Я не умею писать посты.

Серьёзно.

Хотя пишу всю профессиональную жизнь – уже шестнадцать лет. Уставы проектов, письма регуляторам, слайды для правления.

А постов за это время не написала ни одного.

Этот текст я тоже не писала с пустого листа: надиктовала идею голосом, первый AI-агент собрал черновик, второй отредактировал, третий вычеркнул «в эпоху перемен» и ещё четыре штампа.

Теперь знакомимся.

Я Елена Ли. Директор по трансформации. Банки, финтех, телеком.

Моя работа обычно начинается там, где много участников, ограничений и противоречивых интересов. И почти всегда кто-нибудь говорит:

«Так не получится. Это невозможно».

Нужно соединить бизнес, продукты, процессы, технологии и людей, найти решение и довести изменения до результата, который можно измерить.

Если коротко, я превращаю сложность в работающую систему.

Ещё я бегаю. Марафон в моей жизни пока один, но его хватило, чтобы понять: «стена» на тридцатом километре и середина большой трансформации – примерно одно и то же место.

До неё все обсуждают цель, маршрут и красивый финиш. После становится понятно, кто действительно готов идти дальше.

Этот канал – мой публичный эксперимент.

Не в том, может ли AI собрать связный текст. Это уже не вопрос.

Мне интереснее другое: может ли управленец, который никогда не вёл канал, с помощью AI превратить свой опыт и идеи в живой текст, сохранить собственный голос и не сделать ведение канала второй работой.

Писать буду о том, чем живу и занимаюсь сама: трансформациях и сложных управленческих решениях, AI в реальном бизнесе и профессиональных поворотах.

Иногда – с марафонскими параллелями.

Всё, что выходит в этом канале, проходит через меня.

Мысли – мои.
Текст собирается вместе с AI.
Ответственность не делегируется.

Заметите AI-клише – пишите в комментариях.

Цензор будет уволен.

Самая полезная мысль про AI пришла ко мне не за компьютером, а на пробежке.

Летом в Москве по-прежнему отключают горячую воду. Я купила проточный водонагреватель и в первый же день отключения попросила ChatGPT объяснить, как его установить.

Инструкция была прекрасная. Подробная, последовательная и совершенно бесполезная на одном конкретном шаге:

«Возьмите дрель, просверлите отверстия, установите дюбели и закрепите водонагреватель на стене».

Проделывать всё это ради двух недель без горячей воды я не собиралась. Дрели у меня тоже не было.

Следующий час мы с ChatGPT искали способ обойтись без сверления. Перебрали верёвки, стяжки, присоски, хомуты и ещё несколько вариантов.

Одни выглядели ненадёжно, другие - небезопасно, третьи были сложнее самой установки.

Потом мне нужно было идти на тренировку. Я вышла на пробежку и почти всё время продолжала крутить задачу в голове.

Решение оказалось элементарным: обычный шоппер.

Я прорезала внизу отверстия для шлангов, поместила водонагреватель внутрь, а сам шоппер повесила на крючок на душевой штанге.

Прибор не просто был прислонён или кое-как привязан - он висел и оставался в вертикальном положении, как и требовал производитель.

Через несколько минут всё заработало.

И вот здесь мне стало интересно.

ChatGPT неплохо решал задачу «как закрепить водонагреватель без дрели». Но всё равно оставался внутри привычной конструкции: прибор нужно к чему-то прикрутить, привязать или приклеить.

Человеческое решение появилось в тот момент, когда я фактически поменяла сам вопрос:

не «как закрепить прибор», а «что может удерживать его в нужном положении».

Мне кажется, в этом пока и остаётся одна из важных ролей человека при работе с AI: не только выбирать лучший ответ, но и замечать, когда система упорно решает не ту задачу.

На всякий случай: это не инструкция по установке водонагревателя. Скорее напоминание, что иногда нужно перестать улучшать промпт и пойти побегать.

Можно ускорить работу человека на 50% и почти ничего не изменить в результате компании.

Именно этот вывод больше всего зацепил меня в исследовании «Яков и Партнёров» об AI и агентных технологиях.

Цифры выглядят парадоксально:
• 88% компаний уже используют AI хотя бы в одной функции;
• заметный эффект на EBIT получают только 6%;
• в лабораторных условиях AI ускорял выполнение задачи разработчиком на 55,8%;
• а в реальном рабочем репозитории опытные разработчики с AI, наоборот, справились на 19% медленнее, хотя сами были уверены, что работают быстрее.

Авторы называют это «каскадом затухания»: чем дальше мы идём от отдельной операции к процессу, результату подразделения и финансовому эффекту компании, тем меньше становится первоначальное ускорение.

Мне кажется, это очень точно описывает одну из главных проблем корпоративного внедрения AI.

