▶️ Ровно через месяц стартует наш онлайн-тренинг

AI BUSINESS PARTNER — ЛИДЕР AI-ТРАНСФОРМАЦИИ

😀 Если вы еще не записались на тренинг – самое время сделать это! Ведь вас ждет не записанный курс, а живой онлайн-практикум в удобном для слушателей формате!

Что будет за 1 месяц:
✔️ 6 занятий по 3 часа
✔️ домашние задания
✔️ работа с реальными бизнес-кейсами

Вы получите практические навыки, которые позволят запустить AI-трансформацию в вашей компании (или в компании клиента), а не просто «разобраться в инструментах».

После тренинга мы не пропадаем. Мы даем доступ в закрытое сообщество AIBP, помогаем сформировать план внедрения AI и подготовиться к защите этого плана перед руководством!

📍 Если вы планировали присоединиться к нашему мероприятию – самое время принять решение! Месяц пролетит быстро, а старт состоится уже 03.02.2026.

📩 Узнать подробности о программе, условиях участия и записаться: @Abd_Roman

💻 Для решения каких задач вы чаще всего используете AI?

Ура! Каникулы закончились!

💼 Шутка… с "УРА" мы, конечно, погорячились, но как бы там ни было, пора возвращаться в рабочий ритм. Почтовый ящик снова наполняется письмами, календари – встречами, а список задач неожиданно выглядит длиннее, чем до праздников...

Как вы планируете со всем этим разбираться: при помощи искусственного интеллекта или своими силами? Среди участников нашего чата есть люди, активно использующие ИИ каждый день; есть те, кто все еще присматривается и даже те, кто уже успел разочароваться и отложить «на потом»....

😀 Давайте сегодня посмотрим, для решения каких задач ИИ используется чаще всего?

💡 ИИ как зеркало

Какие управленческие ошибки подсвечивает искусственный интеллект?

Когда компании внедряют ИИ, они часто ожидают ускорения рабочих процессов, оптимизации расходов, роста прибыли и других «умных» результатов. Но на практике первый эффект почти всегда другой – сначала искусственный интеллект показывает бизнесу проблемы в управлении. ИИ редко ломает систему, но он почти всегда делает видимым то, что в ней давно не работало! И именно поэтому многие AI-проекты вызывают у бизнеса разочарование: вместо решений компания получает вопросы, которые раньше удавалось не озвучивать…

В AIM мы рассматриваем ИИ не как автономную технологию, которая непременно должна работать “из коробки”: запустил пилоты – вжух – и произошло чудо… Мы отлично понимаем, что секрет успешной AI-трансформации кроется в том, как, кем и какие решения принимаются в компании и насколько лидеры бизнеса заинтересованы во внедрении искусственного интеллекта. Поэтому, если вы ждете, что с приходом AIBP у вас все само заработает – не ждите, а лучше внимательно посмотрите на те проблемы, которые станут очевидными после подключения AI Business Partner к вашему проекту…

📱Читайте продолжение в Яндекс Дзене https://dzen.ru/a/aWdtx-jg13C6nT57

🤔 Всем ли нужен ИИ?

Интересная тема, которой мы уже коснулись на AIBP LIVE (обязательно подпишитесь на канал, чтобы не пропустить наш следующий эфир) - в разговорах про внедрение ИИ мы регулярно слышим одни и те же возражения: «у меня бизнес старой формации»; «мне это не нужно»; «у нас слишком нестандартные задачи»… В большинстве случаев за подобными возражениями стоит вовсе не отрицание ИИ как такового! Что именно – разберем ниже.

➖ Люди часто не понимают, какие задачи можно делегировать AI. Человек просто не понимает, что ИИ – это не абстрактная “нейросеть”, а инструмент для конкретной рутины. В этом случае сопротивление – это не протест, а отсутствие примеров.

➖ Перегруз и усталость от изменений. Когда вокруг постоянные дедлайны, бардак и растущие списки задач, любые нововведения воспринимаются как угроза, даже если они полезны для бизнеса. Логика простая: «Сначала надо разобраться с тем, что сейчас не работает, а уже потом приходите с ИИ».

