Как внедрить ИИ в работу сотрудников и не сломать процессы
ИИ‑инструменты вроде ChatGPT, Cursor или DeepSeek всё чаще становятся частью повседневной работы сотрудников. Кто‑то использует их для анализа данных, кто‑то — для написания кода, кто‑то — для подготовки текстов и презентаций. Но в большинстве компаний это происходит децентрализованно.
У сотрудников нет единых инструкций, руководители не знают, где ИИ реально помогает, а где ИИ создает риски: от утечек данных до неправильных рекомендаций. В результате компании оказываются перед сложным выбором: либо запрещать ИИ, либо закрывать глаза и надеяться, что всё обойдётся.
В Napoleon IT мы выбрали третий путь — осознанное внедрение AI‑first‑подхода. Это модель, в которой ИИ рассматривается не как эксперимент или «надстройка», а как базовый слой рабочих процессов. И начинали мы вовсе не с регламентов, KPI и подсчёта экономического эффекта. Ниже расскажем, как это происходило у нас.
Основа AI‑first — культура, а не инструкции
Когда компании задумываются о внедрении ИИ, первый вопрос обычно звучит так: сколько денег это сэкономит? Следом появляются регламенты, списки разрешенных инструментов и попытки ограничить использование моделей.
Мы пошли от обратного. Нам было важно сначала понять:
- используют ли сотрудники ИИ вообще;
- где он реально помогает;
- чего люди боятся;
- почему в одних командах ИИ приживается, а в других — нет.
Для нас было важно встроить ИИ в повседневную работу так, чтобы он усиливал сотрудников, а не создавал напряжение и сопротивление. Поэтому первым этапом стало не внедрение конкретных решений, а диагностика текущего состояния.
Бесплатная рассылка: как использовать ИИ в бизнесе
Узнайте, как писать эффективные промпты, создавать ИИ‑агентов для решения бизнес‑задач, и проходите мини‑практикумы в популярных сервисах. Всего — семь писем, которые помогут разобраться, как работать с нейросетями
Диагностика: что происходит с ИИ в компании на самом деле
Чтобы понять, с какой точки мы стартуем, мы провели внутренний опрос и серию коротких интервью с сотрудниками из разных команд. Результаты оказались показательными и, вероятно, знакомыми многим компаниям.
Что мы увидели на старте:
- лишь небольшая часть сотрудников регулярно использовала LLM‑инструменты в работе;
- многие вообще не пробовали ChatGPT, Cursor и их аналоги, даже при наличии встроенных AI‑функций (например, автоматической расшифровки встреч в Zoom);
- в отдельных командах были опасения: от юридических рисков и недоверия к качеству ответов до страха «сделать что‑то неправильно»;
- часть проектов была ограничена требованиями информационной безопасности.
Главный вывод: уровень осведомлённости оказался низким, а потенциал — высоким. Это типичная ситуация для компаний, где ИИ уже «где‑то рядом», но не стал частью системной работы.
Первые шаги: как дать сотрудникам безопасно попробовать ИИ
Мы осознанно начали с простых и недорогих шагов. Наша цель была дать сотрудникам возможность увидеть практическую пользу ИИ в своих задачах.
Создали внутреннее LLM‑комьюнити. Мы трансформировали внутренний образовательный чат в пространство, где сотрудники:
- делятся опытом использования ИИ‑инструментов;
- обсуждают удачные и неудачные сценарии;
- получают короткие разборы конкретных кейсов;
- обсуждают статьи и практики применения ИИ.
Это помогло снять барьер «я не понимаю, значит, лучше не трогать» и сформировать общий язык вокруг ИИ.
Запустили малые эксперименты в командах. Мы начали работать с отдельными функциями: разработка, аналитика, архитектура, HR, маркетинг. Каждая команда тестировала ИИ‑инструменты под свои задачи — от помощи в коде до автоматизации рутинных процессов.
Важно, что эксперименты были добровольными и не сопровождались жёсткими требованиями к результату. Это снизило страх ошибок и дало более честную обратную связь.
Провели конкурс идей по применению ИИ. Сотрудники предлагали идеи автоматизации собственных процессов. Лучшие решения получили призы, а компания — практичные сценарии, которые выросли из реальных потребностей, а не из гипотез сверху.
Почему разные команды реагируют на ИИ по‑разному
Реакция сотрудников оказалась неоднородной. И это нормально. Разработчики быстрее остальных начали использовать ИИ в повседневной работе и делиться находками. Аналитики и юристы относились к ИИ осторожнее: их смущали возможные ошибки моделей и искажения данных.
Эта разница помогла нам понять важную вещь: внедрение ИИ — это не универсальный сценарий для всей компании. Скорость, формат и глубина использования ИИ зависят от типа задач, уровня ответственности и допустимых рисков в конкретной функции.
Регулярные обсуждения, малые эксперименты и обмен опытом постепенно снижали напряжение и помогали сформировать более осознанное отношение к ИИ.
«Для нас было принципиально важно показать, что ИИ — это не замена людям и не эксперимент ради эксперимента. Мы оценивали каждое решение по простому вопросу: помогает ли оно сотрудникам и даёт ли эффект бизнесу».
