесс» — модель даже не трогаем. Это экономит недели работы, которые иначе ушли бы на настройку ради настройки. Поставить процесс первым — инженерный и управленческий смысл всех пяти этапов.

ЗНАЧЕНИЕ ПРАВИЛЬНОГО ПОРЯДКА ВНЕДРЕНИЯ

Пять этапов создания AI-агента — последовательность, а не чек-лист альтернатив. Сначала решаем, что готовим (процесс и метрики). Потом — что агент делает сам, а что нет (границы). Потом — какие модели под какие шаги (мультимодельность). Потом — как агент хранит контекст (память). Потом — как запускаем и пробуем (запуск). Большинство провалов в AI-кухне — попытка смешать специи, не зная, что готовишь. Рецепт первичен, ингредиенты вторичны.

Без ADKAR (модели изменений, которая подробно разобрана далее в этой главе) технически работающий агент умирает от сопротивления. С ADKAR — обрастает амбассадорами. До запуска нужно рассказать, что агент появится и зачем. Показать, что он снимает рутину, а не отбирает работу. Обучить, как с ним разговаривать и что ему можно отдавать. Дать время и поддержку, чтобы люди привыкли. Показывать эффект и хвалить тех, кто пользуется. Пятиэтапная цепочка без ADKAR делает продукт, который никто не открывает.

Рецепт первичен, ингредиенты вторичны. И в процессах, и в изменениях.

УПРАВЛЕНИЕ ИЗМЕНЕНИЯМИ: ЛЮДИ КАК ГЛАВНЫЙ РИСК AI-ВНЕДРЕНИЯ

Prosci (компания-разработчик методологии управления изменениями, основанная Джеффом Хиаттом в 1994 году) в декабре 2024-го опросил 1107 профессионалов и сформулировал ключевой вывод: AI-внедрение проваливается не на технологии, а на людях. 63% организаций называют человеческие факторы основной причиной сложностей при запуске AI, и эта цифра перевешивает любой технический аргумент. Самые тяжёлые узлы — недостаточная спонсорская поддержка со стороны первых лиц (43% респондентов), отсутствие обучения (38%) и страх потери работы, который никуда не девается, если его не называть вслух.

Любопытна структура страхов. 65% опрошенных верят, что генеративный AI повысит их личный успех, 73% ждут, что организация в целом станет успешнее — и при этом 22% признаются, что обучение AI «повесило» на них кривую входа, с которой они не справились. Этот разрыв между «я верю в эффект» и «я не справляюсь с кривой» и есть зона работы менеджера изменений (специалиста по управлению изменениями). На стороне заказчика это значит, что управление изменениями — не вспомогательная услуга, а одна из трёх опор проекта наряду с моделью и инфраструктурой.

ADKAR: МОДЕЛЬ, НАЧИНАЮЩАЯСЯ С ОДНОГО ЧЕЛОВЕКА

ADKAR — пятибуквенная модель изменений, которую Джефф Хиатт (Jeff Hiatt) — основатель компании Prosci и её методологии управления изменениями — вместе с командой Prosci оттачивали с 1990-х годов. Буквы означают пять стадий: осознание необходимости (Awareness), желание участвовать (Desire), знание (Knowledge), способность применить (Ability), закрепление нового поведения (Reinforcement).

Особенность модели — она работает на индивидуальном уровне. Миф «ADKAR — это про HR, не про AI» не выдерживает проверки: ADKAR про изменения вообще, и AI здесь только самое свежее из того, что меняется в организациях. Тот же фреймворк работает для внедрения CRM, перехода на новую ERP, переезда в новый офис — везде, где у людей меняется привычка. AI не делает ADKAR «про HR», а делает его центральным для любого технологического внедрения.

«Команда приняла AI» — фикция, потому что принятие происходит по одному человеку, а командный эффект возникает потом как сумма индивидуальных. Когда руководитель говорит «мы внедрили», я переспрашиваю: «А конкретно Маша из бухгалтерии — она вчера открыла ChatGPT по рабочей задаче?» Если ответ «нет» — значит, внедрения ещё нет, есть только запись в реестре проектов.

В AI-проекте ADKAR раскладывается на конкретные действия.

На стадии Awareness лидер говорит сотрудникам, что происходит в отрасли и какие потери несёт статус-кво (текущее положение дел). На языке их повседневной работы, а не на языке презентации для совета директоров.

На стадии Desire менеджер разговаривает лично с каждым ключевым сотрудником и отвечает на вопрос «а что со мной будет» не шаблоном, а фактом.

На стадии Knowledge команда получает общий словарь: что считаем контекстом, что — критерием качества, как формулируем ограничения.

На стадии Ability сотрудник пробует на своей задаче под присмотром более опытного коллеги.

На стадии Reinforcement новое поведение закреплено средой: KPI пересмотрены, регламент упоминает AI, история успеха видна коллегам.

Эти пять стадий идут последовательно: нельзя пройти Knowledge, минуя Awareness, — иначе обучение ляжет в голову мёртвым грузом. McKinsey в январском 2025 отчёте Superagency in the Workplace подчёркивает: большинство организаций застревает на Awareness и Desire, потому что лидеры стесняются вести эмоциональный разговор с командой. Это и есть типовая причина провала — не нехватка денег, а нежелание руководителя выглядеть «слишком человечным».

У каждой стадии ADKAR есть свой индикатор провала. На Awareness провальный ответ на вопрос «зачем нам AI» — «ну, приказ». На Desire индикатор хуже: HR-отдел пишет «AI — это возможность для всех», а люди слышат «нас будут сокращать». Желание проверяется не словами, а действием: открыл ли человек чат в рабочее время хотя бы раз, без принуждения, на своей задаче. На Knowledge провальный признак — каждый пишет промпты по-своему, нет общей библиотеки, юристы узнают о рабочих сценариях последними. На Ability — после обучения прошло два месяца, а инструмент не используется в реальных задачах. На Reinforcement — через квартал после успешного пилота команда вернулась к старым регламентам, потому что KPI не были пересмотрены.

BANI: ПРИЧИНА, ПО КОТОРОЙ ПЛАНЫ