➖ Опыт прошлой “цифровизации”. Почти в каждой компании есть CRM, ERP и другие системы, которые внедряли, но не доводили до ума. Поэтому фраза «А давайте ещё и ИИ запустим» читается как: «Мы не разобрались с предыдущим, но придумали новое».

➖ Скрытый страх потери должности. Даже если человек уверенно говорит, что он уникален и незаменим, он все равно может бояться потерять работу и свое место, этот страх может быть неосознанным – особенно у сильных экспертов. Но это не основная причина, как часто принято думать…

☝️ С любыми возражениями можно работать! И на AIBP LIVE прозвучали формулировки, которые реально помогают:

➡️ “Давайте отдадим ИИ рутину, а вы будете заниматься сложными и интересными решениями”. Опыт и экспертиза человека здесь не обесцениваются, а наоборот, усиливаются.

➡️ “Какие из ваших задач вы хотели бы делать реже?” Не “что автоматизировать”, а именно что раздражает, отнимает силы, не дает заниматься главным. Этот вопрос почти всегда открывает правильные зоны для ИИ.

➡️ “ИИ — не про замену, а про снятие суеты”. Когда человек видит, что ИИ забирает не экспертизу, а обслуживающую работу, сопротивление резко снижается.

❤️ Возражения – это часто не отказ от ИИ, а сигнал о перегрузе, хаосе в процессах и недоверии после прошлых внедрений! И если этот сигнал услышать, разговор про запуск AI-трансформации становится спокойным, взрослым и продуктивным.

🤝Готовность компании к AI

Когда внедрять искусственный интеллект рано?

Мы уже писали о том, что одна из частых ошибок в AI-инициативах – это попытка внедрять AI в компанию, которая к нему не готова. Работая с самыми разными организациями, задумывающимися о внедрении искусственного интеллекта в бизнес, мы обычно отмечаем у них два принципиально разных состояния: AI-agnostic и AI-ready. В чем разница?

Давайте разберемся!

AI-agnostic

Это состояние, когда:

➡️ большинство сотрудников еще не пробовали искусственный интеллект;
➡️ в компании нет людей, которые уже используют AI в работе;
➡️ AI воспринимается как абстрактная “нейросеть” или хайп;
➡️ звучат вопросы в стиле: «а что с этим вообще делать?»;
➡️ промоутеров либо нет, либо они единичны и изолированы.

В таком состоянии внедрять AI рано. Даже если бизнесу “надо”, “пора” и “конкуренты уже все сделали”.

AI-ready

Это состояние, когда:
➡️ часть людей уже знакома с искусственным интеллектом;
➡️есть группа сотрудников, которая видит ценность внедрения ИИ;
➡️ понятно, где AI может помочь и какую пользу дать;
➡️ сопротивление сменяется вопросами формата “а как лучше сделать?”.

💡 Здесь внедрение имеет смысл.

Если в AI-agnostic компании начать сразу с внедрения ИИ, вы неминуемо столкнетесь с проблемами: сотрудники, или, будут сопротивляться и саботировать AI-трансформацию, или же имитировать бурную деятельность – вы сдадите проект, но решения по факу использоваться не будут. В результате, ИИ в такой компании только усилит хаос.

⚠️ В таких компаниях нужно начать с перевода организации в состояние AI-ready – есть сразу несколько рабочих инструментов, которые реально помогут это сделать:

✔️ Показы и демонстрации. Не читайте абстрактные лекции, лучше приводите конкретные примеры, показывайте “вот так это выглядит”, “вот что экономит время”.
✔️ Живые встречи и обсуждения. Это отличный формат, где люди могут задать “глупые” вопросы и не чувствовать давления.
✔️ Тренинги и практики. Это помогает перевести AI из категории страшной технологии в разряд полезных инструментов.
✔️ Конкретные примеры. Не обещайте трансформации бизнеса – покажите, просто чтобы стало понятнее и спокойнее.

Цель этого этапа состоит не в том, чтобы внедрить AI, а в том, чтобы убедить людей попробовать и показать им смысл внедрения.

🎯 Не каждая компания, которой “нужен AI”, готова к нему прямо сейчас.

