🚨 LAST CALL: ТРЕНИНГ AI BUSINESS PARTNER СТАРТУЕТ ЗАВТРА!

Завтра — ваш последний шанс в этом году получить методологию, которая гарантирует системный результат, а не точечные эксперименты.

Тренинг AIBP (9–10 декабря) — это:
😀 2 дня офлайн-интенсива в Москве.
😀 Четкий план перехода вашей компании на 2-й этап ИИ-зрелости.
😀 Компетенции, чтобы стать Лидером, способным защитить бюджет перед руководством.
😀 Доступ к уникальной пост-поддержке (Mastermind-группы).

⏰ Время на регистрацию истекает сегодня вечером. Не упустите свой шанс быть в первом потоке.

➡️ Забронировать сейчас (последние 2 места)

🤝 Проводим встречи не только online, но и offline!

Сам Якушев, создатель AIM / AIBP, выступил на встрече бизнес-клуба «Атланты» – одного из сильнейших предпринимательских сообществ в России.

В своей презентации он рассказал:

➡️ Кто такой AIBP и почему эта роль становится ключевой в компаниях;
➡️ Как бизнесу использовать ИИ без хаоса и провалов;
➡️ Почему большинство ИИ-проектов «не взлетают» и что с этим делать;
➡️ Как AIBP объединяет бизнес, ИТ и стратегию, превращая ИИ в реальную ценность.

Запись выступления уже выложена в нашем Дзен – обязательно переходите по ссылке и смотрите. Это та самая информация, после которой у предпринимателей обычно включается режим «почему я не знал этого раньше».

👉 Смотрите запись здесь: https://dzen.ru/video/watch/6937cedf0260c853b61413c6

🤖 Enablement-программа: 7 шагов от пилота к 80% adoption

Как сделать так, чтобы сотрудники действительно начали пользоваться ИИ? Сотрудники могут игнорировать ИИ-инструменты, даже если компания вложила деньги, провела пилот, закупила лицензии и официально запустила инициативу. Но бизнес всегда инвестирует ради получения эффекта, и логичный вопрос звучит так: «Что делать, чтобы ИИ реально работал и давал ценность»?

Ответ кроется не в «еще одном обучении» и не в давлении сверху, а в системном подходе, который делает ИИ простым, привычным и удобным для каждого сотрудника. Так что же сделать, чтобы заинтересовать 70–80% сотрудников пользоваться ИИ и начать получать операционную отдачу? Давайте разберемся!

🥇 Начните с чемпионов, а не со всех подряд

Распространенная ошибка – пытаться обучить всю компанию сразу. Это создает перегруз и сопротивление, в итоге получаем эффект «еще одна инициатива, которую кто-то придумал». Выделите 15–20% энтузиастов – людей, которые любят новое, готовы пробовать и могут показать остальным реальные результаты. Чемпионы – это локомотив, который потянет за собой весь коллектив.

👍 Покажите людям личную выгоду

Для большинства сотрудников главный вопрос звучит следующим образом: “Что это даст именно мне?” Если пользоваться ИИ означает экономить 1–2 часа в день, быстрее закрывать рутину или улучшать качество задач – человек начнет использовать это инструмент, но если в ответ на свои вопросы он слышит только «надо» и «стратегически важно», ИИ вызывает отторжение.

⏰ Внедряйте через маленькие действия, а не масштабные проекты

Помните, что люди не могут перестроить рабочий процесс за один день, но могут освоить одну маленькую задачу, которая даст быстрый результат: написать письмо, перепроверить текст, провести быстрый анализ, создать презентацию. Все это с использованием ИИ, конечно. Такие первые «быстрые победы» – это лучший способ разрушить скепсис.

📱Читайте продолжение в Яндекс Дзене https://dzen.ru/a/aTmPvmQ1TxbAJ9oa

📝Почему перед внедрением ИИ в компании важно провести аудит?

Продолжаем серию постов о том, почему роль AI Business Partner становится критически важной для любой компании, которая не хочет проиграть конкурентам в гонке за ИИ.