Компании автоматизируют отдельную задачу и ждут трансформационного результата.

Сотрудник быстрее подготовил документ. Разработчик быстрее написал код. AI обработал обращение, проанализировал данные или собрал презентацию.

Но что происходит дальше?

Документ по-прежнему нужно согласовать с несколькими подразделениями. Код - проверить, встроить в систему и выпустить. Анализ - передать следующему участнику процесса, который примет решение в прежнем темпе.

В итоге одна операция действительно ускорилась, а весь процесс - нет. Иногда узкое место просто переезжает на следующий этап.

Проблема не в том, что AI недостаточно хорош. Новый инструмент пытаются встроить в конструкцию работы, которая создавалась без него.

Я сама столкнулась с этим, когда с помощью вайбкодинга собрала инструмент и захотела вывести его в прод.

Инструмент для быстрой разработки есть. Интерес к таким решениям есть. А процесса, по которому подобный прототип может пройти необходимые проверки и попасть в промышленную эксплуатацию, просто не существовало.

И это, честно говоря, нормально.

Технологии и способы разработки меняются быстрее, чем корпоративные процессы. Невозможно заранее предусмотреть правила для инструментов, которых ещё недавно не было.

Но отсутствие готового процесса не должно становиться финальной точкой для хорошей идеи.

В моём случае следующим шагом стало не бросить инструмент, а инициировать создание такого маршрута - с учётом существующих требований и ограничений. Чтобы следующие подобные решения уже не проходили весь путь с нуля.

Мне кажется, именно здесь и начинается настоящая трансформация.

Не в тот момент, когда кто-то быстро собрал работающий прототип. А когда вслед за ним меняется сама система: появляются понятный маршрут, роли, проверки, критерии и ответственность.

Тогда ускоряется уже не отдельная операция. Меняется способность компании доводить новые решения до реального результата.

Однажды я решила провести небольшой эксперимент и задала двадцати людям один вопрос:

«Что, по твоему мнению, я умею делать круто? Или за что ты бы заплатил мне деньги?»

Я ожидала увидеть переговоры, организацию, анализ, управление командами и трансформациями. Всё это действительно повторялось в ответах. Но гораздо интереснее оказалось то, как именно люди описывают мою ценность:

«Резюмировать, видеть главное и второстепенное».

«Начинать движение вперёд, когда остальные ещё стоят и думают».

«Делать большие бизнес-трансформации».

«Красиво и эстетично упаковывать результат».

Отдельно меня удивили наблюдения про живое и немелочное мышление, открытость неожиданным знаниям и фактам, умение продавать мысли и быстро переходить от доброжелательности к жёсткости, когда этого требует ситуация.

А мой личный фаворит:

«Держать длинную волю лидера, видеть горизонт и не теряться на пути достижения цели».

Когда я собрала все ответы вместе, они сложились не в список отдельных компетенций, а в цельную конструкцию: увидеть масштаб ситуации, выбрать правильный уровень детализации, услышать разные позиции, сформулировать свою, собрать людей и ресурсы - и довести всё до результата.

Многое из этого я долго воспринимала как само собой разумеющееся. Просто как свой обычный способ думать и работать. Но то, что для одного человека привычно, для другого может быть именно той ценностью, за которую он готов платить.

Поэтому вместо очередного вопроса «В чём мои сильные стороны?» я бы задала другой:

Что люди получают именно от взаимодействия со мной - и какие задачи благодаря этому становятся решаемыми?

Кажется, ответ на него говорит о нашей ценности гораздо больше, чем очередной список компетенций.

По следам сегодняшней конференции Urban ML.

На ней была дискуссия с участием лидеров рынка в Data Science: говорили о развитии AI, ограничениях технологий и о том, какие решения бизнес уже готов передавать машинам.

В какой-то момент из зала спросили:
• Кому вы больше доверяете: AI или человеку?

Один из участников ответил:
• Доверие возникает, когда есть ответственность. Если машина ошиблась, непонятно, с кого спрашивать.

Другой с ним не согласился:
• Я бы вообще не говорил о доверии. Есть выгода. Нам либо выгодно что-то делать, либо нет.

И дальше разговор ушёл в кредитование, такси и беспилотные автомобили.

Мы ведь не требуем от человека абсолютной безошибочности. Банки выдают кредиты, хотя часть заёмщиков не вернёт деньги. Мы садимся в такси, хотя водитель тоже может ошибиться. Решение принимается потому, что в среднем это работает.

С AI, мне кажется, будет так же.

Бизнес не станет ждать момента, когда модели перестанут ошибаться. Он начнёт передавать им задачи там, где выгода уже превышает возможный ущерб.

Поэтому вопрос «доверяем ли мы AI?» для бизнеса слишком абстрактный.

