Реальная задача AI readiness — научить сотрудников задавать вопросы, проверять и контролировать автоматизированные системы.
За последние два года компании ускоренно делали свои команды «AI-ready». Но многие ранние программы обучения — с упором на написание prompts и навыки работы с чатботами — оказываются плохо приспособлены к реальной работе с AI.
Причина проста: самые важные навыки после внедрения AI в реальные процессы связаны не с взаимодействием с инструментами, а с суждением. Долговечные компетенции в эпоху AI включают валидацию результатов, data literacy, понимание процессов и умение оспаривать автоматические рекомендации. В отличие от этого, навыки, завязанные на конкретный инструмент, быстро устаревают по мере изменения моделей и интерфейсов.
«AI-ready определяется не тем, сколько людей прошло обучение или сколько лицензий вы купили», — сказал Neal Sample, исполнительный вице-президент и chief digital and technology officer у ритейлера электроники Best Buy. — «Она определяется тем, перестроили ли вы реальные рабочие процессы, назначили ли ответственность и можете ли показать, что технология улучшает результаты, не создавая неконтролируемых рисков».
Этот сдвиг — от владения инструментом к операционному суждению — заставляет компании заново думать о том, как они обучают сотрудников работе с AI.
Иллюзия AI readiness
Первая волна корпоративного обучения AI была сосредоточена на prompt engineering и базовом знакомстве с generative AI-инструментами. На раннем этапе такой подход был оправдан: сотрудникам нужно было понять саму технологию. Но многие организации обнаруживают, что срок жизни этих навыков очень короткий.
«Prompt engineering устарел быстрее всего», — сказала Rebecca Schalber, senior manager по generative AI в косметической компании cosnova Beauty. По мере появления новых моделей и интерфейсов усилия, потраченные на идеальные prompts, быстро теряют ценность.
Когда cosnova развернула generative AI по всей компании, Schalber ожидала, что обучение будет сосредоточено на индивидуальных навыках — понимании large language models, освоении техник prompting и экспериментах с инструментами. Первые результаты были многообещающими. Через шесть месяцев опрос показал, что сотрудники сообщили о росте продуктивности почти на 10%.
Но одного внедрения оказалось недостаточно. «Нужно широкое распространение, чтобы сдвинуть ситуацию с места», — сказала Schalber. «Но по-настоящему важна архитектура workflow».
Вместо фокуса на prompts cosnova начала разбирать, как работа реально устроена внутри команд — какие задачи выполняют сотрудники, где возникают узкие места и какие части процесса можно безопасно автоматизировать или усилить с помощью AI. Этот сдвиг заставил сотрудников ответить на другой вопрос: не как пользоваться AI, а как проверять его output и встроить его в реальные бизнес-процессы.
Когда AI попадает в реальные workflow
Разница становится очевидной, когда AI выходит из экспериментальной среды и попадает в operational workflows. В тестировании результаты можно сравнивать с известными ответами. В реальных бизнес-процессах ответ часто заранее неизвестен. AI-системы внедряют именно потому, что они помогают сотрудникам анализировать сложные ситуации, интерпретировать данные или получать инсайты.
Именно поэтому human oversight становится критически важным. «Human oversight — это не перепроверка каждого output AI», — сказал Sample из Best Buy. — «Это четкое определение того, где суждение, эскалация и ответственность должны оставаться у человека».
Чем ближе решение к доверию клиента, regulatory obligations или значительному финансовому риску, тем важнее такое суждение. Компании, внедряющие AI в масштабе, должны встроить guardrails в workflow и четко определить, кто отвечает за финальные решения.
«Для каждого AI-enabled workflow нужно знать, кто владеет решением, кто обрабатывает исключения и где человек должен вмешаться до того, как бизнес предпримет действие», — сказал Sample.
Иными словами, задача AI readiness — не научить сотрудников взаимодействовать с моделью, а научить их supervising it.
От учебных программ к проектированию workflow
В cosnova команда Schalber ушла от общих обучающих сессий к практическим воркшопам, на которых менеджеры и сотрудники описывают свои ежедневные workflow. Во время этих сессий команды выявляют задачи, которым может помочь AI, а затем перестраивают процессы вокруг этих возможностей.
Когда AI подавали просто как еще один инструмент, энтузиазм был ограниченным. Но когда сотрудники увидели, как технология может убрать рутинные задачи или снизить трение в работе, adoption ускорился.
«Это перестало быть просто еще одним инструментом, которым management хотел, чтобы люди пользовались», — сказала Schalber. Вместо этого команды решали собственные проблемы — убирали повторяющиеся задачи или ускоряли процессы, которые им не нравились.
Компания также начала делать акцент на переносимых навыках, применимых к разным AI-инструментам и моделям, включая critical thinking, workflow design и data literacy. Эти компетенции остаются ценными даже по мере развития технологии и оказались гораздо долговечнее, чем техники написания prompts.
Эксперименты раньше формального обучения
Некоторые организации выбирают другой подход: сначала эксперименты, а уже потом формальное обучение. В AI infrastructure компании Turing Taylor Bradley, vice president of talent strategy, намеренно начал программу повышения AI-навыков с того, что предложил нетехническим сотрудникам экспериментировать с generative AI-инструментами.
