Обучение ИИ-агентам для бизнеса: чему на самом деле учится команда и как понять, что это сработало
Обучение ИИ-агентам для бизнеса даёт результат, когда у сотрудника меняется образ действий. Раньше он выполнял задачу руками, теперь ставит её агенту и проверяет результат. Человек становится менеджером, который ставит задачу и контролирует то, что делает модель. Интенсив на день-два этого не даёт. Нужен формат не меньше месяца, с регулярными встречами, на своих рабочих задачах и с отчётом каждую неделю о том, что человек сделал. Первые результаты при таком формате появляются уже на второй-третьей неделе. Ниже — что на самом деле покупает собственник, почему у команды часто нет этого запроса и как выбрать обучение, после которого люди работают иначе.
Что покупает собственник
Ко мне обычно приходят собственники бизнеса, которые уже где-то увидели, как в других компаниях сотрудники стали успевать значительно больше: выполняют классные сценарии, делают вещи, которых раньше не делали. Своей компетенции у них на это не хватает, или понятно, что быстрее и эффективнее взять эксперта со стороны. И они инвестируют деньги, чтобы кто-то научил команду работать с ИИ.
Со стороны кажется, что покупается обучение. Если копнуть глубже, собственник хочет купить изменения в команде: команда не использовала ИИ, а после его инвестиции начинает. Но и сами изменения, по большому счёту, ему не нужны. Ему нужна эффективность, выручка, сокращение костов, более конкурентоспособный бизнес. Команда, которая научилась работать с ИИ, — это рычаг, через который он туда идёт.
Дальше есть два пути. Если собственник сам погружён в ИИ, он может сам транслировать это в команду и помогать. Но на моём опыте чаще заказчик сам в тему не особо погружён и хочет решить эту задачу в том числе для себя.
У команды этого запроса часто нет
Команда приходит учиться, потому что собственник пришёл и говорит: ребята, надо всем учиться. А в самой команде запроса часто нет. Им и так вроде хорошо, проблемы они для себя не видят. Проблема у собственника: у него теряется доля рынка, падает выручка. Или бизнес убыточный, и его нужно вытаскивать, показывать инвесторам доходы. У сотрудников таких проблем нет.
Мне кажется, со временем это будет меняться, потому что давление рынка растёт. Люди, у которых уже есть навык работы с ИИ, выигрывают у тех, у кого его нет. И если собственник не сможет обучить текущую команду, он просто будет менять её на другую — с навыками. Я вижу этот сценарий много где. Происходит это по-разному: кто-то выстраивает рядом новую команду и убирает старую, когда это становится безопасно. Кто-то ставит рядом другую команду на другие задачи, две команды существуют параллельно и в какой-то момент начинают конкурировать.
Поэтому на обучении, помимо самого инструмента, нужно донести до участников, что это касается и их. Если они проблему не видят, это не значит, что её не существует. Проблема в том, что если они не обучатся, их заменят те, кто ИИ использует и более готов к изменениям.
Чаще всего участники застревают в старых привычках. Текущая нагрузка, задачи, делать некогда, а тут ещё обучение — нам бы по старинке разобраться. Старые привычки — самый сложный барьер. Хорошо работает, когда есть не только морковка впереди, когда показывают преимущества и новые возможности ИИ, но и морковка сзади: собственник встаёт и говорит, что те, кто не освоит навык, в компании работать больше не смогут. Это хороший мотиватор хотя бы начать меняться.
Чем агент отличается от чата
Работа с агентом, помимо возможности получать ответы, позволяет вгружать в него задачи. У агентных систем вроде Claude Code или Codex, помимо мозга, есть ещё и руки, чтобы делать действия: сходить в сервис и забрать данные, сформировать письмо, собрать дашборд, связаться с клиентом по почте, замкнуть на себя работу с задачами и планированием. Агентная система может автоматизировать даже подачу заявок на тендер. ChatGPT или другая модель в обёртке чата в такой работе сильно ограничена.
Так можно закрывать практически любые офисные задачи: финансы и отчётность, аналитику, обработку лидов, документы, коммуникации с клиентами.
Чему учатся: ставить задачу и проверять результат
Главное, что происходит на обучении, — трансформация образа действий. Мы все сейчас становимся менеджерами моделей.
Это сильнейший менеджерский тренажёр. Чтобы агент сделал работу вместо него, человеку приходится учиться тому же, чему учится руководитель: сформулировать, что нужно получить, обеспечить исполнителя доступами, проверить результат, заметить ошибку и понять, где она возникла — у исполнителя или в постановке.
