Короткий ответ
Первым шагом ИИ-трансформации не всегда должен быть найм отдельного AI-руководителя. На старте критичнее, чтобы собственник понял возможности и ограничения генеративного ИИ, компания выбрала конкретную бизнес-задачу, а в пилот вошли сотрудники, которые уже знают процесс изнутри. Руководитель по ИИ становится особенно ценен тогда, когда нужно превратить отдельные эксперименты в управляемую систему.
Недавно я целенаправленно принял участие в собеседовании на позицию, связанную с внедрением искусственного интеллекта. Это было не просто собеседование, а часть нашего полевого исследования: что российский бизнес сегодня понимает под «внедрением ИИ» и чего он ждёт от руководителя этого направления?
Компания развивает несколько направлений бизнеса. Собственнику нужна единая аналитика по финансам, продажам, сотрудникам, сделкам и поставкам. На первый взгляд решение очевидно: найти сильного человека по ИИ — и поручить ему трансформацию.
Но уже во время разговора возник более важный вопрос:
А действительно ли ИИ-трансформацию нужно начинать с найма нового человека?
Диагностический вопрос по итогам собеседованияКомпания в статье намеренно обезличена. Мы анализируем не конкретного работодателя, а типовую управленческую ситуацию. Один кейс не является статистически репрезентативным исследованием рынка; он используется как практическая точка входа для сопоставления с более широкими исследованиями.
Самое дорогое знание уже находится внутри компании
Новый руководитель может отлично разбираться в генеративном ИИ, разработке, аналитике и автоматизации. Но в первый день он не знает, как компания действительно работает.
Действующие сотрудники знают то, чего почти никогда нет в регламентах:
- какой файл или система на самом деле используется для принятия решений;
- почему формально одинаковые показатели считаются по-разному;
- каким данным доверяют, а каким — только «по отчётности»;
- где реальный процесс отличается от описанного;
- какие исключения возникают ежедневно;
- в какой точке теряется время, информация или ответственность.
Это неформальное процессное знание — часть корпоративного капитала. Новому человеку ещё предстоит его собрать, проверить и понять. На это могут уйти месяцы.
Почему начинать стоит с собственника
В нашей практике обучения и внедрения ГенИИ мы всё чаще видим одну закономерность: после того как собственник или первый руководитель сам практически знакомится с возможностями генеративного ИИ, меняется качество управленческих вопросов.
До этого вопрос часто звучит так:
«Куда нам внедрить ИИ?»
После практического знакомства он становится другим:
«Вот наша проблема. Нужен ли здесь вообще ИИ — или достаточно автоматизации и изменения процесса?»
Это принципиально более зрелая постановка задачи.
McKinsey в исследовании 2026 года отмечает: организации, где руководящие команды демонстрируют высокую AI-грамотность, почти в четыре раза чаще сообщают о получении ценности на уровне предприятия — 35% против 9% при низкой AI-грамотности руководства.
Источник: McKinsey, “From adoption to impact: Three horizons of AI transformation”, 2026.
Не каждой проблеме нужен ИИ
Если операция описывается стабильными правилами, обычная автоматизация может быть надёжнее и дешевле. Если показатель рассчитывается формулой, языковая модель не должна становиться источником финансовой истины. Если проблема связана с отсутствием владельца процесса, генеративный ИИ не создаст ответственность сам по себе.
Зрелость ИИ-трансформации иногда проявляется в решении: «здесь ГенИИ не нужен».
Эту логику мы подробно разбираем в материале «Как безопасно внедрять ИИ в бизнес-процессы: этапы, риски, ошибки»: массовое использование ИИ ещё не означает, что технология встроена в управленческий контур компании.
Почему сотрудники могут сопротивляться — даже если никто не говорит «нет»
Представим: в компанию приходит новый руководитель по ИИ. Руководство сообщает, что теперь начнётся автоматизация. Оно может иметь в виду рост эффективности, но сотрудник способен услышать другое:
«Пришёл человек, который будет решать, кого из нас можно заменить».
Сопротивление редко выглядит как открытый конфликт. Чаще оно проявляется иначе: данные «сложно выгрузить», доступ «нужно согласовать», процесс «слишком специфический», изменения «лучше отложить».
Это не повод обвинять сотрудников. Это нормальная реакция на изменение, смысл которого человек не понимает или воспринимает как угрозу.
BCG в исследовании AI at Work 2025 показывает, насколько важна позиция руководства: при сильной поддержке лидеров доля сотрудников, позитивно относящихся к GenAI, возрастала с 15% до 55%. Регулярное использование также существенно выше у тех, кто получил не менее пяти часов обучения и доступ к очному обучению или коучингу.
Источники: BCG, AI at Work 2025; BCG, AI at Work 2026.
Значит ли это, что руководитель по ИИ не нужен?
Нет. Это было бы другой крайностью.
Компании может быть нужен отдельный руководитель ИИ-трансформации — особенно когда отдельные эксперименты переходят в масштабирование. Но его ценность не в том, что он лучше всех «умеет пользоваться нейросетью» или показывает самый эффектный интерфейс.
Его задача — быть архитектором изменений: соединить цели собственника, бизнес-процессы, людей, данные, технологии, безопасность и измеримый результат.
McKinsey в исследовании State of AI 2025 подчёркивает, что одним из ключевых факторов успеха у AI-high performers становится перестройка рабочих процессов, а не просто добавление нового инструмента поверх старой работы.
