Обучение сотрудников ИИ: создаем культуру, где ИИ приносит пользу

Обучение сотрудников ИИ — важный этап, который нельзя сводить к простому «показать, как работает чат-бот». От того, насколько глубоко команда понимает возможности, ограничения и зоны ответственности ИИ-инструментов, напрямую зависит, получит ли компания прирост эффективности или разочарование и цифровую усталость.

Обучение ИИ для бизнеса подразумевает определенную специфику, где от знакомства с инструментом до его ежедневного применения лежит путь проб, ошибок, стадий принятия и сопротивления. От качества сопровождения на этом пути зависит, станет ли ИИ частью рабочей ДНК компании или останется модным экспериментом.

Опираясь на практический опыт внедрения, мы делимся структурой обучения, которая превращает теорию в измеримый бизнес-результат.

Содержание

• Фундамент обучения сотрудников ИИ
• Формат обучения, который быстро формирует навыки
• Как измерить эффективность обучения

Фундамент обучения сотрудников ИИ

Обучение сотрудников ИИ желательно начать с первичного опроса: оценить текущий уровень знаний и навыков в области ИИ, а также отношение к технологии. Это поможет структурировать курс, расставить правильные акценты и сделать упор на тех блоках, которые критичны для достижения бизнес-целей.

Подход в обучении сотрудников ИИ, которые уже находятся на уровне написания промптов, сильно отличается от нулевого уровня, когда ИИ используется эпизодически или не используется совсем. Если отдел не использует ИИ, обучение стоит начать с самого начала — с шага 1.

Шаг 1. Понимание, что такое ИИ на самом деле

> Этот шаг нужен, чтобы сформировать у сотрудников правильное и позитивное понимание ИИ. Если на старте снять их сомнения, страхи или нежелание разбираться, дальнейшее обучение будет в разы эффективнее.

Наибольший диссонанс в восприятии вызывают большие языковые модели (LLM). Если модель для создания картинок воспринимается как конкретный и полезный инструмент, то LLM часто ассоциируются с чем-то большим, нежели программой для анализа и генерации текста.

> Также важно рассказать про терминологию и обозначить, что понятия «размышления», «думать», «мнение» в контексте LLM — это технические термины и инструкции, а не атрибуты живого сознания. Они призваны облегчить процесс работы с программой. Задать инструкцию, используя слова «вырази мнение», намного легче, чем «продолжай цикл генерации, пока последние 30 токенов не будут семантически сходиться с …».

Дружелюбные и человечные ответы LLM являются программной фичей, а не проявлением чувств или эмпатии. Их специально настраивают при обучении модели. Это создает определенный эффект и ощущение человечности, но не стоит обманываться. LLM просто генерирует текст, причем генерирует его много. Чаще всего, текст LLM — это наиболее математически усредненный вариант ответа.

Шаг 2. Формирование правильного образа

С целью формирования правильного образа LLM уместно провести аналогию с генерацией изображений. Если модель для создания картинок была обучена на 100 изображениях собак, то при запросе нарисовать собаку мы получим наиболее усредненный вариант собаки из 100 исходных изображений. С текстом происходит то же самое: если попросить модель составить договор аренды, она выдаст наиболее усредненный вариант из выборки, использованной для обучения.

ИИ генерирует текст на основе вероятностей, а не истинности. Текст на выходе из модели напрямую зависит от текста на входе. И в этом кроется главная сила, и одновременно главное ограничение. Правильный образ LLM — не «думающий собеседник», а «безотказный генератор черновиков». Как только команда перестает ждать от модели истины или осознанности и начинает использовать ее для быстрого создания версий, шаблонов, рерайта и классификации — страх и сопротивление уходят. Остается прагматичный вопрос: «Какую из рутинных задач можно решать быстрее и лучше с LLM?».

