Мы живем в эпоху, когда руководитель тонет в данных, но задыхается от недостатка мудрости. Каждый день — поток цифр, отчетов, показателей. Но где то самое «правильное решение», которое сэкономит миллионы и не даст цеху встать?
Многие уже используют ChatGPT, DeepSeek или аналогичные LLM. Но используют как «умную игрушку»: написать письмо, перефразировать абзац. Настоящая ценность ИИ совсем не в этом. Системное мышление в связке с генеративным интеллектом превращает LLM из болталки в аналитический центр, который работает на скорость и качество ваших решений.
В ГК «Алмаз» мы разработали вебинар «Системное мышление и ИИ», который учит руководителей использовать модель DIKW как навигатор. Ниже — ключевые идеи программы, которые уже изменили подход к управлению в металлургии, логистике и производстве.
Главная проблема: разрыв между данными и действием
Классическая пирамида знаний (DIKW) знакома многим:
- Data — сырые факты, цифры без контекста.
- Information — данные + смысл (кто, где, когда).
- Knowledge — закономерности, причинно-следственные связи.
- Wisdom — знание + действие + прогноз последствий.
Проблема любого управленца — разрывы между уровнями. Особенно критичны:
- Разрыв Data → Information (тупо много цифр, непонятно, что с ними делать).
- Разрыв Information → Knowledge (есть информация, но нет гипотез и паттернов).
И здесь роль ИИ прозрачна и конкретна: LLM закрывает первые два разрыва. Она структурирует хаос, превращает строки в смыслы, выделяет зародыши знаний (гипотезы). А вот мудрость — это территория человека. Решение, ответственность, контекст вашего цеха, политика компромиссов — это всегда за руководителем.
Вывод: ИИ не замена, а ускоритель. Он берет на себя грязную работу с данными и информацией, освобождая вам время для мудрого действия.
Как мы мыслим и как мыслит ИИ: критическое отличие
Мы привыкли, что человек рассуждает силлогизмами и энтимемами: «Иван работает 5 лет → он опытный сотрудник». Это прямой логический вывод. LLM работает иначе: это вероятностная модель, которая достраивает паттерны в тексте и числах. Она не знает, «хороший» ли Иван, она лишь видела тысячи примеров, где после «работает 5 лет» часто встречается слово «опытный».
Что значит «галлюцинация» на примере с ногами лошади
Представьте, что вы просите ИИ: «Сколько ног у лошади?» Логичный ожидаемый ответ — 4. Но LLM может ответить: «4, 8, 12, 16» — и даже уверенно продолжить ряд. Почему? Потому что она не «знает» анатомию лошади. Она видела в обучающих текстах математические последовательности (умножение на 2) и просто достраивает наиболее вероятный паттерн, не проверяя его истинность.
Это классический пример галлюцинации ИИ: модель генерирует правдоподобную, но неверную информацию. Для руководителя это смертельно опасно. Если ИИ скажет, что для перевозки 30 тонн груза хватит одной «ГАЗели», потому что в 80% похожих запросов был ответ «ГАЗель» (без учета количества машин) — логистика встанет.
Вывод: гипотезы ИИ нужно всегда проверять. Особенно когда речь идет о цифрах, фактах или причинно-следственных связях.
Как защититься: правильный промпт
Ему нужен качественный промпт (набор посылок), иначе ответ будет красивым, но бесполезным.
Структура правильного промпта (это основа основ для руководителя):
- Роль — с чьей позиции смотрим (директор по производству, начальник цеха, финансовый контролер).
- Задача и контекст — что конкретно сделать, какие вводные важны.
- Ограничения — что нельзя делать, какие риски неприемлемы.
- Формат — таблица, список выводов, сводка из 3 пунктов.
И главное: не один запрос, а диалог. Цепочка уточнений — вот где рождается реальная ценность.
Мини-практикум: превращаем сырые данные в мудрость
Представьте: у вас 50 строк по отправкам металлопроката — дата, тонны, машина, км, стоимость. Как системно выстроить DIKW с помощью ИИ?
- Data → Information (LLM): сгруппировать по типам авто, рассчитать среднюю стоимость за км, выделить аномалии (например, перерасход на маршрутах с пробками).
- Information → Knowledge (LLM + человек): найти паттерны — «ГАЗели» эффективны до 180 км, КАМАЗы выгодны на дальних перегонах от 1000 км. Сформулировать гипотезы: «вероятно, причина роста затрат — простой при погрузке».
- Knowledge → Wisdom (только человек): принять решение — пересмотреть сменность на складе, перераспределить маршруты между типами машин, отправить запрос на закупку еще двух тягачей. Прогноз последствий: снижение затрат на 12 % в течение квартала.