Целью было пробудить любопытство, а не добиться формального соответствия требованиям. Bradley сравнивает этот процесс с тем, как учил свою дочь кататься на велосипеде. «Лучший способ научить ее — дать ей действительно поехать на велосипеде», — сказал он.
В Turing сотрудники экспериментировали с AI через неформальные задания: превращали фото домашних животных в «королевские портреты» или создавали короткие фильмы, сгенерированные AI, для внутренних конкурсов. Эти упражнения были задуманы для того, чтобы снизить порог входа в эксперименты. Когда сотрудники освоились с технологией, компания начала проводить практические воркшопы, привязанные к реальным рабочим задачам.
Теперь Bradley садится с командами и вместе с ними анализирует ежедневные workflow, чтобы понять, где generative AI может помочь. Сотрудники часто обнаруживают, что AI может служить «зеркалом» для идей, помощником в черновиках или способом ускорить коммуникацию.
Уже через несколько недель такие эксперименты нередко превращаются в более формальные системы. Один из первых проектов начался как conversational tool, помогающий HR-специалистам готовить ответы на обращения сотрудников, а затем вырос в более широкую внутреннюю knowledge system.
Главный показатель, по словам Bradley, — не завершение курсов, а то, создают ли команды полезные AI-приложения. «Мы фокусируемся на качественных use cases с измеримыми результатами», — сказал он.
Обучение внутри рабочего процесса
Для крупных компаний задача развития AI-навыков еще сложнее. Традиционные модели обучения — когда сотрудники проходят курсы и возвращаются к своей работе — плохо подходят для технологии, которая меняется так же быстро, как generative AI.
По словам Margaret Burke, руководителя по привлечению и развитию талантов в консалтинговой фирме PwC, традиционные обучающие программы по своей природе эпизодичны. «Сотрудники проходят курс, возвращаются к работе и затем, возможно, применяют или не применяют то, чему научились», — сказала она. «В среде, где AI ускоряет все вокруг, эта модель ломается».
PwC встраивает обучение AI непосредственно в повседневную работу. Компания по-прежнему проводит формальные программы, но расширяет apprenticeship-style learning и включает развитие AI-компетенций в рутинные бизнес-активности.
Один из примеров — «skills days», когда сотрудники изучают AI-приложения, релевантные их работе. На недавней сессии с advisory associates участники зафиксировали, как уже используют AI или где планируют его применять. Возникли сотни идей. Затем PwC использовала AI, чтобы проанализировать эти материалы, сгруппировать их по категориям и разослать результаты по организации, чтобы команды могли учиться друг у друга.
Принципиально важно, что PwC сочетает технические AI-навыки с тем, что Burke называет навыками «human edge», включая critical thinking, независимое суждение и storytelling. «Мы никогда не обучаем техническому навыку AI, не обучая параллельно человеческому навыку, который с ним связан», — сказала Burke.
По мере того как AI-системы генерируют все больше контента и аналитики, эти человеческие компетенции становятся необходимыми для интерпретации результатов, поиска ошибок и объяснения выводов коллегам и клиентам.
Как измерять реальную AI readiness
По мере переосмысления AI-компетенций меняются и метрики, по которым оценивают программы обучения. Традиционные программы часто опираются на процент завершения курсов или сертификаты. Но эти показатели мало что говорят о том, умеют ли сотрудники ответственно использовать AI в реальных workflow.
Вместо этого компании ищут operational signals. Одни отслеживают, как часто сотрудники разрабатывают новые AI use cases, которые улучшают productivity или принятие решений. Другие измеряют, насколько быстро команды адаптируются, когда меняются AI-инструменты или модели.
Для Bradley из Turing ключевой индикатор — то, продолжают ли сотрудники находить новые способы улучшать свою работу с помощью AI. «Если члены моей команды каждую неделю приходят ко мне с идеями, как улучшить или расширить AI use cases, это сигнал, что компетенции растут», — сказал он.
С точки зрения CIO, однако, главный показатель — это operational outcomes. AI readiness становится значимой только тогда, когда компании внедряют AI в реальные workflow и при этом сохраняют ответственность за результаты.
«Самые долговечные компетенции — это не лучшие на сегодня tricks для prompts», — сказал Sample из Best Buy. — «Это суждение, постановка проблемы, systems thinking и способность превращать машинный output в бизнес-действие».
Но для CIO, внедряющих AI по всей компании, компетенции сотрудников — лишь часть уравнения. Организациям также нужно переосмыслить, как руководство определяет ответственность, когда AI-системы влияют на решения.
«Команда, готовая к AI, без готовой к AI модели leadership, скорее всего, застопорится», — сказал Sample. — «AI может ускорять анализ и рекомендации, но ответственность не переходит к модели. Руководителям все равно нужно определять guardrails, права на принятие решений и то, как выглядит успех».
По мере того как компании уходят от ранних экспериментов с AI, такая ясность в управлении может оказаться не менее важной, чем любые навыки, которым обучаются сотрудники.
Похожие материалы:
- Какие AI-навыки соискателям нужно развивать в 2026 году
- 5 ошибок IT-менеджеров при повышении квалификации техкоманд
- AI затронет две трети рабочих мест
- Как удержать вовлеченность IT-специалистов в эпоху AI
- Как обучить AI-enabled workforce — и зачем это нужно
Материал — перевод статьи с английского.
Оригинал: AI-ready skills are not what you think