Корпоративное обучение работе с искусственным интеллектом становится нормой. Но между «сотрудники прошли курс» и «компания начала работать эффективнее» остается дистанция. Более того, неправильное использование ИИ может не улучшить, а ухудшить результат. Поэтому T&D приходится решать новую задачу: учить не просто пользоваться нейросетями, а работать с ними осознанно.
Еще недавно обучение работе с ИИ было экспериментом отдельных компаний. Сегодня оно превращается в полноценное направление T&D. По исследованию Hints среди 205 HR- и L&D-руководителей, 53% российских компаний уже регулярно обучают сотрудников ИИ-навыкам. А 61% компаний, которые уже обучают или планируют начать, ожидают увеличения расходов на это направление в ближайшие 12 месяцев.
Результаты тоже есть: 44% отмечают рост скорости выполнения задач, 33% - повышение качества и точности работы.
Получается, вопрос уже не в том, нужно ли учить сотрудников ИИ, а в том, что должно измениться после такого обучения.
Пройти курс еще не значит внедрить ИИ
Типичный сценарий знаком: компания покупает курс, сотрудники узнают о возможностях нейросетей, учатся писать промпты, проходят тестирование. T&D получает высокий процент завершения программы - и образовательный проект считается выполненным.
А в понедельник сотрудники возвращаются к прежнему способу работы.
Можно научить маркетолога составлять хороший промпт. Но важнее определить, какие из его регулярных задач действительно можно выполнять иначе. Можно показать рекрутеру возможности ИИ, но бизнес-эффект появится только тогда, когда изменится конкретный процесс: например, подготовка поисковых запросов, анализ информации или коммуникация с кандидатами.
Цепочка получается гораздо длиннее: обучили - освоили инструмент - начали применять - научились проверять - изменили процесс - получили бизнес-эффект.
А в понедельник сотрудники возвращаются к прежнему способу работы.
Можно научить маркетолога составлять хороший промпт. Но важнее определить, какие из его регулярных задач действительно можно выполнять иначе. Можно показать рекрутеру возможности ИИ, но бизнес-эффект появится только тогда, когда изменится конкретный процесс: например, подготовка поисковых запросов, анализ информации или коммуникация с кандидатами.
Цепочка получается гораздо длиннее: обучили - освоили инструмент - начали применять - научились проверять - изменили процесс - получили бизнес-эффект.
Сотрудник изменился, а компания нет
Microsoft Work Trend Index 2026 показывает еще одну сторону проблемы. В исследовании 20 тысяч работающих пользователей ИИ только 19% оказались в ситуации, когда одновременно высоки индивидуальная готовность сотрудника и готовность организации поддерживать новые способы работы. Еще 10% имеют развитые ИИ-навыки, но не получают достаточной организационной поддержки.
Исследование показывает, что значение имеют не только навыки самого сотрудника, но и культура, поддержка руководителей, система стимулов и HR-практики. Иначе возникает парадокс: человека учат работать по-новому, а KPIs, регламенты и требования руководителя продолжают заставлять его работать по-старому.
Похожий разрыв фиксирует The Conference Board: 55% опрошенных работников регулярно используют ИИ, но предоставленное работодателем ИИ-обучение за предыдущие полгода проходили только 33%. При этом компании в основном помогают сотрудникам использовать ИИ в сегодняшних ролях и значительно меньше готовят их к тому, как сами роли будут меняться.
Исследование показывает, что значение имеют не только навыки самого сотрудника, но и культура, поддержка руководителей, система стимулов и HR-практики. Иначе возникает парадокс: человека учат работать по-новому, а KPIs, регламенты и требования руководителя продолжают заставлять его работать по-старому.
Похожий разрыв фиксирует The Conference Board: 55% опрошенных работников регулярно используют ИИ, но предоставленное работодателем ИИ-обучение за предыдущие полгода проходили только 33%. При этом компании в основном помогают сотрудникам использовать ИИ в сегодняшних ролях и значительно меньше готовят их к тому, как сами роли будут меняться.
Фактически обучение искусственному интеллекту должно быть не просто частью программы развития сотрудников, а входить в программу управления изменениями.
Быстрее не всегда значит лучше
Есть и обратная сторона активного внедрения ИИ. Сотрудник освоил нейросеть и стал выполнять задачу быстрее. Можно ли считать обучение успешным?
