Два года назад в BTS приняли три решения о работе с прикладным ИИ. Не самых очевидных. Пока рынок писал стратегии, формировал комитеты по этике и ждал «дорожных карт», они просто начали. Без мандатов сверху. Без уверенности в результате. И за два года прошли путь от разочарования в первых прототипах до 95% принятия по 24 странам за восемь недель.
Это не история про «инновационную культуру» и не манифест про цифровую трансформацию. Это полевые заметки CEO — Джессики Скон — о том, как ставка на движение вместо планирования запускает маховик, который уже не остановить. И о том, как в этом маховике рождаются «алмазы» — прорывные решения, которые невозможно было спрогнозировать заранее.
Для российского рынка эта история особенно актуальна. По данным исследований, 84% компаний в РФ уже инвестируют в обучение и развитие, но лишь единицы могут похвастаться реальной окупаемостью ИИ-инициатив. Большинство застревает на стадии пилотов. Почему так происходит и как этого избежать — разберём на примере трёх решений, которые изменили всё.
Решение №1: Стать Customer Zero для самих себя
Первый принцип звучал так: «Никаких мандатов сверху. Люди, которые ближе всего к работе, разберутся сами». Звучит как анархия? Возможно. Но именно это решение запустило цепную реакцию.
В BTS отказались от идеи, что ИИ-трансформацию должен возглавить специальный департамент или приглашённые консультанты. Вместо этого IT-отдел получил новую роль — не «привратника», который фильтрует запросы и выдаёт доступы, а «энэйблера»: команду, которая быстро предоставляет лицензии, разворачивает песочницы и помогает с первыми экспериментами.
Ключевой вопрос, который команда задала себе в самом начале: «А что если бы мы создавали нашу компанию сегодня — с нуля, но с текущими ИИ-инструментами?» Этот вопрос стал спусковым крючком. Не «как нам улучшить существующие процессы на 5%», а «как бы мы построили всё иначе, имея эти возможности». Разница — в масштабе мышления.
На практике это выглядело так: несколько лицензий, команда энтузиастов, vibe-coding, агенты, бесконечные тесты. Никакого проектного плана на год. Только циклы: попробовали — не сработало — пересобрали — снова запустили. Темп, которому позавидовал бы любой VC-стартап.
Решение №2: Пройти через «грязную середину» и не бросить
Первые результаты были… разочаровывающими. Дословно из отчётов команды: «Плохо с математикой». «Графики — слабые». Звучит знакомо? Многие компании на этом этапе сворачивают эксперименты и возвращаются к привычным инструментам. Потому что ожидали магии, а получили сырой продукт.
Команда BTS не свернула. Они продолжили возиться с инструментами, переключаться между разными моделями, отслеживать новые релизы. Небольшая распределённая команда работала через 24 страны, подхватывая идеи друг у друга. Смеялись над странными результатами. Ломали прототипы. Итерировали в песочнице параллельно с реальными клиентскими проектами.
И вот что важно: каждый цикл давал что-то ощутимое. Более острый сценарий симуляции. Более быструю сборку. Более мощный инструмент. Маховик раскручивался, и каждый оборот увеличивал шансы на прорыв. Это не линейный процесс — «сделали шаг, получили результат». Это накопление вероятности: чем больше циклов, тем выше шанс, что следующий окажется тем самым.
Здесь уместна аналогия с корпоративным обучением: настоящий сдвиг в компетенциях происходит не после одного тренинга, а после серии циклов «обучение — практика — обратная связь — корректировка». С ИИ работает тот же принцип.
Решение №3: Не ждать идеального плана — искать «алмазы»
А потом что-то щёлкнуло. Команда вышла на клиентские испытания в пяти странах. Разобралась с ISO-совместимостью. Выстроила архитектуру, способную переварить «спагетти» из сложных требований. И тогда проявилось то, что в BTS называют «ИИ-алмазом» — прорывное решение, которое невозможно было предсказать на старте.
Характеристики этого «алмаза»:
- То, что раньше занимало недели, стало делаться за дни.
- Ограниченная креативность превратилась в ощущение неограниченных возможностей.
- Клиенты получили инструменты самообслуживания — агентные симуляции, встроенные прямо в их системы, с обновлениями в реальном времени.
«Алмаз» появился не благодаря гениальному предвидению. Он появился потому, что маховик продолжал крутиться. Каждый цикл экспериментов повышал вероятность прорыва. Это принципиально иной подход к инновациям: не «спланируй и реализуй», а «создай условия и поддерживай движение».