Но это не проблема, проблемы начинаются тогда, когда компания начинает делать вид, что она готова.

Иногда самый правильный шаг – это не запуск проекта прямо сейчас, а создание условий для того, чтобы при запуске этот проект взлетел!

☝️Кстати, в одном из наших следующих постов мы расскажем о том, как понять, что компания AI-ready – подписывайтесь, чтобы не пропустить!

🤑 Инвестиции в AI не снизили выгорание сотрудников… и это логично

Недавно вышло исследование Колледжа докторских исследований Университета Феникса в Аризоне, в котором прозвучал довольно неприятный для рынка вывод: вложения компаний в AI почти не повлияли на уровень выгорания сотрудников.

📈 Согласно опубликованным данным, в 2025 году в США был достигнут пик выгорания: 51% работников сообщили о подобных проблемах, что стало наивысшим показателем за последние пять лет. Более того, 21% опрошенных признались, что потеряли контроль над направлением своей карьеры. А причем тут AI спросите вы?

👀Оказывается, что отчасти выгорание провоцируется развитием новых технологий, в том числе ИИ: часто компании используют его для работы с персоналом и в этих случаях, работники воспринимают AI как угрозу, а не возможность развития. 61% опрошенных уверены, что их работодатели отслеживают их производительность при помощи ИИ, а около 33% опасаются того, что ИИ может снизить важность их личной роли в компании.

🗣Отдельно автор говорит о проблеме отсутствия обучения работе с ИИ: только 1 компания из 3 уделяет внимание этому вопросу. При этом, работодатели уверены, что умение работать с искусственным интеллектом очень важно для карьерного роста.

☝️Если интересно – ознакомьтесь с полным текстом исследования здесь. А в комментариях обязательно поделитесь вашим мнением о том, должно ли внедрение ИИ в бизнес-процессы снижать уровень выгорания сотрудников?

🤔 Как выбрать процессы для AI

5 признаков задачи, которую можно делегировать искусственному интеллекту

С чего нужно начинать внедрение AI в компании? Правильный ответ – с выбора задач, которые мы будем решать при помощи искусственного интеллекта. В AIM мы выявили пять признаков процесса, который имеет смысл рассматривать для передачи AI. Если они сходятся – все супер, если нет – лучше подумать, где использование ИИ в бизнесе будет эффективнее!

1️⃣Есть полная текстовая инструкция

Вы должны иметь возможность описать задачу словами и четко понимаете, что нужно делать и в каком порядке (без отсылок к ощущениям и пониманию «по опыту»). Если же решение держится на сакральных знаниях, интуиции или «чутье, которое приходит со временем» – это точно процесс не для ИИ!

2️⃣Есть база знаний

У вас есть информация, которая нужна для выполнения задачи, а именно:
🔘контекст;
🔘данные;
🔘термины;
🔘правила.

Да, современные AI модели много знают сами, но ваш бизнес – уникален, а корпоративная специфика почти всегда требует собственного контура знаний. Если этих знаний у вас нет или они не собраны – AI просто не на что будет опираться.

3️⃣Есть примеры хорошего выполнения

Вы точно знаете, как должна выглядеть правильно выполненная задача и можете показать хорошие результаты; правильно написанные письма, корректно составленные отчеты и т.д. Помните, что ИИ учится на примерах – без них он будет генерировать “что-то”, но совсем не то, что вам нужно.

4️⃣Есть примеры плохого выполнения

Это пункт, который часто забывают и зря! Примеры того как делать не надо; какие самые частые ошибки и что считается недопустимым очень важны! Без этого AI не понимает границ и будет регулярно “переезжать” ожидания бизнеса.

5️⃣ Есть критерии “хорошо / плохо”

Вы можете четко сказать по каким признакам результат считается успешным, а по каким – нет. Если на вопрос «это хороший результат?» вы отвечаете что-то вроде «ну… смотря с какой стороны посмотреть» – значит, задачу рано отдавать AI.

☝️ Отсутствие любого пункта – это повод притормозить, потому что без четких данных, инструкции и критериев AI не сможет работать, ведь это не волшебная палочка!