Сегодняшний пост о том, как попытка внедрения ИИ без AIBP превратилась в классическое «двигались-двигались, а пришли в никуда».

💲Компания, занимающаяся экспертизой и сертификацией, хотела оптимизировать фонд оплаты труда, подготовиться к масштабированию и улучшить процессы без увеличения штата. Казалось бы – идеальная задача для ИИ, но вот как выглядела ее реализация без AIBP?

Команда начала ходить по мероприятиям про ИИ, общаться с вендорами, изучать сервисы и пытаться «понять, что именно нужно внедрять». Результат – нулевой. Ресурсы и время потратили, но к решению задачи так и не приблизилась.

🤝 Когда подключилась наша команда и пришло время реально что-то внедрять, оказалось что весь IT-ландшафт в компании – это набор устаревших систем, где достать какие-то данные очень сложно, автоматизировать процессы – невозможно, а работать в текущих системах – неудобно.

С таким фундаментом внедрять ИИ нельзя – это все равно что строить небоскреб на болоте.

💡 Как решалась бы задача с AIBP? Еще на этапе идеи он провел бы аудит, который показал, что:

➖ процессы выстроены неудобно,
данные в хаосе,
➖ системы не готовы к масштабированию,
➖ ИИ здесь применить прямо сейчас невозможно.

Это плохая новость? Отчасти да, но зато появляется ясность, что делать и в какой последовательности!

Этот кейс еще раз показывает, что AIBP – это не просто модная должность, а критически важная роль для компаний, которые хотят расти, а не догонять.

👍 Был полезен кейс? Ставьте лайк и подписывайтесь, ведь впереди еще много практических разборов и реальных историй!

💡 Как внедрение ИИ меняет культуру компаний?

В октябре 2025 г. в сети была опубликована статья "Exploring Artificial Intelligence and Culture", в которой авторы исследовали как внедрение ИИ влияет на доверие, способы решения проблем и «культурный климат» в компаниях.

☝️ Выяснилось, что многое зависит от того, насколько организация готова «вписать» ИИ в свою культуру, с учетом ценностей, страхов, ожиданий сотрудников, а не просто как «инструмент для ускорения выполнения задач».

В зависимости от контекста (академический vs бизнес) ИИ «встраивается» в культуру по-разному: академическая среда чаще проявляет склонность к коллаборации, совместному обсуждению, продуманному использованию ИИ, тогда как бизнес отдает приоритет эффективности, скорости, измеримым результатам.

🤖 Процесс принятия ИИ проходит через несколько фаз: от сопротивления и сомнений → к экспериментам → к внедрению как части повседневной практики.

Авторы пришли к выводу, что ИИ способен переформатировать когнитивные стратегии в коллективе, нормы принятия решений и то, как сотрудники взаимодействует друг с другом, доверяют коллегам и машинам. Но самое главное: еще раз подтвердилось, что не только эффективность внедрения ИИ, но климат в коллективе, зависит от того, насколько системно к этому вопросу подходит руководство компании!

👀 Прочесть статью целиком можно по ссылке https://arxiv.org/pdf/2510.11530

👨‍🎓 Прорыв в обучении ИИ: почему это важно?

В мире ИИ один из самых интересных процессов последних лет – это In-Context Learning (обучение в контексте). Это означает, что крупные языковые модели, такие как GPT и их аналоги, способны обучаться и адаптироваться к новой задаче только на основе примеров, приведенных в запросе, без дополнительного обучения на сервере и обновления весов модели.

☝️Получается, что ИИ больше не нужно дорогостоящего обучения на новых данных – достаточно корректно формулировать примеры в самом запросе? Не совсем так. ICL обладает рядом ограничений, в частности, модель часто не запоминает того, чему научилась, ограничена размером контекста, чувствительна к формулировкам и может переобучаться на плохие примеры. К тому же, ИИ не всегда устойчив к длинным цепочкам рассуждений. И тем не менее, это очень важная информация в мире ИИ!

⚠️ Почему?