Для российских компаний, особенно в сегменте B2B-услуг, это критически важный урок. Рынок корпоративного обучения в РФ оценивается примерно в 100 млрд рублей, и конкуренция здесь нарастает. Компании, которые научатся запускать такие маховики, получат не временное преимущество, а механизм генерации преимуществ — постоянно и с нарастающей отдачей.
95% adoption за 8 недель: почему это сработало
Дальше — самое интересное. Когда «алмаз» решили масштабировать глобально, в BTS ожидали сопротивления. Компания децентрализованная: 24 страны, 38 офисов, высокая автономия локальных команд. Исторически — низкий аппетит к решениям, спущенным из центра. Любой, кто внедрял ERP-системы или топ-даун цифровые инициативы, знает эту боль.
Реальность оказалась противоположной: 95% adoption за восемь недель. Без приказов. Без KPI по внедрению. Команды сами тянулись к инструменту. Почему?
Ответ не в методологии и не в фреймворке. Ответ — в чувстве. В ощущении, что ты находишься на переднем крае своей профессии. Радость от работы с инструментом, который реально расширяет возможности. Волнение. Гордость. Это не «внедрение» в привычном смысле. Это органическое движение, которое запускается, когда люди видят реальную ценность — не в презентации, а в своей ежедневной работе.
И маховик не остановился на симуляциях. Он перекинулся на финансы, продажи, юридический отдел, операционку, клиентский сервис. Где-то циклы давали небольшие улучшения. Где-то — новые «алмазы». Не потому, что кто-то их запланировал. А потому, что были созданы условия, в которых люди сами их находили.
Этот подход напрямую связан с тем, как мы в «Алмаз-ГК» смотрим на развитие лидерских компетенций: лидерство сегодня — это не способность нарисовать идеальную стратегию, а умение запустить движение и поддерживать его энергию.
Почему большинство застревает в пилотах
Опыт BTS подсвечивает системную проблему, которая знакома и российскому рынку. Многие компании прошли стандартный путь: массовые лицензии, вебинары «ИИ для всех», кампании по повышению осведомлённости. А потом — тишина. И неловкий вопрос: «И что теперь?»
Типичные симптомы «застревания»:
- Пилоты живут месяцами, иногда годами, не переходя в масштабирование.
- Сотрудники используют ИИ-инструменты, чтобы экономить минуты, но не меняют способы работы.
- «Теневой ИИ» — люди пользуются личными аккаунтами без всякого управления — становится нормой.
- Переход от «осведомлённости об ИИ» к «ИИ, который приносит бизнес-результаты» буксует.
Корень проблемы не в доступе к моделям или инструментам. Он — в организационной способности: процессах, ролях, управлении, навыках и дисциплине создания ценности. Технически решение может быть готово, но организационно оно заблокировано.
Здесь критически важна оценка персонала — не в смысле аттестации, а в смысле понимания, кто в организации способен стать «двигателем» ИИ-маховика, а кто будет тормозить процесс. Без такой диагностики любые инициативы рискуют остаться на уровне пилотов.
Что делают иначе компании, которые реально масштабируют ИИ
Анализ успешных кейсов (и BTS здесь не исключение) показывает три повторяющихся паттерна. Компании, которые вырываются из «пилотного болота», не обязательно имеют больше бюджета или технических талантов. У них больше организационной дисциплины.
1. Строят навыки, меняющие реальное поведение
Недостаточно вебинара «ИИ для всех». Нужна ролевая архитектура компетенций: руководители, способные управлять ИИ-стратегией; менеджеры, умеющие перепроектировать процессы; «power users», которые ведут идентификацию и разработку use-кейсов; технические специалисты, доводящие кейсы до продакшена. Без этой структуры обучение остаётся информированием, а не трансформацией.
2. Выращивают культуру данных, а не только инфраструктуру
Чистые пайплайны важны. Но не менее важно общее понимание: что такое качество данных, как устроено управление ими, что значит ответственное использование ИИ. Без этого инициативы быстро упираются в потолок: технически реализуемо, организационно заблокировано.
3. Управляют ИИ как инвестиционным портфелем, а не списком проектов
У каждой инициативы есть бизнес-кейс. Use-кейсы квалифицируются до выделения ресурсов. ROI измеряется. Компании не гонятся за каждым трендом — они жёстко приоритизируют и останавливают то, что не работает. Это дисциплина, а не магия.
Практические рекомендации
Как запустить свой маховик, не дожидаясь идеального плана? Вот конкретные шаги, которые можно сделать уже завтра:
- Назначьте «энэйблера», а не контролёра. Дайте IT-отделу задачу: не фильтровать запросы, а максимально быстро предоставлять доступы и разворачивать песочницы для экспериментов. Скорость здесь важнее контроля на старте.