Где применять ИИ

Большие языковые модели (LLM) предоставляют сотрудникам доступ к инструментам машинного обучения без необходимости писать код или разрабатывать алгоритмы. Это означает, что сотрудники могут:

• Самостоятельно выявлять в своей работе задачи, которые можно решить с помощью ИИ.
• Внедрять улучшения без привлечения разработчиков.
• Использовать универсальный инструмент в разных ролях: от классификатора и аналитика до генератора шаблонов и ассистента

Для использования модели достаточно составить правильную инструкцию и предоставить необходимую информацию для анализа. Например, в контексте HR можно создать вакансию с помощью ИИ, описав профиль нужного сотрудника.

Шаг 3. Начало применения ИИ

Важный аспект, на который следует обратить отдельное внимание сотрудников в начале применения ИИ — это риски компании. При использовании публичных LLM, запросы могут попасть в обучающую выборку, а конфиденциальные данные компании оказаться скомпрометированными. Поэтому работать с информацией внутри нейросетей нужно так же ответственно, как в любой другой ИТ-системе.

Сотрудников важно заранее познакомить с основами правового регулирования ИИ: правилами обработки персональных данных, соблюдением авторских прав и ограничениями при передаче информации вовне. Понимание этих простых норм защитит компанию от утечек, штрафов и репутационных потерь, позволяя применять технологию легально и безопасно. Подробнее юридические аспекты мы разобрали в отдельной статье — Правовое регулирование ИИ.

Формат обучения, который быстро формирует навыки

В ИТ хорошо работает классический формат обучения, когда после лекции следует семинар с практикой. Обучение сотрудников ИИ можно выстроить по тому же принципу: половина времени уделить разбору концепций, половину — на практику. Оптимальное соотношение — 50/50.

Теория и практика тесно связаны. Теоретический блок закрывает пробелы в знаниях, формирует целостную картину об инструментах и правилах их использования, погружает в логику процесса. Это позволяет сотрудникам подойти к практике подготовленными и лучше погрузится в процесс.

Как правило, теоретическая часть обучения ИИ охватывает три ключевые сферы: промпт, контекст, внешние инструменты.

Шаг 4. Промпт, контекст, внешние инструменты

> Промт

Промт — это запрос или инструкция, которую мы подаём на вход LLM. Технически, нейросеть ответит на любой запрос, но качество результата напрямую зависит от промпта. Чтобы ответы были предсказуемыми и точными, промты структурируют.

Стандартная структура включает четыре элемента:

• Роль — какой функционал выполняет ИИ (эксперт, редактор, аналитик).
• Контекст — фоновые данные, цели и ограничения задачи;
• Критерии — чёткие требования к качеству, стилю и объёму;
• Форма вывода — таблица, список, код, короткий текст и т.д.

Модели обучались на данных, схожих по структуре. Задавая промты по единому шаблону, мы получаем предсказуемый результат. Промт напрямую влияет на итог работы алгоритма.

> Контекст

Контекст — это вся информация, которую модель видит в данный момент: системные настройки, первый запрос, история переписки и загруженные файлы. Современные модели обрабатывают от 100 тыс. до 1 млн токенов (это сотни и даже тысячи страниц текста).

Преимущество контекста в том, что после первой настройки можно задавать короткие уточняющие запросы и получать точные ответы. Однако есть и обратная сторона. Чем длиннее контекст, тем выше стоимость генерации. Кроме того, перегруженная контекстом модель может терять суть последнего запроса или выдавать менее релевантные ответы в устаревших форматах. Поэтому важно вовремя очищать чат или создавать новые ветки под отдельные задачи.

> Внешние инструменты

Внешние инструменты — это вспомогательные возможности, которыми нейросеть может пользоваться по ходу работы. Самый распространённый пример — поиск в интернете, который сегодня поддерживает большинство ИИ-чатов.

При обработке запроса ИИ самостоятельно обращается к поисковику, собирает информацию со страниц и добавляет её в контекст. Это особенно ценно для исследований или поиска по сети. За несколько секунд нейросеть анализирует десятки сайтов и выдаёт структурированный ответ.