Потому что раньше масштабирование ИИ-решений требовало:

➡️ огромных вычислительных ресурсов,
➡️ подготовки специального обучающего датасета,
➡️ инфраструктуры для обучения и валидации,
➡️ сложных MLOps-решений.

Теперь многие задачи можно решать через простые примеры в запросе, без обновления модели. Это фундаментально снижает порог входа для компаний любого размера.

Теперь внедрять ИИ станет проще и дешевле, даже для тех компаний, у которых нет огромных бюджетов на собственные дата-центры и команды ML-инженеров.

💬 А вы используете языковые модели ИИ в работе сегодня? Пишите в комментариях!

🤔 Технический долг в AI: почему старые процессы ломают даже лучшие модели?

Большинство компаний думают, что причина провала AI-проектов кроется в модели, но чаще всего виноват технический долг. И речь не только о старом коде. Технический долг – это все, что тянется из прошлого и мешает ИИ работать так, как он мог бы.

🔍Вот где он прячется:

❤️Старые процессы, которые никто не пересматривал годами

Компания ставит поверх них ИИ и удивляется, почему он не дает роста. Логика «мы так привыкли работать» уничтожает 50% потенциала технологий.

❤️Данные, которые не соответствуют реальности

Разрозненные, устаревшие, ненормализованные данные… Если ИИ учится на кривых данных → он выдает аккуратно оформленную чушь. Проблема кроется не в модели, а в“почве”, на которой она стоит.

❤️ Инфраструктура, которая не успевает за задачами

ИИ требует скорости, интеграции и автоматизации. Если ИТ-функция работает по принципу «сделаем через неделю», бизнес никогда не увидит эффекта.

❤️ KPI, которые были придуманы до появления ИИ

Старые метрики заставляют людей саботировать автоматизацию, ведь если у сотрудника стоит план на “количество действий”, а ИИ как раз эти действия сокращает, то в чем смысл?

❤️Принятие решений «по-своему»

Даже если ИИ дал лучший вариант, руководитель может выбрать старый путь – потому что так спокойнее. Это тоже технический долг, только культурный.

📊 По данным McKinsey и MIT до 70% провалов AI-проектов связаны не с технологией, а с организационным и процессным долгом. То есть даже идеальная модель не создает ценности, если вокруг нее все работает “по-старому”.

📝 Поэтому критически важно перед внедрением ИИ проанализировать и починить систему, в которую она попадет. Потому что ИИ – это усилитель. Если система здорова – он ускоряет рост, а если она устаревшая и кривая – усиливает проблемы.

💼 Новый кейс из ресторанной сети: можно ли внедрить ИИ … без ИИ?

Продолжаем серию постов о том, почему роль AI Business Partner (AIBP) становится критически важной и почему компании, которые «хотят ИИ любой ценой», часто не получают результата.

Итак, свежий кейс из федеральной сети ресторанов.

Каждый ресторан ежедневно делает заказ продуктов. Процесс выглядит так:

➖ повара заполняют ламинированные бумажные чеклисты,
фотографируют их,
➖ отправляют в общий чат,
➖ 15 сотрудников вручную разбирают фото, уточняют ошибки, сверяют нормы, вбивают данные в систему.

В компании уже несколько раз «улучшали» процесс, но он все равно оставался бумажным (ланимированным 😃) и трудоемким.

И вот классическая ошибка: команда говорит «Хотим ИИ! Давайте распознавать фотографии чеклистов, проверять их нейросетями и автоматически переносить в систему». Звучит красиво.

💡 Что бы сделал AIBP?

AI Business Partner никогда не решает частную задачу, он смотрит на весь процесс целиком, а не на точку, куда можно прикрутить ИИ. А при таком подходе очевидно, что пока есть бумажные формы, фото, распознавание, проверки и т.д. ИИ не заработает.

Правильное решение: без ИИ, но в разы эффективнее. AIBP узнал, что на каждой точке уже есть рабочие планшеты управляющих и решение оказалось очевидным:

😀 Перенести заказ в цифровую форму прямо на планшете.
😀 Проверять ошибки до отправки (по нормам, остаткам, прошлым заказам).
😀 Исключить фото, чат, ручные проверки и половину ошибок.