Как это выглядит у живого человека
Чаще всего переход выглядит как AI holy shit moment: у человека появляется успешный опыт решения сложной задачи с помощью Claude. У кого-то это обработка большого количества сделок в CRM, у финансового директора — качественная управленческая отчётность внутри контура компании, в тех же таблицах, которыми компания уже пользуется. Покажу на одном случае с программы — так, как участница сама рассказывала о нём на трекшн-митинге.
Руководитель проекта в продуктовой компании. Себя она в технических понятиях называла «джун-минус». Цель на неделю поставила сама: сопоставить расходы с доходами и проверить, выполняется ли у компании целевое соотношение. Для этого нужны были данные из базы.
Доступ к базе получили не с первого раза, на это ушло около полутора часов. Пока доступа не было, агент не стоял: разбирался в коде и писал запросы. И сам написал за неё сообщение девопсу — что именно нужно. По её словам, это очень помогло девопсу разобраться.
Как считать, она агенту не объясняла:
Я ему как сеньор-разработчику говорила, что мне нужно вот это. И он справлялся с этой задачей.
Результат: компания работала сильно ниже своей цели, и заметную часть расходов давали несколько самых активных пользователей. Корень нашёлся в тарификации, логика которой не менялась с самого основания. Цены до этого уже поднимали, и это улучшило ситуацию, но не решило её. Команда начала менять условия тарифов.
Почему у части команды не получается
Одна из ключевых идей: чтобы произошли изменения, мало дать знания, мало их получить и мало присутствовать на лекции, воркшопе или мастер-классе. Самое важное — личный опыт. Нужно делать.
Те, у кого не получается, чаще всего просто не делают — это те самые старые привычки. Вскрывается это так: идёт третья неделя обучения, человек в очередной раз приходит и рассказывает, что ничего не сделал. Начинаешь задавать вопросы и понимаешь, что он даже не пытался. Ровно об это и спотыкаются те, у кого изменений не происходит.
Собственник может справиться с этим по-разному. Самое простое — в явном виде попросить участников написать отчёт: что за время обучения сделал, что пытался и к чему пришёл. Если отчёта нет, значит, сотрудник ничего не делал. А дальше всё зависит от собственника: что он планирует делать с сотрудниками, которые не хотят меняться.
Как выбрать обучение ИИ-агентам
Длительность — не меньше месяца
Однодневные, двухдневные интенсивы, трёхдневные курсы не работают. Возможно, они дают людям ощущение, что они узнали что-то новое. Но если после этого человек не пошёл и не применил знания на своих задачах, у него ничего не поменяется. Обучение должно длиться не меньше месяца, в регулярном формате, с регулярными встречами.
В формате есть элемент делания
Смотрите, есть ли в программе элемент, который заставляет участников делать. В моём случае это трекшн-митинги: участник рассказывает свой план на неделю — что будет делать, как применит то, что узнал, — а через неделю рассказывает про результаты. За это время есть вероятность, что привычка начнёт формироваться. И даже при таком формате остаётся часть людей, которые из недели в неделю приходят с ответом «я ничего не сделал».
Свои рабочие задачи, а не синтетические кейсы
Работать нужно над текущими рабочими задачами. Во-первых, так польза появляется сразу. Во-вторых, время на обучение не воспринимается как дополнительное к работе, потому что человек решает свои рабочие кейсы. В-третьих, есть польза для бизнеса, и привычки сразу формируются в правильном месте.
Какого результата ждать и когда
Раз работа идёт на рабочих задачах, результаты чаще всего появляются ещё во время обучения. В двух командных программах этого года на финальной защите рабочий кейс, сделанный самостоятельно, показали шесть участников из семи.
По моей субъективной оценке, по уровням картина такая. Минимум треть участников выходит на очень хороший, профессиональный уровень использования ИИ в работе. Стабильно 50–60% начинают применять полученные навыки. Остальные остаются на среднем уровне или не приносят результата. Но те, кто попробовал и довёл хотя бы одну задачу до конца, практически все продолжают пользоваться дальше.
Программа может окупить себя ещё до своего окончания — за счёт того, что участники делают уже во время обучения. В случае выше так и произошло: разбор, который участница сделала на программе, показал, где компания теряет деньги.
Как устроена программа, о которой я здесь рассказывал, и другие материалы про обучение команд — на ai-sprint.ru.
Пишу об этом же — только чаще и короче — в телеграм-канале t.me/i_mikheev.