Исследование Microsoft Research и Carnegie Mellon среди 319 специалистов и 936 примеров использования нейросетей в реальной работе выявило связь: чем выше была уверенность человека в возможностях ИИ, тем меньше критического мышления он, по собственной оценке, задействовал при выполнении задачи. При этом более высокая уверенность в собственной профессиональной компетентности была связана с большей критической оценкой результата, представленного искусственным интеллектом.
Еще нагляднее риск показал эксперимент с консультантами BCG. На задачах, которые находились внутри возможностей модели, ИИ помогал специалистам. Но на задаче за пределами этой «границы» участники с ИИ на 19% реже приходили к правильному решению, чем участники без него.
Исследование Microsoft Research и Carnegie Mellon среди 319 специалистов и 936 примеров использования нейросетей в реальной работе выявило связь: чем выше была уверенность человека в возможностях ИИ, тем меньше критического мышления он, по собственной оценке, задействовал при выполнении задачи. При этом более высокая уверенность в собственной профессиональной компетентности была связана с большей критической оценкой результата, представленного искусственным интеллектом.
Еще нагляднее риск показал эксперимент с консультантами BCG. На задачах, которые находились внутри возможностей модели, ИИ помогал специалистам. Но на задаче за пределами этой «границы» участники с ИИ на 19% реже приходили к правильному решению, чем участники без него.
Проблема здесь не только в том, что ИИ ошибается. Он может ошибаться достаточно убедительно, чтобы сотрудник перестал искать ошибку. Отсюда и появляются материалы, которые начинаются с фразы «вот исправленный текст, который ты просил».
Поэтому компетентность в использовании ИИ это не только хороший промпт, но и способность проверить источник, цифру, цитату и логику ответа, сопоставить результат с собственной экспертизой и понять, когда вывод ИИ вообще нельзя использовать.
Исследование 2026 года, посвященное критическому мышлению при работе с искусственным интеллектом, подтверждает значение этих навыков: более развитые практики проверки информации, стремление разобраться в ее достоверности и рефлексивная оценка были связаны с лучшими результатами в задании на фактчекинг с использованием ИИ.
Исследование 2026 года, посвященное критическому мышлению при работе с искусственным интеллектом, подтверждает значение этих навыков: более развитые практики проверки информации, стремление разобраться в ее достоверности и рефлексивная оценка были связаны с лучшими результатами в задании на фактчекинг с использованием ИИ.
Фактчекинг и понимание ограничений ИИ должны становиться такой же частью корпоративного обучения, как промптинг.
Учить не нейросети, а новой работе
Российские работодатели, похоже, тоже постепенно двигаются в эту сторону. По данным Hints, при выборе провайдера 35% респондентов обращают внимание на адаптацию программы под задачи компании, 30% - на практику на реальных кейсах, 27% - на поддержку после обучения и помощь во внедрении.
Разница принципиальная. Можно провести вебинар «20 способов использования нейросетей», а можно взять реальную задачу отдела, на которую каждую неделю уходит четыре часа, определить, какую ее часть целесообразно передать ИИ, разработать сценарий, установить правила проверки результата и посмотреть, действительно ли задача теперь выполняется быстрее без потери качества.
Во втором случае единицей обучения становится уже не инструмент, а рабочий кейс.
Разница принципиальная. Можно провести вебинар «20 способов использования нейросетей», а можно взять реальную задачу отдела, на которую каждую неделю уходит четыре часа, определить, какую ее часть целесообразно передать ИИ, разработать сценарий, установить правила проверки результата и посмотреть, действительно ли задача теперь выполняется быстрее без потери качества.
Во втором случае единицей обучения становится уже не инструмент, а рабочий кейс.
А чему уже учит рынок?
Российский рынок корпоративного ИИ-обучения еще формируется: 49% участников исследования Hints считают, что явного лидера на нем пока нет. Среди предложенных респондентам компаний наиболее заметными с точки зрения ИИ-экспертизы оказались Яндекс Практикум - 47%, СберУниверситет - 27% и Skillbox - 25%.
Яндекс Практикум предлагает корпоративные форматы от развития базовой ИИ-грамотности и обучения отдельных ролей до более комплексной трансформации бизнеса.
СберУниверситет развивает программы по искусственному и генеративному ИИ для специалистов и руководителей, в том числе ориентированные на применение технологий в бизнес-задачах.
У Skillbox есть корпоративное направление и программы, в которых работа с ИИ интегрируется в обучение различным профессиональным навыкам.