Если же задача “почти подходит” – это хороший знак, но прежде чем внедрять ИИ лучше все же доделать фундамент: описать процессы, собрать информацию и договориться о критериях. А потом запускать автоматизацию.

⚖️ Быстрые победы vs большой аудит

Когда «вау-демо за 7 минут» работает, а когда – нет

В продвижении AI-проектов есть два принципиально разных сценария запуска и AIBP важно это понимать. Иногда, для того, чтобы заинтересовать клиента, достаточно провести ему «вау-демо» и показать возможности AI на примере. Вот как это работает:

🗣На вашей встрече клиент говорит: «У нас заявки приходят в файлах и мы долго их разбираем».

AIBP просит показать файл и сказать, что должно получиться на выходе.

А дальше происходит магия: быстрый промпт → конвертация файла → несколько минут работы ИИ → понятный результат уже на экране компьютера. В этот момент у клиента возникает только один вопрос: «Ничего себе! А что, так можно было?» 😎

Такой метод демонстрации возможностей ИИ прекрасно работает с анализом резюме под конкретную вакансию, с письмами, с разбором документов, с любыми понятными задачами… В этих случаях, быстрое демо делает AI осязаемым и показывает клиенту, что его задачи можно решать быстро и эффективно. Это создаёт волну интереса и доверия: без регламентов, методологий и больших обещаний.

Но что, если в компании нужно менять рабочие процессы? Важно понимать, что вау-демо ≠ внедрение! Как только речь заходит об изменении процессов внутри компании, об интеграции ИИ в IT-систему, о неком долгосрочном бизнес-эффекте, а не решении одной простой задачи – быстрое демо перестаёт работать. Здесь требуется более глубокое погружение.

☝️ В таком случае, важно использовать другой подход (о котором мы уже много раз говорили, но повторим еще раз): важно провести аудит, выбрать правильные процессы, понять, где AI усилит компанию и подготовить фундамент для внедрения искусственного интеллекта.

Самая частая ошибка – это попытка заменить проведение аудита на демо или, наоборот, начинать с большого аудита там, где достаточно просто показать ценность. Это совершенно разные инструменты и использовать их нужно по-разному и для достижения разных целей.

✔️ На практике логика AIBP должна строится по следующему принципу: если цель в том, чтобы заинтересовать клиента и “продвинуть” переговоры → “вау-демо” работает отлично;
если цель в том, чтобы изменить процессы в компании и получить устойчивый эффект → без аудита не обойтись.

📝 Важно понимать, какая задача стоит перед клиентом и выбирать инструмент, исходя из ответа на этот вопрос. Конечно, быстрые победы нужны, но они не заменяют системной работы. AI действительно может продемонстрировать возможности технологии за несколько минут, но если мы говорим о системном внедрении – нужна подготовленная почва.

📎 AI в 2025–2026 году

Кто и зачем использует ИИ сегодня и что нас ждет в будущем

ИИ уже перестал быть футуристическим экспериментом и для многих компаний стал неотъемлемой частью бизнеса. К такому выводу пришли специалисты из Netguru, опубликовавшие масштабную статью на своем сайте. Кстати, они же отметили интересный нюанс: компании активно внедряют AI, но результаты измеряют по-разному.

Итак, начнем с данных 2025 года:

✔️ 78% компаний уже используют ИИ в как минимум одной бизнес-функции – от аналитики до операционной автоматизации. Это почти новый стандарт: еще совсем недавно большинство рассматривало ИИ как пилот или «потестить» технологию, сейчас он стал частью реальной работы.
✔️ Показатель применения ИИ вырос с 55% до 78% всего за один год, то есть технологии перестали быть экспериментальными и стали базовым инструментом для большинства.
✔️ Генеративный ИИ стремительно распространяется: в 2024–2025 годах его использование выросло с одной трети до примерно 70% компаний, где такие модели уже применяются регулярно.
✔️ Около 378 млн человек во всем мире уже используют ИИ-инструменты. Это огромная аудитория, для которой ИИ уже стал частью ежедневных рабочих сценариев.
✔️ Рынок ИИ продолжает расти: если в 2025 году он оценивался примерно в $391 млрд, то в ближайшие 5 лет, по мнению аналитиков, его ждет расширение в несколько раз.