Источник: McKinsey, The State of AI: Global Survey 2025.
Практическая модель: с чего начинать ИИ-трансформацию
Собственник понимает возможности ГенИИ
Сам ежедневно применяет в своих бизнес задачах. Не становится разработчиком, а получает практическую AI-грамотность: возможности, ограничения, риски и способы проверки результата.
Выбирается бизнес-задача
Не «внедрить ИИ», а сократить время, снизить число ошибок, ускорить ответ клиенту, повысить прозрачность или решить другую измеримую проблему.
Подключаются владельцы реального процесса
Люди, которые знают исключения, неформальные обходные пути, качество данных и реальные причины потерь.
Команда получает базовые навыки работы с ГенИИ
Постановка задач, контекст, проверка, безопасность и понимание границ ответственности.
Запускается ограниченный пилот
Один процесс, несколько сотрудников, исходные показатели и чёткие критерии успеха.
Измеряется результат
Время, ошибки, стоимость, скорость, качество, управленческая прозрачность — до и после.
Определяется архитектура масштабирования
Только теперь становится понятно, какие интеграции, данные, правила безопасности, платформа и управленческая роль действительно нужны.
Близкий подход — начинать с одного процесса и измеримого пилота — лежит и в основе нашей модели НУМ для бизнеса.
Внешний или внутренний руководитель?
| Внешний эксперт / руководитель | Внутренний лидер / команда |
|---|---|
| Свежий взгляд на привычные процессы | Глубокое знание реальной работы компании |
| Методология и опыт других проектов | Неформальное знание людей, данных и ограничений |
| Технологическая насмотренность | Более быстрый доступ к владельцам процессов |
| Может оспорить внутренние допущения | Выше шанс встроить изменения в ежедневную практику |
Поэтому часто сильнее работает не противопоставление «внешний или внутренний», а связка:
Внешняя экспертиза + внутренний лидер + действующая команда.
Где здесь НУМ — Новая управленческая модель
В традиционной цифровизации технология нередко становится начальной точкой: выбрали систему → внедрили → обучили людей.
В условиях генеративного ИИ этого недостаточно. В центре должна находиться управленческая задача и человек, который отвечает за результат.
Мы формулируем принцип НУМ так:
Начинать не с выбора нейросетей, а с решения, которое должен принять человек, результата, которого должна добиться организация, и процесса, который к этому результату приводит.
Подход «ИИ как Новая управленческая модель»ИИ может анализировать, сравнивать, готовить варианты, обрабатывать информацию и снимать часть рутины. Но человек остаётся автором цели, контролёром результата и носителем ответственности.
Подробное описание методологии — на странице «ИИ как Новая управленческая модель (НУМ)».
Главный вывод
Собеседование привело меня к парадоксальному выводу: иногда прежде чем искать нового человека для внедрения ИИ, компании стоит посмотреть на людей, которые уже находятся внутри неё.
У бизнеса уже есть знание процессов, история решений, данные и сотрудники, которые понимают клиентов и ежедневную работу.
Возможно, первый разумный шаг — дать собственнику и ключевым сотрудникам понимание ГенИИ, выбрать одну реальную проблему и провести пилот. После этого станет значительно понятнее, кого нужно нанимать, что автоматизировать, где нужен именно ГенИИ и какой должна быть роль будущего руководителя по ИИ.
Часто задаваемые вопросы
С чего начинать внедрение ИИ в компании?
С конкретной бизнес-задачи и практического понимания возможностей ГенИИ собственником или первым руководителем. После этого стоит подключить владельцев процесса, провести ограниченный пилот и измерить результат.
Нужно ли сразу нанимать руководителя по ИИ?
Не всегда. На раннем этапе важнее определить проблему, проверить данные, вовлечь действующую команду и получить результат пилота. После этого значительно проще сформулировать роль и компетенции руководителя по ИИ.
Почему нельзя просто купить готовую AI-платформу?
Платформа решает технологическую задачу, но не определяет бизнес-цель, качество данных, ответственность и реальные рабочие процессы. Без этой основы компания рискует автоматизировать существующий хаос.
Зачем обучать действующих сотрудников?
Они обладают глубоким знанием реальных процессов и данных. Обучение помогает превратить их из пассивных получателей новой технологии в участников проектирования пилотов и снижает риск скрытого сопротивления.
Какова роль собственника в ИИ-трансформации?
Собственнику не нужно становиться техническим специалистом, но важно понимать возможности, ограничения и риски ГенИИ, чтобы осознанно выбирать бизнес-задачи, определять границы автоматизации и контролировать результат.
Где нужен ГенИИ, а где обычная автоматизация?
ГенИИ особенно полезен при работе с текстом, неструктурированной информацией, вариантами, анализом и подготовкой материалов. Для стабильных правил, расчётов и повторяемых операций классическая автоматизация часто надёжнее. В зрелых решениях они дополняют друг друга.
Источники и исследования
- McKinsey & Company — From adoption to impact: Three horizons of AI transformation, 2026.
- McKinsey & Company — The State of AI: Global Survey 2025.
- Boston Consulting Group — AI at Work: Momentum Builds, but Gaps Remain, 2025.
- Boston Consulting Group — AI at Work: Why Strategy Matters More Than Tools, 2026.
Не знаете, с какого процесса начинать?
Начните не с выбора нейросети, а с диагностики управленческой задачи: где теряется время, качество или прозрачность и какой результат можно измерить на пилоте.
Посмотреть форматы работы →