Главное про AI - Вадим Жартун

В 2018 году исследователь будущего (футуролог) Жаме Касио (Jamais Cascio) предложил заменить привычную аббревиатуру VUCA (Volatility, Uncertainty, Complexity, Ambiguity — нестабильность, неопределённость, сложность, неоднозначность) на BANI: Brittle, Anxious, Non-linear, Incomprehensible — хрупкость, тревожность, нелинейность, непонятность. Логика смены простая: VUCA предполагал, что с неопределённостью можно справиться, подождав; BANI говорит, что ждать нечего — события приходят быстрее, чем мы их осмыляем. Хрупкий мир не качается, как маятник. Он трескается, как старая высохшая кость: снаружи кажется прочным, но один излом — и вся конструкция рассыпается. AI-проект ломается так же: снаружи всё выглядит надёжным, но один излом — отозванный API-ключ, изменение регламента, перевод ключевого сотрудника — и пилот встаёт.

Лучшая иллюстрация BANI для AI-проекта — не землетрясение в Японии, остановившее конвейеры в Детройте, а более привычная ситуация: вендор (поставщик решения) отзывает API-ключ (секретный идентификатор доступа к API), и пилот, который работал три месяца, встаёт за один день. План, который писался полгода, к моменту запуска устарел. Сотрудник, который неделю назад считал AI перспективным, сегодня тревожится из-за слухов о сокращениях. Маленький пилот в одном отделе, который прекрасно работал, ломается при переносе в другой — между отделами есть невидимая связь, как в цепочке поставок.

Из BANI следуют три правила планирования. Из хрупкости — регламент должен быть самовосстанавливающимся, как бамбук, который гнётся, но не ломается. Из тревожности — тревогу сотрудников нельзя притворяться отсутствующей, её нужно называть словами: непроговорённая тревога всегда сильнее, чем внятный ответ руководства. Из непонятности — длинный годовой план бесполезен, нужен короткий цикл обратной связи: запустил пилот на 4 недели, собрал данные, скорректировал, пошёл дальше.

СОПРОТИВЛЕНИЕ СОТРУДНИКОВ: СИМПТОМ, А НЕ САБОТАЖ

«Команда саботирует AI» — самый частый сюжет, который я слышу на консультациях. За девятью случаями из десяти стоит конкретная причина, которую можно устранить:

1: Человек не понимает, что с ним будет дальше — и сопротивляется, чтобы не оказаться в ловушке.

2: Человек пробовал и обжёгся, а ему никто не помог — и он заранее не верит, что вторая попытка будет другой.

3: Человек видит, что его роль меняется, и никто не предложил ему новую — и он защищает старую, потому что больше нечего защищать.

Deloitte в четвёртом издании State of AI in the Enterprise (2024) зафиксировал парадокс, который переворачивает стандартный ход мысли: организации с лучшими результатами по AI сообщают о страхе сотрудников в два раза чаще, чем аутсайдеры. Бина Амманат (Beena Ammanath), автор исследования и руководитель Deloitte AI Institute, объясняет: страх в этих компаниях сочетается с доверием и поддержкой, и это работает. Страх — признак сильного видения. Проблема не в страхе, а в отсутствии поддерживающих действий рядом с ним. Там, где страх остаётся один, он превращается в саботаж. Там, где рядом со страхом есть обучение, прозрачность и ясные «красные линии» про роли, страх становится топливом для изменений.

Самый опасный слой сопротивления — не явный, а молчаливый. Тим Кризи (Tim Creasey), директор по инновациям Prosci, работает в управлении изменениями 25 лет и снова и снова получает один и тот же результат: предиктор успешного изменения — не методология, не инструмент, не бюджет, а активное и видимое спонсорство.

Спонсор в AI-проекте — руководитель, который сам открыто пользуется AI на совещаниях и в рабочей переписке. Не тот, кто подписал указ о внедрении и вернулся к операционке (операционным задачам и управлению текущими процессами). Если спонсор не появляется в эфире, его команда считывает сигнал «AI — для пролетариев, а я как-нибудь переживу».

Следующий опасный слой — менеджеры среднего звена. Свежие данные Gartner (2024) показывают, что они сопротивляются чаще, чем линейные сотрудники: у линейных нет рычагов, чтобы блокировать, а у мидл-менеджера (менеджера среднего звена) рычаг есть — он решает, давать ли подчинённому время на эксперимент или нет. Если мидл-менеджер не вовлечён, проект умирает в его календаре.

Спонсор должен быть видимым. Мидл-менеджер — вовлечённым. Без этого нет внедрения, есть только реестр проектов.

ПРАВИЛО 10-20-70: БЮДЖЕТ КАК РЕШАЮЩИЙ ФАКТОР

BCG в октябре 2024 года выпустил отчёт Where’s the Value in AI и сформулировал правило 10–20–70: 10% успеха приходит из алгоритмов, 20% — из данных и технологий, 70% — из людей и процессов. Эта пропорция противоречит интуиции технических специалистов, которые по привычке вкладываются в модели и GPU. Она же объясняет, почему пилоты работают, а масштабирование нет: на пилоте есть энтузиазм первых людей, на масштабе — рутина второй сотни сотрудников. McKinsey в Superagency in the Workplace 2025 подтвердил: компании, в которых AI-инструмент становится частью повседневной работы, в 3,4 раза чаще получают материальный эффект на уровне P&L (отчёт о прибылях и убытках), чем компании, где AI «доступен, но не используется».

Практический вывод простой: бюджет проекта должен распределяться в той же пропорции 10–20–70. 80% бюджета ушло на модели, лицензии и инфраструктуру, а 20% — на обучение, коммуникации и управление изменениями? Проект покажет блестящий пилот и мёртвое внедрение. Это не вопрос «софт-скиллов», это вопрос распределения денег. Deloitte добавляет важную цифру: компании, инвестирующие в управление изменениями, в 1,6 раза чаще сообщают, что AI-инициативы превзошли ожидания. Для разговора с финансовым директором этого достаточно: управление изменениями — не гуманитарная помощь команде, а инвестиция с измеримой отдачей.

Деньги решают. Куда они идут — туда и проект.

ОБУЧЕНИЕ ПРОМПТАМ ВНУТРИ МОДЕЛИ ADKAR

Когда обучение промптам выносят в отдельный двухчасовой вебинар и закрывают тикеты (заявки в системе поддержки) в Jira (система управления задачами, используемая в IT-командах), через полгода отдел получает 15 личных «лучших практик» внутри одной команды и ноль общих — между отделами. Правильный подход встраивает промпт-обучение в стадии Knowledge и Ability модели ADKAR. Knowledge — не список приёмов, а общий словарь команды: что считаем контекстом, что — критерием качества, как формулируем ограничения по данным и конфиденциальности. Ability — регулярная сессия разбора реальных кейсов, где люди показывают, что у них не получилось, и разбирают вместе с более опытным коллегой.

Microsoft и LinkedIn в майском 2024 Work Trend Index (ежегодный отчёт Microsoft и LinkedIn о трендах рабочего места) опросили 31 000 человек в 31 стране и зафиксировали разрыв: 75% знаниевых работников уже пользуются AI, но только 39% получили обучение от работодателя. 78% AI-пользователей приносят инструменты на работу сами — явление, которое в отчёте называется BYOAI (Bring Your Own AI, «принеси свой AI на работу»), —