Также эксперты Netguru на основе статистики и свежих наблюдений выделили несколько важных трендов на 2026 год:

➡️ Массовость, но разная глубина. Компании как сегодня массово внедряют ИИ, так и продолжат делать это, но важно отметить что работа с искусственным интеллектом далеко не всегда интеграция глубоко трансформирует процессы. Многие используют ИИ для поддержки рутинных задач, а не для комплексной автоматизации.
➡️ Рост инвестиций в данную сферу. Большинство руководителей компаний, работающих с ИИ,планируют увеличить бюджеты на 2026-й год (кстати, это подтверждается многочисленными опросами с участием C-Level).
➡️ Сдвиг от экспериментов к практике. ИИ перестаёт быть просто пилотом: в 2026 году ожидается переход многих проектов из статуса «тест» в статус реальных рабочих инструментов с задачами в продуктах, операциях и обслуживании.

Однако, несмотря на позитивные тенденции и массовую интеграцию, данные разных источников говорят о том, что чуть больше половины компаний пока не получили измеримого эффекта от ИИ-инвестиций. Многие проекты остаются в пилоте или не приносят ожидаемый ROI.

🗣Так в каком направлении в итоге движется работа с искусственным интеллектом? В любом случае, число компаний, запускающих процессы AI-трансформации постоянно растет, но массовая интеграция ≠ мгновенный бизнес-эффект! Внедрение остается сложным процессом, требующим инфраструктуры, данных и изменений в процессах. С течением времени все чаще вопрос «нужен ли нам AI» трансформируется в вопрос «как сделать так, чтобы все работало».

🤔 Промоутеры. Реалисты. Скептики

С кого начинать внедрение AI в компании?

Одна из самых распространенных ошибок при запуске процесса AI-трансформации – пытаться начинать внедрение ИИ сразу со всех сотрудников. Желание за один подход объяснить, убедить, вовлечь, обучить весь коллектив понятно, но нереализуемо! На практике такое почти всегда заканчивается сопротивлением и разочарованием.

Когда мы смотрим на компанию не с точки зрения технологий, а с точки зрения людей, коллектив обычно делится на три группы.

1️⃣ Промоутеры. Это активные, любопытные, всегда готовые пробовать новое, пусть и не всегда самые подкованные сотрудники. Их немного – как правило, 5–10 % от всего штата компании, а иногда еще меньше. И именно они – единственная верная точка запуска любой AI-трансформации!
2️⃣ Реалисты. Это самая многочисленная группа. Они не против AI, но и не горят им; ориентируются на результаты других и принимают решения, основываясь не на обещаниях “как хорошо будет с ИИ”, а на конкретных примерах.
3️⃣ Скептики. Люди, которые не видят ценности и пассивно (а иногда и активно) сопротивляются. Они могут саботировать изменения, прикрываться возрастом, перегрузом и тем, что у них “и так все работает”.

❌Почему нельзя начинать со скептиков?

Потому что, попытка сделать это на старте почти всегда сжигает энергию команды, замедляет процесс внедрения и превращает его в бесконечные дискуссии. Эту группу сотрудников лучше вообще не трогать: они или подтянутся позже, увидев результат, или либо не подтянутся вовсе. И это нормальный сценарий, к которому руководство должно быть готово!

✅ Как выглядит правильный старт?

Шаг 1. Провести первичный аудит по людям, выяснить кто уже пробовал использовать AI, кому интересно было бы попробовать и кто вообще готов поучаствовать в эксперименте в вашей компании. Эти люди станут вашими будущими промоутерами.
Шаг 2. Начать с ними работу по внедрению. Почему именно с ними? Все просто! Им не нужно что-то долго объяснять, они готовы включаться и с ними вы сможете записать первые успешные кейсы. Помните, что главная цель на этом шаге – получить реальный, видимый результат.
Шаг 3. Показать результат коллективу. Когда появится первый заметный эффект (промоутеры начали экономить время, у них стало меньше рутины и т.д.) к внедрению ИИ начнут подтягиваться реалисты. Как правило, это происходит само – вам не нужно будет их убеждать, ведь они сами видят ценность.
Шаг 4. Масштабировать внедрение. В этом вам помогут именно реалисты, ведь они масштабируют использование и делают AI частью повседневной работы. И только после этого имеет смысл думать про остальных.