- Задайте вопрос «с чистого листа». Соберите команду и спросите: «Если бы мы запускали наш продукт/процесс сегодня, имея текущие ИИ-инструменты, как бы мы это сделали?» Запретите думать в рамках существующих ограничений на первом этапе.
- Легализуйте «грязную середину». Предупредите команду и стейкхолдеров: первые результаты будут разочаровывающими. Это нормально. Ключевое — не останавливать циклы. Выделите на эксперименты минимум 3-6 месяцев до принятия решения о сворачивании.
- Фиксируйте микропобеды. Каждый цикл должен давать что-то измеримое: сценарий стал острее, сборка ускорилась на 20%, клиент получил первый самообслуживаемый прототип. Ведите дневник таких побед — он станет топливом, когда наступит разочарование.
- Не масштабируйте насильно. Когда появится «алмаз», не спускайте его директивно. Покажите результат смежным командам. Дайте попробовать. Органическое распространение работает в разы быстрее, чем приказы — опыт BTS с 95% adoption это подтверждает.
- Внедрите портфельную дисциплину. Для каждого ИИ-проекта требуйте бизнес-кейс до старта. Определите метрики успеха заранее. И будьте готовы остановить проект, если метрики не достигаются — без жалости. Ресурсы должны перетекать туда, где есть отдача.
Заключение
Главный вопрос, который Джессика Скон адресует любому CEO: «Ваш маховик крутится — или вы всё ещё ждёте идеального плана?» Это не риторический вопрос. Это диагностический.
Ожидание ясности — тоже выбор. И он обходится дороже, чем кажется. Пока компания ждёт, конкуренты накапливают циклы, повышая вероятность собственного «алмаза». В пространстве, которое меняется с текущей скоростью, ясность приходит не из планирования. Она приходит из движения. Запустите маховик — остальное начнёт происходить само.
Часто задаваемые вопросы
Что такое прикладной ИИ и как он ускоряет реализацию стратегии?
Прикладной ИИ (Applied AI) — это использование искусственного интеллекта в реальных бизнес-процессах: принятии решений, симуляциях, операционной деятельности. В отличие от экспериментов «в пробирке», прикладной ИИ встроен в ежедневные рабочие потоки и даёт измеримые результаты. Он ускоряет реализацию стратегии за счёт более быстрых инсайтов, динамического планирования и адаптации команд в реальном времени.
Как перейти от ИИ-стратегии к реальному бизнес-результату?
Переход требует встраивания ИИ в повседневные рабочие процессы, а не создания отдельного «ИИ-направления». Начните с быстрого тестирования use-кейсов в тех зонах, где работа понятна лучше всего. Масштабируйте то, что сработало. И главное — привязывайте инициативы к бизнес-метрикам: скорость решений, качество исполнения, измеримая производительность.
С чего начать внедрение прикладного ИИ в организации?
Лучшая точка старта — там, где ИИ может напрямую усилить существующие рабочие процессы. Не нужно искать «идеальный» use-кейс. Нужно начать с того, что понятно, и итерировать. Прорывные решения — «ИИ-алмазы» — появляются не из анализа, а из множества циклов экспериментов. Запустите маховик, и высокая отдача придёт быстрее, чем вы ожидаете.
Почему большинство ИИ-пилотов не доходят до масштабирования?
Причина редко бывает технической. Чаще всего — организационная: отсутствие ролевых компетенций (кто за что отвечает в ИИ-цепочке), слабая культура данных, отсутствие бизнес-кейсов и портфельной дисциплины. Пилоты живут годами, потому что не встроены в реальные процессы и не имеют измеримых KPI.
Что такое «ИИ-алмаз» и как его найти?
«ИИ-алмаз» — это прорывное решение, которое даёт трансформационный, а не инкрементальный эффект (например: недели работы превращаются в дни, ограниченная креативность становится неограниченной). Его невозможно спланировать заранее. Он появляется как результат множества циклов экспериментов — маховика, который повышает вероятность прорыва с каждым оборотом.
Как измерить успех внедрения прикладного ИИ?
Успех измеряется не количеством пилотов или обученных сотрудников, а бизнес-метриками: скорость вывода продукта, сокращение операционных затрат, рост клиентской удовлетворённости, измеримый ROI. Каждая инициатива должна иметь бизнес-кейс до старта и проходить квалификацию на основе реальных цифр, а не ожиданий.
