Игорь Никитин: ключевое в обучении нейросетям – диагностика перед началом работы.

      Игорь Никитин: ключевое в обучении нейросетям – диагностика перед стартом

      21.07.2026 15:57:27

      Обучение нейросетям следует начинать с диагностики, а не с программы, и ROI следует рассчитывать на основе операционных показателей, а не по «охвату» сотрудников. Об этом в нашем цикле экспертных интервью о внедрении ИИ рассказал основатель WMT AI и WMT Group Игорь Никитин.

      – Одна из главных ошибок, которые мы видим в большинстве компаний: обучение запускается до того, как четко сформулирована задача. Сначала закупают курсы или нанимают тренера, а затем думают, зачем это нужно. В результате сотрудники получают «полезный семинар», возвращаются к своим обязанностям и продолжают работать по-прежнему. Чтобы обучение принесло измеримый результат, оно должно начинаться с диагностики, а не с программы. Сначала нужно ответить на три ключевых вопроса: где в работе сотрудников есть узкие места, которые можно устранить с помощью нейросетей; какие задачи требуют значительного временных затрат и выполняются часто; кто из команды готов к изменениям и станет внутренним проводником новых практик. Наша методология строится именно по этому принципу: обучение интегрировано в конкретный рабочий контекст. Программа разрабатывается под реальные задачи конкретного подразделения, участники сразу применяют инструменты на своем материале, а результаты первых сессий фиксируются в измеримых показателях. Тогда обучение превращается в старт изменений с четкой точкой отсчета, а не просто «семинар».

      ROI от обучения нейросетям рассчитывается через временные и операционные показатели, а не через абстрактные «компетенции»: сколько часов в неделю каждый участник тратил на рутинные задачи до и после обучения; как изменилась скорость выполнения ключевых операций – подготовки отчетов, аналитических материалов, коммуникаций и обработки входящих запросов. Мы применяем следующую систему измерений. До обучения фиксируются: время, затрачиваемое на типичные рутинные задачи, текущая доля сотрудников, регулярно использующих ИИ, и количество обращений к корпоративным системам. После обучения – те же параметры, а также количество пилотных идей, предложенных и реализованных командой. Именно это соотношение «до» и «после» показывает реальную картину. Один из наших примеров: в проекте с компанией, в которой участвовали 3420 сотрудников, доля регулярного использования ИИ увеличилась с 12% до 81%, скорость аналитики возросла на 54%, подготовка презентаций и отчетов ускорилась на 71%, а подтвержденный экономический эффект за первые шесть месяцев составил более 420 миллионов рублей. Ключевое слово здесь – «подтвержденный»: каждый из 21 проекта с измеримым эффектом прошёл верификацию с использованием конкретных бизнес-метрик.

      Первая и наиболее распространённая проблема – отсутствие базовой линии. Компания проводит обучение, получает положительные отзывы, но не знает, что именно изменилось, поскольку ничего не замерила до этого. Этого легко избежать – важно фиксировать ключевые операционные показатели за 2–4 недели до старта программы. Даже простой таймер на типичные задачи даёт отправную точку.

      Вторая трудность – компании измеряют «охват», а не «применение». Отчёт указывает, что 200 сотрудников прошли обучение. Но никто не отслеживает, сколько из них на самом деле изменили свои рабочие процессы через неделю после курса. Мы принципиально разделяем эти понятия: охват – это статистика, применение – это результат.

      Третья сложность – эффект размытый и отложенный. В отличие от покупки оборудования, результат от обучения не появляется сразу по завершении программы. Часть эффекта проявляется через 1–3 месяца, часть – только когда обученный сотрудник начинает делиться практикой с коллегами. Решение: планировать замеры в контрольные моменты на 30, 60 и 90 дней, а не только сразу после курса. Именно на этом сроке фиксируется устойчивое изменение поведения, а не временный энтузиазм после семинара.