⭐️ Помните, что AI – это не обязательная прививка, это инструмент, который начинает работать тогда, когда для него появляется запрос. Успешное внедрение ИИ часто похоже на цепную реакцию, которая начинается с маленькой группы энтузиастов, а потом охватывает весь коллектив. При таком подходе, AI перестает быть источником конфликтов и становится рабочим инструментом, а не навязанной инициативой.

🔥Управление рисками в AI-проектах

Что ломается чаще всего и как с этим работать

AI-проекты редко “падают” из-за самой модели, гораздо чаще они буксуют из-за рисков, которые не были замечены на старте или были сознательно проигнорированы. Хорошая новость в том, что большинство этих рисков типовые и управляемые.

🔘Риск №1. Качество и доступность данных

Самый частый и самый недооцененный риск, ведь на старте компании как правило думают «данные у нас есть, как-нибудь разберемся». На практике выясняется, что данные разрознены, часть из них вообще не оцифрована, другая часть – противоречит сама себе, а контекст часто хранится “в головах” сотрудников. О каких данных тут может идти речь? Это и знания компании в разных видах (регламенты, шаблоны документов, лучшие практики и прочее), и формализованные данные в части финансов или производственных процессов.

Если дать AI некачественные данные – он начнет выдавать нестабильный результат, и доверие к нему быстро падает.

Как минимизировать риск?
➡️ заранее проверять, какие данные реально доступны,
➡️ понимать, что нужно собрать и структурировать до внедрения,
➡️ не начинать с процессов в тех областях, где данных нет или они хаотичны.

🔘Риск №2. Внедрение под видом “быстрого решения”

AI часто используют как костыль, когда компания не хочет чинить процесс и думает, что искусственный интеллект может все исправить. Спойлер – не может. Если сложное решение накладывается на кривой фундамент, то оно а) не работает и б) часто бывает очень дорогим!

Как минимизировать риск?
➡️ задать себе вопрос: AI устраняет причину или симптом,
➡️ сначала работать с процессом а уже потом внедрять ИИ,
➡️ не маскировать системные проблемы технологией.

🔘Риск №3. Этические и репутационные последствия

Даже если проект технически успешен, он может принимать непрозрачные решения и вызывать недоверие у сотрудников или клиентов. К сожалению, об этической стороне AI-трансформации часто вспоминают слишком поздно.

Как минимизировать риск?
➡️ заранее понимать, где AI влияет на людей,
➡️ ограничивать зоны принятия решений,
➡️ оставлять человеку финальное слово там, где цена ошибки высока.

🔘Риск №4. Регуляторные и юридические ограничения

Сегодня AI все чаще работает с персональными данными, коммерческой тайной и другой чувствительной информацией. И это нужно учитывать еще на этапе запуска пилота, чтобы впоследствии не иметь юридических проблем.

Как минимизировать риск?
➡️ на старте фиксировать типы данных,
➡️ учитывать требования комплаенса,
➡️ не запускать решения “в серую” ради скорости.

🔘Риск №5. Интеграция и реальное использование

Даже хороший AI-инструмент может не встроиться в рабочий процесс или потребовать дополнительных действий – в результате, он просто не будет использоваться.

Как минимизировать риск?
➡️ думать не только о модели, но и о месте AI в процессе,
➡️ учитывать текущий IT-ландшафт,
➡️ начинать с простых, встроенных сценариев.

AI-проекты – это не только про технологии, это про данные, процессы, людей и ответственность. И управление рисками здесь не становится препятствием для трансформации бизнеса – это способ сделать так, чтобы ваш ИИ-проект вообще имел шанс взлететь.

☝️Чем раньше риски будут названы и разобраны, тем меньше вероятность того, что AI станет очередным “умным”, но бесполезным решением на полке.

🗣Как снизить процент необкатанных AI-решений?

