как трансформируется AI-грамотность
я сейчас много думаю о том, что происходит с ИИ в работе. еще пару лет назад главным разделением было «пользуется человек нейросетями или нет». потом – «умеет ли он нормально писать промпты». сейчас оба критерия начинают выглядеть примерно как «умеет пользоваться поисковиком».
у HRD Яндекса Даши Золотухиной вышел большой гайд по AI-adoption, и больше всего меня зацепила одна цифра и вывод из нее: в актуальной версии гайда 47% сотрудников Яндекса неразработческих профессий уже регулярно используют ИИ, 21% – ежедневно. то есть следующий вопрос для компании уже не «как внедрить ИИ в работу», а что вообще означает хорошо владеть ИИ для конкретной профессии?
и вот это более значимый вопрос, чем очередной новый инструмент.
потому что «я использую ИИ» сегодня почти ничего не говорит о квалификации человека. маркетолог может раз в день просить нейросеть придумать десять заголовков – и формально быть ежедневным пользователем. а может выстроить вокруг ИИ целый рабочий контур: исследовать рынок и аудиторию, анализировать большие массивы обратной связи, собирать гипотезы, делать первые итерации стратегии, создавать и тестировать креативы, автоматизировать повторяющиеся процессы. это две совершенно разные степени владения технологией.
в компании для этого сейчас формируют отдельную «гигиену adoption» для разных профессий: базовый набор AI-навыков и рабочих сценариев, которыми должен владеть юрист, маркетолог, дизайнер, HR и так далее. дальше задача еще интереснее – связать их не с количеством запросов к модели, а с реальным эффектом: стало ли быстрее, качественнее или дешевле выполняться конкретное действие. в самом гайде это разложено в лестницу: от простого usage → к глубокому adoption → измеримому результату → в конечном счете к изменению способа работы и эффекту на бизнес.
кажется, именно здесь скоро появится новая граница не между теми, кто «с ИИ» и «без ИИ», а между людьми, которые используют его как немного более умный поисковик, и людьми, которые научились заново собирать вокруг него собственную профессию.
для меня как руководителя здесь есть еще один полезный вывод: нельзя просто купить команде подписки, провести обучение по нейросетям и считать, что AI-adoption случился. в Яндексе, например, задачу глобально решают тем, что переходят к обучению моделей на собственных рабочих задачах и отдельным сценариям для разных профессий.
и это сильно меняет сам вопрос, который руководителю стоит задавать команде. не «почему вы еще не используете ИИ?», а: какие 5–10 регулярно повторяющихся действий в вашей конкретной работе сегодня должны выглядеть иначе благодаря ИИ? где он реально экономит ресурс или дает возможность сделать то, что раньше было слишком долго, дорого или сложно?
у Даши получился очень прикладной гайд именно про это: как искать первые кейсы, почему обучение само по себе не работает, как выращивать AI-champions внутри команд, какие процессы автоматизировать первыми и – что особенно важно – как не превратить количество обращений к ИИ в базовый KPI.
я сейчас много думаю о том, что происходит с ИИ в работе. еще пару лет назад главным разделением было «пользуется человек нейросетями или нет». потом – «умеет ли он нормально писать промпты». сейчас оба критерия начинают выглядеть примерно как «умеет пользоваться поисковиком».
у HRD Яндекса Даши Золотухиной вышел большой гайд по AI-adoption, и больше всего меня зацепила одна цифра и вывод из нее: в актуальной версии гайда 47% сотрудников Яндекса неразработческих профессий уже регулярно используют ИИ, 21% – ежедневно. то есть следующий вопрос для компании уже не «как внедрить ИИ в работу», а что вообще означает хорошо владеть ИИ для конкретной профессии?
и вот это более значимый вопрос, чем очередной новый инструмент.
потому что «я использую ИИ» сегодня почти ничего не говорит о квалификации человека. маркетолог может раз в день просить нейросеть придумать десять заголовков – и формально быть ежедневным пользователем. а может выстроить вокруг ИИ целый рабочий контур: исследовать рынок и аудиторию, анализировать большие массивы обратной связи, собирать гипотезы, делать первые итерации стратегии, создавать и тестировать креативы, автоматизировать повторяющиеся процессы. это две совершенно разные степени владения технологией.
в компании для этого сейчас формируют отдельную «гигиену adoption» для разных профессий: базовый набор AI-навыков и рабочих сценариев, которыми должен владеть юрист, маркетолог, дизайнер, HR и так далее. дальше задача еще интереснее – связать их не с количеством запросов к модели, а с реальным эффектом: стало ли быстрее, качественнее или дешевле выполняться конкретное действие. в самом гайде это разложено в лестницу: от простого usage → к глубокому adoption → измеримому результату → в конечном счете к изменению способа работы и эффекту на бизнес.
кажется, именно здесь скоро появится новая граница не между теми, кто «с ИИ» и «без ИИ», а между людьми, которые используют его как немного более умный поисковик, и людьми, которые научились заново собирать вокруг него собственную профессию.
для меня как руководителя здесь есть еще один полезный вывод: нельзя просто купить команде подписки, провести обучение по нейросетям и считать, что AI-adoption случился. в Яндексе, например, задачу глобально решают тем, что переходят к обучению моделей на собственных рабочих задачах и отдельным сценариям для разных профессий.
и это сильно меняет сам вопрос, который руководителю стоит задавать команде. не «почему вы еще не используете ИИ?», а: какие 5–10 регулярно повторяющихся действий в вашей конкретной работе сегодня должны выглядеть иначе благодаря ИИ? где он реально экономит ресурс или дает возможность сделать то, что раньше было слишком долго, дорого или сложно?
у Даши получился очень прикладной гайд именно про это: как искать первые кейсы, почему обучение само по себе не работает, как выращивать AI-champions внутри команд, какие процессы автоматизировать первыми и – что особенно важно – как не превратить количество обращений к ИИ в базовый KPI.