ИИ появится позже, в тот момент, когда он действительно будет создавать ценность, а не затыкать дырки.

❤️ Итог: компания хотела «внедрить нейросеть», а в итоге получила намного более понятное, дешевое и эффективное решение, которое улучшает весь процесс, а не его маленький фрагмент. Это тот случай, когда искусственный интеллект был вообще не нужен, а вот AIBP – критически нужен, чтобы увидеть корень проблемы и выбрать правильный маршрут.

📝 AI Governance: правила, которые экономят миллионы

Возможно в вашей компании вы еще только думаете о внедрении ИИ, но что происходит на следующих стадиях внедрения? Когда уже 20, 30, 100 и более человек в компании имеют аккаунты в ChatGPT или во внутренней ИИ-системе.

За последний год компании внедрили сотни AI-инструментов: ассистентов, аналитических моделей, генеративных систем. И почти каждая организация рано или поздно сталкивается с одной и той же проблемой: с хаосом. С хаосом в данных. С хаосом в решениях. В том, кто и за что отвечает. В том, что можно, а что нельзя делать с ИИ… Именно этот хаос превращается в миллионные потери и годы регресса, если им не управлять.

⚫️ Что такое AI Governance?

AI Governance – это система правил, ролей и процессов, которая позволяет компании безопасно и предсказуемо использовать ИИ:

❤️без утечек данных,
❤️без юридических рисков,
❤️без “местечковых” внедрений,
❤️без конфликтов между департаментами,
❤️без хаоса в продуктах, данных и процессах.

Именно такая практика AI Governance позволяет отлаживать управление ИИ как стратегическим активом, а не игрушкой.

📱Читайте продолжение в Яндекс Дзене https://dzen.ru/a/aUQ9yLkHD29gpXnT

🤔 С каким запросом бизнес чаще всего приходит к ИИ

... И почему компании часто начинают не с того?

CEO AIM Дмитрий Афонов рассказывает о том, с каким запросом бизнес чаще всего обращается в компанию?

Один из самых частых вопросов, которые мы слышим от обращающихся к нам заказчиков, звучит следующим образом: «куда нам внедрить ИИ»? И это самый честный вопрос, который компания и ТОП-менеджмент может себе задать!

☝️ На практике бизнес часто сталкивается не с нехваткой технологий, а с другими проблемами:

➡️ процессы внутри компании не описаны и хаотичны;
➡️ структура есть, но интегрировать в нее новые технологии невозможно;
➡️ ИИ попробовали, но он так и не стал частью ежедневной работы.

Но если «самый частый запрос» определить не так просто, поскольку все кейсы уникальны, то назвать «частую ошибку» очень легко. Это – попытка встроить ИИ в старую реальность, не меняя ее. Если компания проектирует системы по принципам 20-летней давности, просто добавляя ИИ внутрь такой системы, то чуда не происходит. Это все равно, что забивать гвозди микроскопом – не только со стороны выглядит странно, но и по сути работает.

Что на самом деле нужно сделать в этой ситуации? Нужно сделать шаг назад: пересобрать процессы и логику принятия решений и только потом применять ИИ – уже к новой системе. ИИ не должен быть «еще одним инструментом», он должен помогать компании развиваться!

И именно здесь появляется роль AI Business Partner (AIBP) – не как спеца по внедрению технологий, а как человека, который:

➡️ меняет управленческую логику;
➡️ помогает компании увидеть те места, где ИИ может помочь улучшить процессы, возможно пересобрав их;
➡️ учит сотрудников работать с ИИ системно, а не эпизодически.

Поэтому, очень часто работа AIBP начинается не с внедрения ИИ, а с анализа тех механизмов и инструментов, которые есть в компании.

🔥 AIBP LIVE: Разбираем ваши вопросы на реальных кейсах!