Гораздо полезнее спросить:
• сколько стоит ошибка;
• как часто она может происходить;
• кто её заметит;
• где нужен контроль человека;
• кто отвечает за итоговое решение;
• перекрывает ли полученная выгода оставшийся риск.

Для такого расчёта нужны люди, которые хорошо знают конкретный бизнес.

Технический специалист может оценить качество модели. Но только вместе с предметным экспертом можно понять, допустима ли ошибка именно в этом процессе и что произойдёт с клиентом, деньгами и компанией, если система ошибётся.

Поэтому я бы не ставила вопрос так: «AI заменит человека или нет?»

Вопрос другой: какие решения мы уже готовы ему передать - и на каких условиях?

«Ты намного жёстче, чем сама про себя думаешь».

Такой вывод сделал ChatGPT, проанализировав историю наших разговоров.

Сначала я не очень поняла, о чём речь. Изнутри я совсем не ощущаю себя такой уж жёсткой.

Я могу долго сомневаться. Перепроверять свою реакцию. Искать другие объяснения. Давать ещё один шанс человеку, идее или решению.

Но AI посмотрел не на мои сомнения, а на то, чем они обычно заканчиваются.

• Если аргументация слабая, я её не принимаю. Даже когда вывод сделан в мою пользу.

• Если текст искажает мою позицию, я возвращаю его на переработку. Иногда из-за одной фразы, которая немного, но всё-таки сдвигает смысл.

• Если слова расходятся с действиями, я сначала собираю факты и проверяю свои ощущения. Но убедить себя, что всё нормально, только потому, что так спокойнее, у меня не получается.

• Если я не согласна, уверенный тон сам по себе для меня ничего не доказывает. Мне нужна логика.

Получается интересное расхождение.

Изнутри я вижу сомнения, переживания и попытки не ошибиться.

Со стороны виден результат: достаточно жёсткая внутренняя планка, ниже которой я в итоге не соглашаюсь опускаться.

И жёсткость здесь не про грубость или категоричность.

Она про способность не принять слабое решение только потому, что в него уже вложено много сил. Не оставить красивую формулировку, если она искажает смысл. Не согласиться с чужой оценкой только потому, что она высказана уверенно.

Наверное, сама я воспринимаю себя мягче, потому что знаю, сколько внутренних проверок предшествует каждому такому решению.

Другие видят только финальную часть:

«Нет, так не пойдёт. Давайте переделаем».

В этом и оказался самый интересный эффект эксперимента. AI не открыл обо мне скрытую правду. Он просто сопоставил десятки разговоров и заметил повторяющийся паттерн, который изнутри выглядит совсем иначе.

Если хотите провести такой же эксперимент, напишите в комментариях. Пришлю последовательность запросов, которую использовала сама.

Кто на самом деле должен владеть AI-трансформацией?

Самый удобный ответ – тот, у кого в названии должности есть AI.

Мне кажется, именно здесь и начинается первая ошибка.

В компании создают AI-офис, нанимают сильную команду и передают ей задачу: найти кейсы, запустить пилоты, показать эффект.

Бизнес ждёт инициативы от AI-команды.
IT отвечает за архитектуру и безопасность.
AI-офис пытается убедить всех попробовать новое.

Пилоты появляются. А бизнес не меняется.

Потому что AI-офис не может владеть чужой бизнес-задачей.

Он может помогать находить кейсы, проверять гипотезы, собирать портфель инициатив, давать методологию и соединять участников. Но отвечать за результат должен тот руководитель, в чьём процессе этот результат возникает.

Если AI должен сократить время обслуживания клиента, владелец – руководитель клиентского сервиса.

Если повысить конверсию продаж – коммерческий блок.

Если уменьшить срок вывода продукта – тот, кто отвечает за продукт и его экономику.

Простой вопрос: чей показатель должен измениться, если решение заработает?

Вот этот человек и есть владелец AI-кейса.

У IT при этом остаётся своя ответственность – архитектура, интеграции, данные, безопасность и промышленная эксплуатация.

У AI-офиса – экспертиза, правила, координация и общий портфель инициатив.

У топ-команды – выбор приоритетов и ответственность за то, чтобы AI не остался набором разрозненных экспериментов.

А у бизнеса – задача, решение и измеримый результат.

Проблемы начинаются, когда всё это пытаются передать одному подразделению. Тогда бизнес становится внутренним заказчиком, IT – исполнителем, AI-офис – продавцом технологий. И каждый формально сделал свою часть, но процесс в компании остался прежним.

AI-трансформацией нельзя владеть в одиночку. Но в каждом AI-кейсе должен быть один конкретный владелец бизнес-результата.

Иначе у инициативы будет модель, команда, презентация и даже красивый пилот.

Не будет только человека, который отвечает на главный вопрос: что именно изменилось в бизнесе?