Главное про AI - Вадим Жартун

пробуют, не доводят до результата. Мотив — любопытство и FOMO (Fear of Missing Out — страх упустить важное), страх — выглядеть поверхностным. С ними работают через «быстрые победы» с метрикой и приглашение демонстрировать коллегам.

Миллениалы (30–45). Ширина высокая, глубина средняя: освоили рабочие сценарии. Мотив — профессиональное развитие и страх отстать от рынка. С ними работают через назначение амбассадорами пилотов и истории успеха.

Опытные (45–60). Ширина средняя, глубина высокая: точечно, для проверки и оптимизации. Мотив — снижение рутины и удержание экспертизы, страх — потерять уникальность. С ними работают через роль «критического фильтра», подчёркивая их роль.

Руководители. Ширина очень высокая, глубина средняя (часто делегируют). Мотив — скорость решений и статус, страх — выглядеть отставшим перед молодыми. С ними работают через публичное использование AI на совещаниях.

Линейные сотрудники. Ширина низкая, глубина низкая. Мотив — гипотетически, сохранить работу и доход; страх — увольнение. С ними начинают с показа, что задачи останутся у человека.

ВОПРОСЫ ДЛЯ ИНТЕРВЬЮ ПЕРЕД ЗАПУСКОМ AI-ПРОЕКТА

Пять вопросов, которые дают картину, которой не дают ни опросы, ни метрики использования: реальный разрыв между «AI не для меня» и «AI не для нас». Эти пять вопросов работают только в доверительной обстановке — задавайте их один на один, без HR и без протокола.

1: Какие задачи вы делаете вручную, хотя знаете, что их можно отдать AI?

2: Где вы пробовали AI и перестали — почему остановились?

3: Что вы боитесь потерять, если AI станет частью работы?

4: Какие ошибки AI вы уже видели и что вы делали в этот момент?

5: Кого в команде вы считаете «экспертом» по AI, к кому пошли бы спросить?

Практическое следствие: не «AI для всех» в одной комплектации, а три параллельных трека с разными точками входа. Взять 3–5 миллениалов с подтверждённым опытом и сделать их амбассадорами первого пилота — у них одновременно высокая мотивация и рабочий контекст. Не делать Gen Z голосом проекта; использовать их для демонстрации «смелых» сценариев, но не для методологии. Поручить опытным сотрудникам роль «критического фильтра» — пусть они проверяют то, что выдаёт AI, и их экспертиза оцифровывается. Руководителям выдать отдельный мини-курс про то, как они сами могут использовать AI на совещаниях и в решениях. Линейных сотрудников не обучать «вообще», а подселить к пилоту в их рабочем процессе и снять KPI-страх отдельной беседой.

РОЛИ ВНЕДРЕНИЯ: СОСТАВ КОМАНДЫ И МОМЕНТ ПОДКЛЮЧЕНИЯ

Внедрение AI — не задача одного человека. McKinsey в «Rewired» (2023) и обновлениях выделяет пять ключевых ролей, которые нужны в AI-команде.

Миф «внедрение AI — это проект IT-отдела» мешает правильно распределить ответственность: AI-внедрение живёт на стороне бизнеса, а IT участвует в нём как одна из функций. Это мы уже видели в начале этой главы и в разделе про ADKAR — пилот умирает в момент смены приоритетов. Не все пять ролей требуют полной занятости, но каждая роль должна быть закрыта. Gartner в мае 2024 года зафиксировал, что помимо классических инженера данных, дата-сайентиста и ML-инженера, в AI-проектах появляются четыре новые роли. За полтора года — с 2024-го по середину 2025-го — они переместились из категории «становящиеся» в категорию «обязательные». Компания, которая строит AI-проект сегодня по ролевой модели 2022 года (разработчик + аналитик + менеджер), пропускает критические функции.

РОЛИ ВНЕДРЕНИЯ И КРИТЕРИИ ИХ ОТБОРА

Владелец AI — отвечает за то, что AI продолжает работать через 6 и 12 месяцев после пилота. Не CIO (Chief Information Officer — директор по информационным технологиям), не CDO (Chief Data Officer — директор по данным), не менеджер продукта. Человек с правом тратить деньги на данные и с ответственностью за то, что модель продолжает работать через полгода. Обычно это операционный директор, финансовый директор или руководитель ключевого процесса (продажи, поддержка, логистика), в зависимости от того, где живёт AI. Без владельца пилот умирает в момент смены приоритетов.

Промпт-инженер / носитель метода — переводчик между задачей человека и логикой модели. В IT-проекте аналог — аналитик, но аналитик переводит между заказчиком и разработчиком, а промпт-инженер — между заказчиком и обученной нейросетью, и его работа продолжается после внедрения. В 2024 году эта роль была самой горячей вакансией, в 2025 году профильное сообщество Gartner Peer Community зафиксировало разворот: выделенный промпт-инженер «не оправдал ожиданий», организации возвращаются к распределённой ответственности. Роль не умерла — она переместилась: вместо одной «шапки» на всю компанию — навык, встроенный в каждую функциональную роль. Я рекомендую клиентам не нанимать «главного промпт-инженера», а вложиться в двухнедельную программу для пяти-семи человек из разных отделов, которые становятся «носителями метода». Их задача — не писать промпты за всех, а обучать коллег, разбирать сложные случаи и собирать лучшие практики в общую библиотеку.

Специалист по оценке (валидатор модели) — проверяет не баги, а качество и дрейф модели (постепенное снижение качества модели со временем). В IT-проекте QA-инженер ищет дефекты, у AI-валидатора задача другая: замерить, остаётся ли модель полезной со временем. Сосредоточен на бизнес-метрике, а не только на метриках машинного обучения. Без него бизнес не доверяет модели и откатывается на ручной процесс.

Интегратор — встраивает модель в процессы и регламенты заказчика. В IT-проекте DevOps (методология объединения разработки и эксплуатации, в которой инженер отвечает и за код, и за его работу на сервере) решает инфраструктурные вопросы, а интегратор AI — обучает людей, переписывает инструкции, договаривается с безопасностью. Это редкий навык, и его часто закрывают фрилансеры — что для долгосрочного проекта плохо.

Продакт-менеджер AI — фокус не на фичах, а на эффекте для бизнеса. В IT-проекте продакт-менеджер думает о списке невыполненных задач (backlog) и выпусках готовой версии продукта (релизах), а продакт-менеджер AI — о метриках процесса и поведении людей. Его работа — разбивать задачи на шаги и взаимодействовать с владельцем AI, чтобы каждый релиз сдвигал бизнес-метрику, а не только закрывал тикеты в бэклоге.

ОБЪЕДИНЕНИЕ РОЛЕЙ В МАЛЕНЬКОЙ КОМАНДЕ

Один человек закрывает не больше 2,5 ролей — это эмпирический потолок, проверенный McKinsey на десятках проектов. Дальше качество резко падает: человек перестаёт успевать переключаться между разными типами задач (технические, продуктовые, измененческие). Свыше 2,5 ролей на человека — сигнал, что проекту не хватает людей, а не что человек эффективен.

Бизнес-роль и техническая роль объединяются легче, чем две технические: у них разный язык и разные KPI. Владелец AI — всегда отдельный человек, не совмещённый с тех-лидом; иначе через 3