Всем привет, накопилось много горячих тем и неочевидных вопросов. Как обещали проведем мероприятие на котором

Сэм и Дима выйдут на связь, чтобы провести сессию разбора кейсов на основе вопросов, которые вы писали, а также оставляли в комментариях.

Что будет в программе:

🧩 Глубокий разбор: Превратим абстрактные вопросы из чата в конкретные бизнес-кейсы и найдем решения.

🗣 Точка зрения экспертов: Сэм и Дима поделятся своим видением ситуаций без купюр.

🎙 Открытый микрофон: Живое общение — готовьте свои вопросы, разберем их прямо в эфире!

Это отличная возможность получить экспертный взгляд на свои задачи и услышать "внутреннюю кухню" решений.

🗓 Дата: 24.12.2025
⏰ Время: 19-00
📍 Место: ссылку пришлем перед началом мероприятия.

Ставьте «+» в комментариях, кто планирует быть! 👇

💬 И еще можно накинуть вопросов.

💼 Кейс, где ожидания были одни, а результат оказался в разы сильнее

Александр Петров ведущий AIBP поделился интересным кейсом, в рамках которого была отлажена работа команды методистов в Edtech-проекте с Ямала. Речь идет о специалистах, которые создают методические материалы для дополнительных образовательных программ по таким направлениям как журналистика, геймдизайн, и т.д. Цель, увлечь школьников и дать им основы современных профессий.

Для контекста, вот с чем работала эта методическая команда:

➡️ десятки сценариев уроков в месяц
➡️ адаптация материалов под разный возраст
➡️ презентации для руководства и губернатора
➡️ постоянная нехватка времени и ресурсов

При этом, как вы можете представить, методист - вполне себе T-shaped специалист, который может и из узкого специалиста предметной области извлечь знания и самостоятельно их перевести в формат обучающего занятия на основе современных образовательных методик. У таких людей изначально был достаточно высокий уровень скепсиса по поводу использования ИИ. Они хотели получить ИИ-ассистента, который будет немного помогать, внутренне рассчитывали, что работа станет на 20% быстрее.

📝 Как мы реализовали кейс? Мы не стали делать никакого «волшебного ассистента», мы просто подобрали подходящий инструмент под задачу и научили их работать с ИИ осознанно и системно, используя связку ИИ Claude и пространства для командной работы. В итоге мы получили результат, которого никто не ожидал: уже на следующий день было понятно – это не +20% эффективности. Это ускорение в разы!

💻 На общем звонке они были просто счастливы: представьте вашу учительницу по литературе или математике, которая с абсолютным восторгом говорит:

«Я написала этому Клоду всего одну команду, а он мне таким классным языком все сформулировал… Мне самой потребовалось бы полчаса, а то и час на это. Это просто бомба».

Главный инсайт этого кейса в том, что иногда прорыв – это не сложная разработка, а просто подбор правильного инструмента! Это про то, чтобы увидеть реальные точки роста, пересобрать мышление и дать людям почувствовать: «Я могу больше. И быстрее. Уже сейчас».

📺 Подготовка к AIBP LIVE идет полным ходом!

Уже завтра Сэм и Дима выйдут на связь, чтобы подробно ответить на ВАШИ вопросы! Однозначно подробно разберем и ответим на следующие сообщения:

"Когда только начали подготовку к внедрению ИИ, можно часто слышать от сотрудников возражения вроде: “Я старой формации”, “Мне это не нужно”, “У меня все слишком индивидуально”... При этом человек не боится, что его заменит ИИ — он просто искренне не понимает, какие именно задачи можно передать инструментам и чем те могут помочь.

💬 Как отвечать на такие возражения?

Как определить, какие именно рутинные процессы действительно человек сможет делегировать ИИ? Что эффективнее: наблюдение за рабочими процессами, опросник, карта задач или какие-то другие методы, которые помогают выявить зоны, где ИИ может реально сделать работу эффективнее"?