Евгений Жорницкий
Операционный директор Napoleon ITКак ИИ начал встраиваться в рабочие процессы на практике
Примерно через полгода после старта экспериментов стали заметны устойчивые изменения. В каждом отделе появился как минимум один регулярно используемый ИИ‑инструмент, а вокруг них сформировалось сообщество сотрудников‑энтузиастов.
При этом базовые метрики начали собирать с самого начала:
- в разработке — скорость и стоимость решения комплексных задач;
- в аналитике — время на протоколирование, поиск информации и онбординг;
- в коммуникациях— скорость согласований и количество уточнений с заказчиком.
Например, ещё год назад мы не были готовы переписать ядро продукта с одной технологии на другую, а сегодня эту задачу закрывает один senior‑специалист при поддержке ИИ‑инфраструктуры.
Минус 500 часов рутины: кейс команды аналитиков
Одним из первых ощутимых результатов стало использование ИИ для протоколирования встреч и работы с видеозаписями. В проектной работе значительная часть времени уходила на фиксацию договорённостей, согласование итогов встреч и погружение новых сотрудников в контекст.
На одном из крупных проектов с командой из восьми аналитиков на протоколирование встреч уходило до 5–10 часов на одну сессию: сама встреча, подготовка детального протокола, правки и согласования с заказчиком.
После внедрения автоматического протоколирования с помощью ИИ стало возможным получать несколько версий итогов встречи: от краткого резюме до полной транскрипции. Это упростило коммуникации и позволило закрывать спорные моменты ссылками на конкретные фрагменты обсуждений.
В результате время на протоколирование сократилось до 20–30 минут. В рамках одного проекта это высвободило до 520 часов, которые команда направила на аналитику и проработку решений, а не на рутину.
Дополнительно ускорился онбординг: новые сотрудники быстрее погружаются в проекты, находя нужные встречи и обсуждения в записях.
Ускорение разработки без потери стандартов
Инструмент Cursor мы запускали пилотно сначала на 10 разработчиков. Результаты оказались такими:
- инженеры уровня middle+ получили заметный прирост скорости работы;
- для джунов инструмент оказался менее эффективным без прочного понимания контекста и навыков критической оценки кода.
Чтобы сохранить качество и единые подходы, мы разработали Cursor Rules — набор внутренних инженерных принципов, которые инструмент учитывает при генерации кода. Это позволило масштабировать использование ИИ без потери стандартов, даже когда часть работы выполняет модель.
ИИ в HR
В рекрутинге основной проблемой была высокая доля нерелевантных откликов и большое количество рутинных коммуникаций. До 90% резюме не соответствовали требованиям вакансий, но всё равно требовали первичной обработки.
ИИ позволил автоматизировать этот этап:
- анализировать резюме;
- задавать уточняющие вопросы кандидатам;
- отбирать релевантные профили;
- назначать интервью с учётом доступности сторон.
В результате рекрутеры смогли сосредоточиться на интервью, оценке кандидатов и работе с ожиданиями, а не на ручной фильтрации откликов. Это ускорило найм и снизило нагрузку на команду без ухудшения качества.
Когда сотрудники сами начинают создавать ИИ‑инструменты
Параллельно с использованием готовых решений внутри компании начали появляться собственные мини‑инструменты. Например, один из архитекторов разработал ИИ‑агента для автоматического обновления проектной документации и схем баз данных.
То, что раньше занимало часы, стало выполняться за секунды. Такие инициативы стали первым шагом к гибридной модели разработки, где сотрудники не только используют ИИ, но и создают инструменты под свои конкретные задачи.
Переход к осознанной гибридной модели работы
Сегодня мы выходим из этапа экспериментов и переходим к гибридной модели, где:
- человек формулирует задачу, задаёт критерии и проверяет результат;
- ИИ берёт на себя рутину, подготовку и первичный анализ;
- ответственность за смысл и решения остаётся за сотрудником.
Для команд разработки эта модель уже стала нормой. Следующий шаг — масштабировать гибридный подход на другие функции и внутренние процессы.
«Мы сознательно не гнались за быстрым финансовым эффектом. На первом этапе для нас было важнее сформировать привычку работать с ИИ, чтобы он стал частью процесса, а не разовым инструментом».
Евгений Жорницкий
Операционный директор Napoleon ITЧто может взять из этого опыта другой бизнес
Если обобщить наш опыт, можно выделить несколько практических выводов:
- Не начинайте с запретов и регламентов. Они почти всегда появляются раньше понимания реальных сценариев использования.
- Начните с рутинных процессов. Протоколы встреч, онбординг, поиск информации дают быстрый эффект.
- Разрешите эксперименты, но обсуждайте их публично. Общий контекст снижает страх и хаос.
- Не требуйте мгновенной экономии. Культура использования ИИ формируется быстрее, чем ROI.
- Сохраняйте ответственность за человеком. ИИ усиливает решения, но не принимает их за бизнес.
Вместо вывода
ИИ постепенно перестаёт быть отдельным направлением. Он становится фоном для работы. Так же, как когда‑то стали нормой интернет и облачные сервисы. В этой реальности выигрывают не те компании, которые быстрее всех автоматизируют процессы, а те, кто выстраивает осознанное взаимодействие между людьми и технологиями.
Для нас именно этот подход стал основой устойчивого внедрения ИИ, не ради хайпа, а ради предсказуемости, скорости и качества работы.