Построить такой диалог с LLM можно за 15 минут вместо двух дней работы аналитика — если грамотно использовать цепочку уточняющих запросов.
Базовые инструменты: что руководитель может делегировать ИИ уже сегодня
Мы выделили четыре рабочих метода, которые внедрены в ГК «Алмаз» и дали реальное снижение брака и простоев.
1. План-факт-прогноз анализ (Data → Information)
ИИ сравнивает план с фактом, выделяет расхождения и строит короткий прогноз «если ничего не менять». Пример: брак снизился с 4,4 % до 3,5 % при плане 3,8 % — ИИ зафиксировал эффективность контроля плавки. Простои сократились с 48 до 34 часов — прямой финансовый эффект.
2. Матрица системного анализа (Information → Knowledge)
По осям «критерии × элементы системы» LLM заполняет ячейки, предлагает гипотетические связи. Например, по печам, диагностике и KPI. Человек получает готовую матрицу, а не сырой массив данных.
3. Метод анализа мнений (из неструктурированного текста)
Выгружаете протоколы или комментарии мастеров, плановиков, операторов. LLM находит зоны согласия, конфликта и скрытые предположения. Ключевой вывод из нашего практикума: операторы боятся сокращений и саботируют ИИ, пока не получат гарантию сохранения рабочих мест.
4. SWOT + корреляционная матрица
LLM объединяет гипотезы в сегменты, строит корреляции. Например: «ИИ снизил брак, но поднял стоимость — внешний клиент может уйти». Это переводит информацию в знание, а знание — в действие.
Декомпозиция задач: как не утонуть в подзадачах
Системное мышление — это еще и умение разбить большую цель на шаги так, чтобы у каждого шага были входные данные (Data) и понятный результат (Information/Knowledge). Критерий хорошей декомпозиции: каждый шаг проверяем («сделано/не сделано») и за него отвечает один человек.
Пример промпта для декомпозиции:
«Ты — директор по производству. Разбей задачу «снизить себестоимость тонны проката на 8 % за полгода» на подзадачи по системным уровням: оборудование, технология, персонал, управление, снабжение. Каждую подзадачу снабди ожидаемым входом (Data) и выходом (Information).»
LLM выдаст структуру, а вы уже расставите приоритеты и назначите ответственных.
Этика и безопасность: без этого внедрять ИИ нельзя
В ГК «Алмаз» мы ввели железное правило:
- Не передавать в LLM необезличенные персональные данные и коммерческую тайну.
- Финальное решение принимает человек. ИИ — только рекомендательная технология.
- Ответственность за последствия также лежит на человеке. Если модель нагаллюцинировала, и вы отдали приказ — виноваты вы, а не нейросеть.
Рекомендуем закрепить эти принципы в локальных нормативных актах компании. Вебинар дает базовые предпосылки — дальше выстраивайте свои регламенты.
Главные выводы и домашнее задание для руководителей
Системное мышление руководителя — это не сложные схемы ради схем. Это умение выстроить логическую цепочку:
Данные → Информация → Знания (гипотезы) → Мудрость (решение + опыт).
ИИ (LLM) — не замена вам, а мощный ускоритель на нижних этажах пирамиды.
Что мы рекомендуем сделать уже завтра:
- Возьмите одну производственную задачу, где есть данные, но нет гипотез (например, почему растет брак после 18:00 или почему один станок потребляет на 15 % больше энергии).
- Выстройте логику DIKW с помощью ИИ, используя инструменты: план-факт-прогноз, матрицу системного анализа, метод анализа мнений, SWOT.
- Разбейте одну «большую задачу» на подзадачи через промпт с четкой структурой (роль, задача, ограничения, формат).
- Никогда не принимайте гипотезу ИИ без человеческой проверки. Мудрость — ваша. Вспомните пример с ногами лошади: ИИ может выдать убедительный, но абсолютно ложный ответ.
Знание без практики мертво. Но связка «системное мышление + ИИ» — это живой механизм, который прямо сейчас усиливает работу руководителей, которые не боятся учиться.
Даже если вы уже используете ChatGPT каждый день, этот ликбез остается востребованным. Потому что пользоваться нейросетью и управлять с ее помощью производством — это две разные компетенции. Вебинар ГК «Алмаз» учит именно второй.
Глеб Смирнов, генеральный директор ГК «Алмаз»
Приглашенный профессор МВА МГИМО, ГУУ, МФТИ
Автор книг «Антистратегия», «Начальник, ты не прав!», «Хаос вместо правил»
Готовы начать? Тогда следующее ваше действие — составить первый промпт к реальной задаче. И помните: ИИ не заменит вас, но руководитель без ИИ скоро заменит сам себя.
Мы готовы провести эту программу и для вас «Системное мышление в работе руководителя»