"Отдельный вопрос про метрики: на сайте aimmethod.ru метрики расписаны подробно и они очень крутые, но хочется понять, что именно брать на самом старте? Например в блоке HR, где сложно адекватно посчитать ROI и показать прямое влияние внедрения ИИ. Поэтому вопрос в следующем: какие самые базовые и самые простые метрики рекомендуются использовать для начального этапа, чтобы быстро и прозрачно сравнить состояние “до” и “после” внедрения? Понимаю, что универсальных метрик нет, но, возможно, есть минимальный набор, который подходит большинству команд на старте"?

🙂 Спасибо @igkonnov за прекрасные вопросы

"Интересен вопрос проведения аудита бизнес-процессов клиента, чтобы можно было предложить максимально эффективное решение. Сейчас клиенты сами говорят, что им нужно и мы это реализовываем, но некоторые решения так и остаются не обкатанными. наша цель увеличить процент решений, который действительно работают и показывают измеримый результат".

👍 Благодарим @farid_apaev за этот вопрос

Также коснемся вопросов, которые не прозвучали в комментариях, но часто встречается в практике:
➖ С чего компании начать процесс внедрения AI?
➖ Как оценивать процессы?
➖ Как посчитать окупаемость?

У вас еще есть время прислать нам вопросы, которые интересуют именно ВАС!

⏰ Эфир состоится завтра, 24.12.2025 в 19-00!

📍 Место: ссылку пришлем перед началом мероприятия.

😨 Главный парадокс AI-проектов

Почему компании улучшают процессы, но не получают бизнес-результат?

За последние два года компании массово внедряют ИИ: автоматизируют задачи, улучшают процессы, сокращают время операций. Но есть нюанс, который признают почти все аналитики: AI улучшает процессы, но не улучшает бизнес… И это самая частая причина разочарования в проектах ИИ.

📱Почему так происходит и что с этим делать, читайте в статье на vc.ru 💔

❓ Почему компании переоценивают модели и недооценивают данные?

Как ваша компания относится к внедрению ИИ? Многие думают, что искусственный интеллект сегодня работает из коробки (купили модель, запустили, и случилось чудо)? Реальность совсем иная!

В своей практике мы не раз сталкивались с тем, что компании переоценивать модели и недооценивают данные. Почему? Все прост: каждая модель несет в себе сложные алгоритмы, работу с большими данными, глубокое обучение, инновационные технологии… Но нельзя забывать, что работают эти модели на тех самых данных, которые вы часто недооцениваете!

👀 Что важно понимать:

➡️ Даже самая совершенная модель – это не волшебная кнопка. Она не даст результатов без качественных данных. Плохие данные = плохие решения.

➡️ Чистые, актуальные и структурированные данные позволяют любой модели работать эффективно. Без них даже простая аналитика даст больше пользы, чем сложная нейросеть.

➡️ Да, качественная работа с данными возможна только на качественных IT-процессах внутри компании, но именно здесь кроется ключ к реальной ценности ИИ.

➡️ Даже лучшая модель не поможет, если нет специалистов, которые понимают бизнес-контекст и умеют интерпретировать результаты.

Если компания хочет внедрить ИИ не для галочки, а для эффективной работы, начинать нужно с аудита и сбора корректных данных. Инвестиции в качество данных окупаются быстрее, чем любые эксперименты с алгоритмами.

👋 Всем привет! Напоминаем, что 03.02.2026 стартует наш онлайн тренинг AI BUSINESS PARTNER – ЛИДЕР AI-ТРАНСФОРМАЦИИ
Это не записанные видео лекции, а живой практикум. Программа полностью соответствует нашему офлайн тренингу, но адаптирована под онлайн.

🗓 За месяц (6 занятий по 3 часа + домашние задания) вы получите навыки, которые позволят вам запустить путь AI трансформации в бизнес процессах.

🗣 По окончании тренинга мы не теряем связь - помогаем вам подготовить план внедрения ИИ и защитить его перед руководством. А также доступ в закрытое сообщество AIBP. 

👉 Узнать подробнее про программу тренинга, условия и записаться для участия  можно на  @Abd_Roman