«Нейросеть съест мою зарплату»: почему сотрудники саботируют внедрение ИИ и как это остановить

Опрос среди 2400 сотрудников показал, что 29% работников мешают внедрению ИИ в своей компании, а среди зумеров этот показатель доходит до 44%. Причина почти всегда одна — это страх остаться без работы. При этом исследователи нашли и обратную закономерность: сотрудники, которые активно осваивают ИИ, получают повышения и прибавки к зарплате втрое чаще тех, кто игнорирует новые инструменты. Рассказываю, как устроены эти страхи на практике.

Откуда берется сопротивление команды

На практике ИдаПроджект открытого противостояния отдела продаж не возникало, и причина этому в том, куда было направлено внедрение ИИ‑инструментов. Технология не встраивалась между менеджером и клиентом и не превращалась во второго продавца, ломая привычную всем цепочку заключения сделок. Зона применения была другой: мы концентрировались в первую очередь на том, что происходит после подписания всех договоров: проводили аналитику коммуникации, квалифицировали входящий поток лидов — то есть, зарывали с помощью AI пробелы, на которые у менеджеров раньше не хватало времени.

Сопротивление почти всегда возникает там, где новый инструмент вторгается на территорию, которую сотрудник считает своей, и влияет это прежде всего на прямой контакт с клиентом. Если же ИИ забирает рутину, до которой руки не доходили, он становится помощником. Проявление страха — это одна из естественных реакций на изменения. Поэтому при внедрении чего‑то нового нельзя бросать все силы на принятие решений с оглядкой на уровень комфорта команды, иначе каждый шаг будет блокироваться фразой «подождем, пока люди привыкнут». Привыкание к ИИ происходит тогда, когда сотрудник использует его для решения своей конкретной рабочей задачи, а сам инструмент уже полностью готов к работе.

Чтобы запустить этот процесс, нужно понять степень сопротивления. Сложнее всего это сделать, если кто‑то из работников скрывает свое нежелание работать с новыми инструментами. Распознать такое сопротивление можно по нескольким признакам: например, сотрудник перестает задавать вопросы касательно новых проектов, объясняет неудачи только внешними обстоятельствами или начинает говорить об инструменте обезличенно — «оно не работает».

В сфере девелопмента сопротивление сотрудников могут подкреплять и весьма оправданные опасения, которые основаны на отраслевой специфике.

• Защита данных: база покупателей застройщика содержит паспортные данные, финансовые сценарии, состав семьи и источники дохода, поэтому любой разговор о ИИ начинается с вопроса, где именно данные будут храниться и обрабатываться. Требования 152‑ФЗ в этом сегменте жестче, чем у среднего ритейлера, а цена ошибки — не репутация, а уголовная ответственность.
• Санкционные риски: современные и эффективные модели от OpenAI, Anthropic и Google официально недоступны в России, и у пользователей есть обоснованный страх перед построением процессов на инструменте, который может перестать работать в любой момент. Решается этот вопрос через собственную инфраструктуру на открытых моделях, отечественных провайдеров или комбинированную схему.
• Бюрократия: каждый шаг процесса внедрения проходит через юристов, службу безопасности, финансовый отдел, и для большинства этих подразделений ИИ остается полем без регламентов и шаблонов договоров. Именно бюрократическая инерция, а не личные страхи менеджеров, чаще всего тормозит крупные девелоперские компании.

Страх №1: Я потеряю контроль над сделкой

В одном из проектов в модель был загружен полный контекст жилого комплекса: проектная документация, технические характеристики, нормативы, отделка, инженерные решения. Обычно эта информация разбросана по десяткам файлов и до менеджера не доходит.

После отделу продаж задали два вопроса: какие марки бетона используются в несущих конструкциях и какие нормы звукоизоляции между квартирами. Не ответил никто, потому что менеджеры продают планировки, виды из окон и сценарии жизни, а технические детали находятся за пределами их зоны внимания. При этом каждый десятый клиент задает именно такие вопросы: иногда это инженер или человек со строительным образованием, для которого ответ «уточню у технадзора» — отталкивающий сигнал некомпетентности.

ИИ на те же два вопроса ответил мгновенно, со ссылкой на конкретный раздел документации. После этого вопрос доверия к модели снялся сам собой: стало очевидно, что технология закрывает глубину, до которой менеджер физически не дотягивается. При этом подсказки ИИ появляются в рабочем интерфейсе менеджера, в карточке клиента или на этапе подготовки к встрече, поэтому решение, что и как сказать покупателю, все еще остается за человеком.

KPI при внедрении новых инструментов не менялся, потому что любая корректировка системы мотивации воспринимается командой как желание заставить людей работать иначе ради чужого удобства и создает сопротивление там, где его могло не быть. План, конверсия, средний чек и удержание клиента остались прежними, а способ их достижения, с LLM или без, менеджер выбирает сам.