Более сложные ИИ-агенты могут использовать разные внешние инструменты: генерацию изображений,функции построения графиков, интеграцию с корпоративными системами. Это превращает LLM из генератора текста в полноценного исполнителя бизнес-логики и сценариев.

Шаг 5. Практический пример

На данном этапе сотрудники уже обладают достаточными знаниями, чтобы перейти к практическим примерам. Разбор кейсов снимает остаточный скепсис, превращает абстрактные понятия в конкретные действия и формирует устойчивый навык, который не теряется после окончания обучения.

В обучении ИИ для рекрутеров можно продемонстрировать как создать вакансию с помощью ИИ или провести ИИ-анализ резюме. Вначале лучше написать промпт вместе с сотрудниками, чтобы еще раз упомянуть про структуру. В последующих примерах можно использовать готовые инструкции для экономии времени. Также можно продемонстрировать как работает функция веб-поиска и глубокого размышления.

Использование навыков

Навыки промптинга пригодятся при работе с другими инструментами на базе ИИ. Многие компании добавляют ИИ ассистентов в приложения. Умение грамотно формулировать запросы, управлять контекстом и понимать, когда стоит подключать внешние инструменты, становится универсальной компетенцией. Сотрудник, прошедший обучение, не привязан к одной платформа — он эффективно работает с любым ИИ-инструментом, который оказывается перед ним.

В вопросниках Профзвено есть функция автоматизированной проверки развернутых ответов ИИ с выставлением оценок. Поле правильный ответ — это фактически промпт для ИИ-проверки. Если написать его как грамотную инструкцию с критериями и примерами, ИИ будет хорошо учитывать разные формулировки при оценке ответов.

Например, мы хотим оценить навыки менеджеров по работе с возражениями. Задаем простой сценарий с вопросом клиента о цене. Навыки написания промптов позволят составить гибкий, но в тоже время точный сценарий оценки.

Слабый промпт

Нужно сказать, что у нас качество лучше

Сильный промпт

Оцени ответ сотрудника по критериям: 
1) признать право клиента на мнение,
2) перевести разговор в пользу ценности (не "качество лучше", а конкретные выгоды: гарантия, сроки, поддержка), 
3) предложить сравнение по параметрам, а не по цене. 

Выстави более 70 баллов, если есть хотя бы два из трёх критериев. 

Пример хорошего ответа: "Понимаю, цена важна. Давайте сравним не только стоимость, 
но и что в неё входит — у нас, например, бесплатная доставка и расширенная гарантия".

С таким промптом-правильным ответом ИИ сможет оценить множество вариантов, не пропуская ошибки и не отсеивая творческие ответы. Сотрудник, обученный промптингу, легко составит подобную инструкцию прямо в конструкторе платформы, а компания получит не просто базу знаний, а интеллектуальную проверку без ручного труда.

Как измерить эффективность обучения

1 Первый и самый очевидный способ оценить результат — провести итоговое тестирование или анонимный опрос сразу после завершения программы. Тестирование покажет насколько сотрудники были внимательны во время обучения и как усвоили материал. Опрос с обратной связью позволит понять настроения персонала по обучению и внедрении ИИ.

2 Второй критерий оценки эффективности обучения – фактическое использование ИИ инструментов сотрудниками в повседневной работе.

3 Итоговый критерий успеха обучения — реальное повышение эффективности работы. Оно выражается в улучшении качества, скорости выполнения задач, пользы для компании, сотрудников и клиентов.

В контексте HR внедрение ИИ должно отражаться в конкретных метриках:

• Рост качества вакансий: увеличение количества откликов, повышение отклика целевой аудитории.
• Сокращение сроков найма: от размещения вакансий до приема финального кандидата.
• Повышение валидности найма: снижение увольнений в первый год работы, формирование более сильных команд.

Именно эти измеримые сдвиги превращают обучение сотрудников ИИ из формального тренинга в драйвер бизнес-результата.

Обучение — ключ к внедрению. А с чего начать автоматизацию HR?
Читайте обзор всех направлений: 👉 ИИ в HR.