Есть и более узкие, практические курсы по применению искусственного интеллекта в конкретных профессиях – например, Нейросети в HR от Мастерской рекрутинга, Нейросети для маркетинга от Нетологии, Яндекс Практикума и других.
Яндекс Практикум предлагает корпоративные форматы от развития базовой ИИ-грамотности и обучения отдельных ролей до более комплексной трансформации бизнеса.
СберУниверситет развивает программы по искусственному и генеративному ИИ для специалистов и руководителей, в том числе ориентированные на применение технологий в бизнес-задачах.
У Skillbox есть корпоративное направление и программы, в которых работа с ИИ интегрируется в обучение различным профессиональным навыкам.
Есть и более узкие, практические курсы по применению искусственного интеллекта в конкретных профессиях – например, Нейросети в HR от Мастерской рекрутинга, Нейросети для маркетинга от Нетологии, Яндекс Практикума и других.
Поэтому при выборе программы стоит сравнивать уже не только количество часов, стоимость и содержание модулей. Важнее спросить: можно ли адаптировать обучение под процессы компании, будут ли сотрудники работать со своими задачами, учат ли их проверять результат ИИ и что произойдет после окончания курса?
Как понять, что обучение сработало?
Ответа «80% сотрудников успешно прошли программу» уже недостаточно. Если обучение затевалось ради эффективности, нужна исходная точка. Сколько времени занимает задача? Каков объем работы? Сколько возникает ошибок? Во что обходится процесс?
После обучения измерение нужно повторить. Например: отчет готовился три часа - теперь один; количество обработанных задач выросло; число ошибок снизилось; стоимость операции сократилась.
Но нельзя забывать важное условие: скорость нельзя измерять отдельно от качества.
Если сотрудник стал готовить отчет в три раза быстрее, но перестал проверять цифры и источники, рост производительности может оказаться иллюзией. Точно так же субъективного ощущения «с ИИ я работаю быстрее» недостаточно. Исследование METR на опытных open-source-разработчиках показало любопытное расхождение: участники считали, что ИИ-инструменты их ускоряют, тогда как в конкретном эксперименте фактическое время выполнения задач выросло на 19%. Сами исследователи позднее подчеркнули, что этот результат нельзя автоматически переносить на более новые ИИ-инструменты, однако эксперимент хорошо показывает необходимость объективных замеров вместо оценки «на глаз».
Эффективность ИИ-обучения имеет смысл оценивать сразу по нескольким параметрам: время, объем, качество, количество ошибок, стоимость, устойчивость использования.
После обучения измерение нужно повторить. Например: отчет готовился три часа - теперь один; количество обработанных задач выросло; число ошибок снизилось; стоимость операции сократилась.
Но нельзя забывать важное условие: скорость нельзя измерять отдельно от качества.
Если сотрудник стал готовить отчет в три раза быстрее, но перестал проверять цифры и источники, рост производительности может оказаться иллюзией. Точно так же субъективного ощущения «с ИИ я работаю быстрее» недостаточно. Исследование METR на опытных open-source-разработчиках показало любопытное расхождение: участники считали, что ИИ-инструменты их ускоряют, тогда как в конкретном эксперименте фактическое время выполнения задач выросло на 19%. Сами исследователи позднее подчеркнули, что этот результат нельзя автоматически переносить на более новые ИИ-инструменты, однако эксперимент хорошо показывает необходимость объективных замеров вместо оценки «на глаз».
Эффективность ИИ-обучения имеет смысл оценивать сразу по нескольким параметрам: время, объем, качество, количество ошибок, стоимость, устойчивость использования.
Перед следующим курсом
Перед запуском новой программы HR и T&D стоит ответить на пять вопросов: какую бизнес-задачу мы хотим изменить; как она выполняется сейчас; для каких ролей ИИ действительно способен изменить ежедневную работу; что сотрудник должен начать делать иначе; и как мы через два-три месяца измерим не только скорость, но и качество результата.
Есть и шестой вопрос, который не все компании себе задают: что в этом процессе сотрудник не должен отдавать ИИ? Нужно учить человека понимать, где ИИ экономит его время, где требует обязательной проверки, а где профессиональное решение должно остаться за человеком.
Есть и шестой вопрос, который не все компании себе задают: что в этом процессе сотрудник не должен отдавать ИИ? Нужно учить человека понимать, где ИИ экономит его время, где требует обязательной проверки, а где профессиональное решение должно остаться за человеком.