Почему одного обучения недостаточно, чтобы устранить разрыв между внедрением ИИ и окупаемостью инвестиций12.11.2026 00:22

Скорее всего, вам знакома та или иная версия этого сюжета: компании внедряют ИИ, рост эффективности со временем выходит на плато, а руководители остаются гадать, какую отдачу принесли их инвестиции.

Эксперты расходятся во мнениях о том, как устранить этот разрыв между внедрением и результатами. Одни призывают к более качественному управлению, другие — к более продуманному развертыванию. Или мой личный фаворит — к более эффективной поддержке сотрудников. Каждое из этих решений зависит от того, договорились ли организации о том, как выглядит успех, и способны ли они его измерить.

Возьмем специалистов по обучению и развитию (L&D). Они могут поддерживать ваши планы по внедрению ИИ, сталкиваясь при этом с теми же организационными проблемами. Именно так: те, кто лучше всех подготовлен к развитию навыков, тоже с трудом оценивают окупаемость ИИ.

Для нашего ежегодного отчета AI in Learning & Development Report мы опросили более 800 специалистов по корпоративному обучению из более чем 25 стран. Вот чему они могут научить нас на пути от внедрения к результатам.

Без согласованных целей команды по умолчанию гонятся за скоростью

То, как команды L&D используют ИИ, отражает то, что их организация поощряет и измеряет.

Если сотрудники работают в организациях, которые отслеживают использование ИИ и поощряют расход большего количества токенов, то и использование ИИ командами будет это отражать. Такое поощрение становится проблемой лишь тогда, когда оно не сопровождается четкими измеримыми целями. Организации должны уметь сказать: мы хотим, чтобы вы больше использовали ИИ, чтобы достичь X. В противном случае они получат рост производительности, который почти не улучшает результаты работы.

В нашем отчете 75% респондентов назвали ускорение создания контента одним из самых очевидных эффектов внедрения ИИ. На практике это сокращение времени на подготовку новых учебных программ и увеличение их объема. При этом лишь 11% назвали эффектом улучшение результатов работы.

Большая часть корпоративного обучения призвана улучшать результаты работы. Однако лишь 35% команд L&D систематически это измеряют (для сравнения: 72% систематически измеряют участие и завершение курсов).

Это говорит о том, что либо руководители поощряют и оценивают работу L&D именно по этим метрикам, либо никто так и не договорился, как должен выглядеть успех. Ответы нашего опроса указывают на второе. Более чем каждый пятый респондент называет отсутствие согласованных метрик успеха главным препятствием для доказательства эффекта.

Командам велят использовать ИИ, а затем они натыкаются на препятствия

Система поощрений — не единственное организационное ограничение, с которым сталкиваются команды L&D при внедрении ИИ. Не менее важно и то, что организация разрешает и как она управляет ИИ.

Все начинается с того, к каким ИИ-решениям у команд есть доступ. 73% команд L&D, начавших использовать ИИ по распоряжению руководства, все равно должны получать разрешение отдела или нескольких подразделений, чтобы опробовать новый ИИ-инструмент. Некоторые команды ограничены одобренными компанией ИИ-инструментами и не могут тестировать что-либо сверх этого.

Командам также нужны правильные данные, чтобы оценить эффект ИИ. Большинство команд L&D уверены, что ИИ приносит улучшения, но с трудом могут это доказать. На вопрос о главном препятствии для доказательства эффекта 53% указали на организационные ограничения, включая отсутствие согласованных метрик успеха и доступа к данным или инструментам измерения.

Например, данные, необходимые для оценки эффекта, могут храниться в несвязанных системах — системе управления обучением, кадровой информационной системе, инструменте для опросов и платформе ИИ-видео.

Если команды L&D используют ИИ, чтобы быстрее штамповать учебные материалы, но не оценивают, приводит ли это обучение к изменению поведения, они просто превращают ИИ в фабрику контента. Пока руководители не договорятся о целях, выходящих за рамки скорости, больше контента — это все, что эти команды смогут предъявить в качестве итогов внедрения ИИ.

Создайте структуру, необходимую ИИ для окупаемости

Хорошая новость в том, что примерно треть команд L&D сообщает о росте эффективности благодаря ИИ — например, о более быстром достижении профессионального уровня или улучшении результатов работы. Эти команды отличает ряд особенностей: например, возможность свободно тестировать или создавать ИИ-решения либо использовать ИИ для оценки своей работы. Эти факторы часто зависят от организационных условий, которые L&D не контролирует.

Исходя из наших данных, руководители могут внести в свою ИИ-стратегию три структурных изменения, чтобы добиться окупаемости.

Во-первых, договоритесь о том, чего должен достигать ИИ, а затем — о том, как поощряется и измеряется его использование. Без определенной цели команды производят то, что проще всего продемонстрировать, а в L&D это более быстрое создание контента. Для команд L&D это означает совместную работу с руководителями, чтобы еще до разработки любого нового обучения определить, каких изменений в работе они хотят добиться и как их измерять. И да, это касается и обучения работе с ИИ.

Во-вторых, инвестируйте в интеграцию данных, прежде чем масштабировать новые ИИ-решения или автоматизировать новые рабочие процессы. Убедитесь, что команды всех подразделений имеют доступ к данным, необходимым для оценки эффекта ИИ.

В-третьих, сделайте L&D партнером в своей ИИ-стратегии. Если цель ИИ — автоматизировать ручной труд, то задача должна состоять в том, чтобы высвободить время для более стратегического развития компетенций, например того, как с помощью ИИ изменить сам способ выполнения работы. L&D хорошо подходит для того, чтобы возглавить это развитие, поскольку эти специалисты могут определить, где обучение может стать частью решения, а где нет.

Только тогда обучение сможет помочь сократить разрыв между внедрением ИИ и его окупаемостью.

Полный текст статьи читайте на TheNextWeb.ru