Почему решения, сделанные «по ТЗ клиента», часто лежат на полке

В AI-проектах (и вообще в IT) часто ситуация развивается по одному и тому же сценарию: клиент приносит техническое задание (ТЗ) и ставит задачу → команда делает и решение работает, но… → им почти никто не пользуются (или используют ровно до конца пилота).

Очевидно, что здесь что-то не так!

Мы в AIM уверены, что нужно очень внимательно слушать клиента, когда он говорит о своей боли, но нельзя слушать его, когда он говорит, как именно эту боль нужно решить. Это не про неуважение к бизнесу, а про разделение ролей, ведь руководители компаний почти никогда не обладают достаточной технической экспертизой, чтобы описать корректное решение. Как правило, клиент говорит то, что ему кажется логичным, но такое “идеальное ТЗ” часто ведет к бесполезному результату.

☝️Клиенту не стоит разрабатывать ТЗ на решение конкретной задачи потому, что в этом случае он:
🔴фиксирует конкретное решение,
🔴отсекает альтернативы,
🔴подменяет цель способом.

В итоге команда оказывается вынуждена реализовывать описанный механизм, а не решать проблему. При этом, если описанное заказчиком решение “не работает” ответственность почти всегда ложится на подрядчика.

📝 Что нужно получить от клиента вместо ТЗ?

🔵Его цель. Спросите, что должно измениться после того, как вы запустите решение: Скорость? Стоимость? Количество ошибок? Нагрузка на людей?
🔵Ограничения. Уточните ограничения по времени, бюджету, данным, людям, IT-ландшафту.
🔵Критерии успеха. Ответ на вопросы “как мы поймем, что проект удался?” и “какие метрики скажут да, это было не зря?” очень важны, ведь без них нет четкого понимания успешности решения.
🔵Контекст проблемы. Важно понимать, в чем именно состоит проблема клиента и почему она так сильно беспокоит компанию. Ответ на этот вопрос часто бывает ценнее любого технического описания.

Один из самых надежных способов получить четкую постановку задачи – перевести разговор в плоскость финансов и обсудить сколько уже сейчас клиент тратит денег и времени на решение проблемы и сколько потенциально готов потратить для того чтобы “сделать лучше”. Как только разговор становится про деньги и результат, магическим образом исчезают лишние хотелки и упрощаются решения.

Решения «по ТЗ клиента» часто не используются в работе не потому, что AI плохой и не потому, что команда плохо реализовала решение, а потому, что по факту они решают совсем не ту проблему, которая есть и фиксируют не ту цель.

💬 Если вы хотите иметь в своем портфеле меньше необкатанных решений – начинайте не с обсуждения ТЗ, в с уточнения проблемы клиента. AI сегодня может помочь с решением многих задач, но очень важно сформулировать что именно нужно решить! И это важная совместная работа, которую нельзя перекладывать на бизнес в одиночку.

ℹAI Business Partner – откуда взялся термин?

Когда в AIM мы начали говорить про AI Business Partner, я подумал: какой классный термин, мы сами его придумали? Красивая же идея: человек-мост между бизнесом и AI.

🔍 Погуглил. Оказалось, что термин уже существует. Есть французская компания AI Partners, которая определяет эту роль как «emerging role in organizations who help to mediate between business needs and technological opportunities in AI (появляющаяся роль для тех, кто связывает бизнес-потребности с технологическими возможностями в AI)». То есть мы не изобрели велосипед, мы пришли к схожему определению параллельно, из практики.

Что интересно: на западном рынке это именно формирующаяся роль, а в России про AIBP сегодня еще никто не говорит. Есть отдельные консультанты, есть интеграторы, есть курсы по промптингу, но системной истории – с методологией, сертификацией, карьерным треком – пока нет. Мы занимаемся как раз ее формированием: посути, берем концепцию, которая уже витает в воздухе, и приземляем ее на российский рынок. Строим вокруг нее образование, консалтинг и сообщество.

☝️Кстати, история с AIBP немного напоминает путь термина HRBP (HR Business Partner) – когда некоторое время назад компании поняли, что HR – это не про кадровое делопроизводство, а про стратегическое партнерство с бизнесом, появилась роль HRBP – то есть, стал нужен человек, который говорит на языке и людей, и бизнеса.

