Используют почти все, а управляют единицы: как собрать рабочий ИИ-инструмент для своего отдела, если ты не программист

Разбираю на кейсе HR-директора без строчки кода: с чего начать, как выбрать первую задачу, как собрать и что нельзя отдавать нейросети. С паспортом задачи для проверки собственного проекта.

Генеративный ИИ в России используют массово: 71% компаний применяют его хотя бы в одной функции — за год плюс семнадцать пунктов. Но стратегию развития ИИ имеет лишь каждая четвёртая компания, а каждый третий сотрудник вообще скрывает от работодателя, что пользуется нейросетями. За этим разрывом между «пробуют» и «управляют процессом» стоит известная ловушка: прототип разваливается при первой встрече с реальной нагрузкой, потому что автоматизировали случайный участок процесса, а тот, что действительно мешает, остался нетронутым.

Дальше по шагам покажу, как выглядит рабочий формат ИИ-проекта на примере Анастасии, выпускницы «Зерокодера». 

Анастасия — HR-директор в IT-компании на 230 человек, в профессии больше 20 лет. Весь её программистский опыт — это институтский курс на турбо-паскале. На поток по вайб-кодингу она пришла HR-специалистом, которому стало интересно, какие проекты в своей работе она может реализовать с помощью ИИ, а ушла с работающим корпоративным сервисом собственной сборки: внутри роли участников, оценка по методике «светофора», автоматический расчёт условий для повышения грейда, уведомления. Такую разработку внутренняя IT-служба обычно ставит в план на месяцы, а с учётом приоритета клиентских задач ждать пришлось бы почти год. Но Анастасия собрала проект за месяц. Разберем по шагам, как это было.

Шаг 1. Начните с реальной боли отдела

Многие руководители начинают именно с вопроса «что бы нам автоматизировать», и почти гарантированно пополняют число заброшенных пилотов. Продуктивнее спросить иначе: какая задача прямо сейчас съедает время и деньги команды.

Прежде чем открывать чат с нейросетью, стоит честно прогнать задачу через фильтр. Хорошая первая задача отвечает четырём условиям:

1. Она повторяется. Ежедневно, раз в неделю или постоянно — неважно, важно, что вы можете назвать её рутиной.
2. У неё понятный вход и выход. Например, на входе — матрицы компетенций в разрозненных Excel-файлах, на выходе — единая картина с автоматическим расчётом. Если вход и выход сформулировать не получается, задача ещё не готова.
3. Ошибка в ней не критична для бизнеса. Первые эксперименты разумно проводить на внутренних процессах, оставив платежи, безопасность и клиентские сценарии классической разработке.
4. Эффект виден быстро. Хороший ориентир, когда увидеть результат можно уже в первые дни.

У Анастасии задача проходила фильтр по всем пунктам. Матрицы компетенций хранились в разрозненных Excel-файлах, у каждой команды в своём формате: не было ни единого места хранения, ни общей версии, ни автоматического расчёта условий для перехода на грейд. Повышение назначали на глаз: условный «сотрудник работает у нас четвёртый год, наверное, пора повысить». Компания при этом айтишная, но до собственных HR-процессов у внутренней разработки годами не доходили руки. Отсюда и появилась мотивация закрыть боль своими силами.

Шаг 2. Опишите процесс раньше, чем откроете чат с нейросетью

Хаос автоматизировать невозможно: пока процесс не описан, ИИ лишь ускоряет беспорядок. Описать процесс — значит разложить его на мелкие понятные действия методом реверс-инжиниринга. Возьмите готовый результат и пройдите назад по шагам, которыми приходите к нему вручную.

У Анастасии оценка сотрудника разложилась так: открыть матрицу компетенций → выставить уровни по навыкам → посчитать, добирает ли человек до следующего грейда → отправить руководителю на согласование → уведомить о решении. Каждый шаг — это отдельное действие с понятным входом и выходом. Именно такие атомарные шаги нейросеть превращает в код; общая формулировка «сделай мне систему оценки» ей не по зубам, а цепочка конкретных действий — вполне.

Модель оценки, состав ролей и правила согласования Анастасия продумала сама, ещё до первого запроса к нейросети. Отдельно описала методику «светофора», где каждый навык помечался красным, жёлтым или зелёным — не владеет, владеет частично, владеет уверенно. В небольших командах глубоко оценить профессиональные навыки некому. Аналитик не оценит разработчика, и наоборот, поэтому простая цветовая шкала оказалась практичнее тяжёлых опросников.

Когда процесс разложен на шаги, встаёт практический вопрос: с помощью чего его собирать. Создавать прототипы, приложения и собственные проекты на основе ИИ помогает вайб-кодинг — способ программировать без знания языков: вы описываете задачу словами, а код пишет нейросеть. Этот навык помогают выработать на практических курсах в «Зерокодере». Инструментов для этого много. Из популярных зарубежных — Claude Code; из доступных в России без ухищрений, например, бесплатный открытый агент OpenCode, который работает с разными моделями. Что выбрать, зависит от задачи и от того, к каким моделям у вас уже есть доступ. И платить за десяток подписок не нужно: рабочий принцип заключается в том, чтобы выбрать один основной инструмент под главную задачу плюс бесплатные версии моделей под остальное.