Мерилом эффективности при таком подходе стала корреляция между интенсивностью использования AI‑инструментов конкретным менеджером и его результатами за квартал. У тех, кто активно работает с подсказками, в среднем закрывается на 2‑3 сделки больше за период по сравнению с коллегами на том же пуле лидов. При среднем показателе 8‑10 сделок на менеджера это +20‑30% к результату просто за счет того, что ИИ снимает справочную и подготовительную часть работы.

Страх №2: Нейросеть заберет мою зарплату

На этапе согласования денежного вопроса необходимо услышать мнение и финансового директора. В этот момент важно в порыве радости от оптимизации не урезать зарплаты под предлогом того, что половину работы сделал бот. При неправильном подходе вместо роста выручки без кадровых изменений вы рискуете получить демотивированный отдел продаж и лишь краткосрочную экономию на фонде оплаты труда. Эффективным решением в нашем случае стало не сокращение дохода всех сотрудников, а дополнение скиллов сильных работников набором AI‑инструментов, чтобы за счет этой связки заменить целые команды конкурентов.

Менеджер с таким набором выполняет в 1,5‑2 раза больший объем работы при той же ставке, поэтому его имеет смысл удерживать выше рынка. Слабых сотрудников, которые не вытягивают план работы ни с ИИ, ни без него, разумнее не заменять, а закрыть их функции моделями или более сильными коллегами.

Страх №3: Я не смогу переучиться и стану ненужным

Самым эффективным форматом запуска ИИ‑инструментов оказалась демонстрация личного примера. Для сотрудников была организована встреча в формате разбора кейсов в прямом эфире. Руководитель наглядно решал типовые задачи вроде подготовки к встрече с клиентом или разбора звонка, привлекая к процессам ИИ, а члены команды смотрели и задавали вопросы.

Когда сотрудники видят, что директор не читает методичку, а разговаривает с моделью так же, как с коллегой, сопротивление резко падает. После такого показательного внедрения подключается второй вектор: точечные тренинги, созданные под конкретные сценарии. Например, так команда изучила, как использовать ИИ при подготовке к встрече, разборе записи звонка, оформлении коммерческого предложения.

Массовых жалоб на сложность ИИ от сотрудников почти не было, потому что компания работает в IT‑секторе и порог входа в новые инструменты у сотрудников объективно выше, чем у среднего застройщика. В проектах с клиентами‑девелоперами типовые жалобы сводились к трем типам:

• слишком много информации на одном экране;
• непонятно, на основе чего ИИ делает вывод;
• постоянная необходимость переключаться между системами.

Алгоритм внедрения без сопротивления

Через опыт реализации проектов в ИдаПроджект команда выделила несколько ключевых моментов, которым стоит соответствовать, чтобы внедрение новых процессов шло легче:

Обосновать внедрение корректно. Рассказать, какую задачу решает технология, какой результат ожидается и какие риски снимаются. Если все это невозможно сформулировать кратко и емко, значит, внедрять пока рано.

Начать с личного примера руководства. Если ИИ используют только линейные сотрудники, а топ‑менеджмент работает по‑старому, это эксперимент над подчиненными, а не внедрение новых процессов или их оптимизация.

Заранее обозначить границы. Сформулируйте, какие данные не передаются модели, какие решения остаются за человеком и где проходит контур ответственности.

На протяжении выстраивания новых процессов и по окончании внедрения важно не забывать про измерение эффективности.

Если новый инструмент освоили 60‑80% команды, и знания сопровождаются точечным ростом метрик, то вы добились хороших показателей. А если ИИ после его внедрения активно пользуются только 30% сотрудников (или еще меньше) и ситуация не меняется на дистанции в 2‑3 месяца, то ждите тревожных сигналов. Это означает, что эксперимент близок к провалу и стоит пересмотреть способы постановки задач, зоны применения или систему поддержки и поощрений сверху.

Можно рассчитать эффективность и на примере коммерческого эффекта. Так для отдела из 15 менеджеров прирост в пару сделок на человека за квартал дает дополнительные 30 заключенных договоров при том же входящем пуле лидов. Также не стоит забывать, что ИИ частично снимает нагрузку с сотрудников, а значит, для того же отдела в месяц инструмент может сэкономить до 600 часов рабочего времени.

Главный индикатор успеха все же кроется в совокупности двух показателей: это реальный объем использования ИИ и динамика коммерческих метрик. Под первым подразумевается расход токенов, количество обращений к моделям и их регулярность. Во второй же входит конверсия, скорость откликов, средний чек и удержание клиента. А двусторонние высокие показатели будут свидетельствовать о том, что использование ИИ дает результат, а не превращается в имитацию активности.