Сейчас то же самое происходит с AI – бизнесу нужен человек, который помогает найти баланс между нуждами компании и технологическими возможностями AI, понимает бизнес-процессы и стратегию, разбирается в возможностях и ограничениях AI-инструментов, общается с топ-менеджментом и с техническими командами. Сегодня даже если у компании есть четыре элемента для трансформации – процессы, люди, технологии, стратегия – без пятого элемента они не складываются в работающую систему. AIBP и есть тот самый «пятый элемент», который все связывает.

💬 А что вы думаете об этом термине? Приживется ли он или рынок придумает что-то свое?

🧳 ИИ готов к бизнесу, но бизнес пока не готов к ИИ

Искусственный интеллект больше не эксперимент и не «технология на будущее». Согласно исследованию OpenAI, в основу которого легли данные об использовании AI в реальных условиях от корпоративных клиентов и результаты опроса почти 9000 сотрудников из 100 компаний, ИИ уже достиг уровня зрелости, при котором может использоваться как базовая бизнес-инфраструктура наравне с IT-системами, финансами и безопасностью.

Эту мысль все чаще обсуждают на уровне CEO, CFO и советов директоров, в том числе на глобальных форумах вроде Давоса. Но при этом исследование фиксирует ключевой парадокс: возможности ИИ опережают готовность компаний его внедрять.

В чем проблема?

1⃣ Технологии готовы, организации – нет. ИИ уже умеет автоматизировать, анализировать и ускорять работу. Но бизнес-процессы, управленческие модели и культура во многих компаниях остались прежними. В результате ИИ используют как «умный помощник», а не как инструмент трансформации.

2⃣ Пилоты есть, а масштабирования нет. Компании активно запускают PoC и эксперименты, но часто не доводят их до продакшена. Причины банальны: нет владельца инициативы на уровне топ-менеджмента.

3⃣ Нет связи с деньгами. ИИ внедряют ради самого ИИ. Его эффективность измеряют количеством пользователей или запросов, а не экономией времени, снижением издержек или ростом выручки. Без связи с бизнес-результатами проекты быстро теряют приоритет.

4⃣ Данные – слабое звено. Разрозненные, плохо структурированные или юридически ограниченные данные остаются одной из главных преград. Даже самый продвинутый ИИ не может работать эффективно на плохой базе.

5⃣ Нехватка управленческих навыков. Часто руководители просто не понимают, где ИИ действительно нужен и как правильно ставить задачи. Между бизнесом и IT не хватает «переводчиков».

6⃣ Страхи и неопределенность. Ответственность за ошибки ИИ, комплаенс, безопасность данных, влияние на сотрудников – вот что тормозит решения и заставляет компании занимать выжидательную позицию.

📝 Главный вывод исследования прост: ИИ уже готов приносить бизнес-ценность, но для этого компаниям нужно меняться самим!

🤔 Российский рынок труда в сфере ИИ сломан...

Да-да, мы уже говорили об этом! Ведь еще осенью мы выпустили исследование о том, что не так с отечественными ИИ-работодателями и ИИ-соискателями.

🔎 Мы проанализировали все 917 вакансий, связанных с искусственным интеллектом, опубликованных на hh.ru за октябрь 2025 года и выяснили, что у 94% компаний отсутствует критическая функция – AIBP – человек или роль, которая связывает бизнес-стратегию, технологии и управление. Более того, большинство компаний даже не пытаются найти такого человека, потому что не догадываются, что он им нужен...

☝️ Во многих компаниях ИИ внедряется без управления рисками, без KPI и не меняя устоявшуюся организационную структуру компании. Каждая третья организация ограничивается запуском пилота без стратегии, а кто-то и вовсе не понимает - зачем им ИИ?

✔️ Мы рассмотрели частые ошибки, которые допускают компании при ИИ-трансформации, кого они пытаются нанять и кто на самом деле им нужен. Чтобы получить ответы на эти и другие вопросы – скачайте наше исследование с деталями, схемами и выводами в формате PDF.

💬 И обязательно отпишитесь в комментариях, какие данные вас больше всего шокировали?