Шаг 3. Спросите у нейросети, как это собрать

Приятный бонус проектирования с помощью ИИ в том, что новичку не нужно знать досконально, из каких частей собирать инструмент. Разложенный на шаги процесс можно описать самой нейросети и спросить прямо — как это архитектурно собрать, какие компоненты нужны, на каких инструментах. Современные модели имеют доступ к такой информации и разложат задачу на понятные блоки. Дальше вы идёте по готовому плану.

Так и действовала Анастасия. Продуктовую логику она держала в голове, а сборку вела диалогом: описывала шаг за шагом, проверяла результат на реальных примерах и правила формулировку, если он расходился с задуманным. В итоге код почти целиком сгенерировали ИИ-агенты, руками вносились разве что настройки и данные, а архитектуру — где хранятся оценки, как разграничен доступ по ролям, как считается переход на грейд — Анастасия собирала по подсказкам модели. Так за четыре-пять дней после старта заработала первая версия, состоящая из входа, матрицы компетенций, экрана оценки, согласования руководителем и аналитики для директора.

Проверять работу нейросети можно, не заглядывая в код, по результату. Прогоняете процесс на реальном примере и сверяете с тем, что ожидаете увидеть. Помогает и обратный приём — попросить саму модель критически разобрать свою работу. Анастасия несколько раз так ловила её на невыполненных шагах и искажённой логике. Модель ускоряет работу, но ответственность за то, что итог не разошёлся с задачей, остаётся на человеке.

Шаг 4. Проведите красную линию: что вы не отдадите ИИ

 В системе Анастасии по одну сторону линии расположились расчёт баллов, сверка условий для перехода на грейд, рассылка уведомлений: всё это забрал ИИ, заодно сняв субъективность, ведь расчёт не зависит от того, кто как относится к сотруднику. По другую сторону — само решение о повышении, и его Анастасия автоматизировать отказалась намеренно: система подсказывает и оповещает, но итоговое слово за руководителем, потому что объясняться с человеком, которого не повысили, придётся именно ему. Провести эту границу стоит до того, как откроете чат с нейросетью, — иначе легко увлечься тем, как ловко система считает, и незаметно отдать ей решение, за которое отвечать придётся вам.

Та же линия отделяет то, что специалист не потянет в одиночку: подключение прототипа к корпоративным системам, общий доступ для всех сотрудников, настройка рассылок. Здесь Анастасия подключила штатных админов и разработчиков. Защита данных и стыковка с корпоративным контуром также остались за профессионалами. О том, из каких ступеней складывается путь от простого чата с нейросетью до системы, встроенной в процесс, мы разбирали отдельно — проект Анастасии стоит уже на верхних из них.

Проверьте себя до старта: паспорт задачи

Прежде чем открывать нейросеть, полезно за пять минут ответить на шесть вопросов о своей задаче. Это паспорт зрелости, по которому мы оцениваем любой пилот. Если хоть одно поле заполнить не получается, автоматизацию стоит отложить и сначала дособрать процесс.

1. Процесс и владелец. Нужно понимать, кто в компании отвечает за результат. У Анастасии ответ простой: она сама. Идея была её собственной инициативой, и на ней же как на HR-директоре лежала ответственность за запуск.

1. Текущая боль. Зафиксировать, что именно сейчас не работает: сколько времени уходит, где возникают ошибки, что задерживается, какой в этом риск. У Анастасии боль была предметной: матрицы компетенций хранились в разрозненных Excel-файлах у каждой команды в своём формате, общей картины не было ни у HR, ни у руководителей, а решения о повышении принимались на глаз.

1. Данные и ограничения. Понять, где физически лежат данные и кто может ими пользоваться. У Анастасии всё хранится на локальном корпоративном сервере, вход по корпоративной учётной записи, а доступ к чужим матрицам разграничен по ролям: HR видит всё, руководитель же только своих подчинённых.

1. Что делает ИИ. Определить шаги, которые можно полностью доверить нейросети. У Анастасии это автоматический расчёт условий перехода на следующий грейд и рассылка уведомлений — визуальные метки в системе и письма на почту.

1. Что проверяет человек. Зафиксировать, где обязателен ручной контроль. У Анастасии это финальное решение о повышении: система только оповещает и подсказывает, а согласовывает переход руководитель.

1. Метрика успеха. Это одна цифра, по которой вы поймёте, сработал инструмент или нет. У Анастасии это количество матриц компетенций, которые реально пройдут через систему, — то есть приживётся ли инструмент в реальной работе, а не останется прототипом.

Заполненный паспорт — это и есть описанный процесс, готовый к сборке. Пустые поля показывают, где вы пока не разобрались, и честно предупреждают, что нейросеть эти пробелы не закроет за вас.

Что до самого проекта: прототип протестировали на HR и руководителях, оценка высокая. Запуск согласовали на уровне владельца компании, и теперь проект ведут к полноценному пилоту: сначала четыре команды, затем масштабирование на все 150 человек, чьи матрицы компетенций уже оцифрованы.

Главное, что показывает эта история: собрать рабочий инструмент под свою задачу теперь по силам и специалисту из бизнеса, без штатной разработки. Именно такому переводу экспертизы в готовые цифровые продукты и учат в «Зерокодере»: от коротких потоков по вайб-кодингу до магистратуры по ИТ-предпринимательству с Университетом Иннополис. А дальше навык начинает приносить деньги и вне штатной работы — через карьерный центр студенты берут первые заказы на разработку уже со второго-третьего месяца обучения, а полсотни компаний-партнёров открывают им стажировки с перспективой оффера.