Почему сотрудники бросают ИИ после первой попытки — и как это исправить

Почему даже самые мотивированные сотрудники бросают ИИ после первой попытки и как мы прошли этот путь в Alpina Digital

Пятница 2025-го, видеозвонок с командой одного крупного российского ритейлера. Финдиректор, L&D-руководитель, CTO. Год назад они купили 200 лицензий ChatGPT Enterprise — без обучения, без сценариев под отделы, только рассылка с инструкцией. Я задаю один вопрос, который теперь задаю на каждой такой встрече: «Сколько людей реально пользуется этими лицензиями раз в неделю?» Финдиректор открывает админку, считает и называет цифру: 9 человек из 200. Пять процентов.

Меня зовут Жемал Хамидун, я CPO AlpinaGPT, Head of AI Alpina Digital и автор тг-канала «Готовим ИИшницу». Эта статья для CEO, CTO, HRD и L&D-руководителей B2B-компаний, у которых AI-инициатива уже стартовала, но застряла где-то между «купили подписки» и «реально пользуются». За 2025 год я слышал такие цифры: «3–7% активного adoption после полугода» от десятков корпораций. Это не их частный случай — это типовой паттерн рынка. В статье разобрал, почему так происходит и что мы делаем иначе.

5% активного adoption — новая корпоративная норма

История с ритейлером и 9 пользователями из 200 — не аномалия. По данным BCG AI at Work 2025 (опрос 10 600 сотрудников в 11 странах), среди рядовых сотрудников регулярное использование GenAI застыло на 51% — это уровень 2023 года, за два года ноль прогресса. При этом 85% руководителей и 78% менеджеров пользуются регулярно. BCG называет эту дистанцию между топ-менеджментом и фронт-лайном «силиконовым потолком» (silicon ceiling). Снаружи у компании есть AI. Внутри — у половины сотрудников его как будто нет.

Второй разрез ещё жёстче. По данным Anthropic Economic Index, в задачах computer & math теоретическое покрытие ИИ — 94%, реальное использование — 33%. Технология готова делать почти втрое больше, чем у неё реально просят.

По исследованию WalkMe State of AI at Work 2025 (1000 работающих взрослых в США, июль 2025), полноценное обучение работе с ИИ получили только 7,5% сотрудников. 23% — никакого вообще. Им просто выдали доступ и сказали «пользуйтесь». Через две недели человек написал «составь отчёт», получил шаблонный текст, решил, что инструмент бесполезный, — и вернулся к Excel. Это тот самый отказ после первой попытки, про который меня всё чаще спрашивают руководители.

Формула провала: Инструмент × Обучение × Поддержка

Когда я разбираю с клиентом, почему его AI-инициатива не взлетает, я почти всегда выхожу на одно и то же уравнение:

Внедрение AI = Инструмент × Обучение × Поддержка. Если хоть один множитель равен нулю — результат тоже ноль.

Здесь принципиальна именно логика умножения. Будь это сложение, компания могла бы потратить 100% бюджета на инструмент, ноль на обучение и ноль на поддержку — и всё равно получить хотя бы треть результата. Но это не так работает. Если обучения нет, инструмент не превращается в навык. Если поддержки нет, даже обученные люди через месяц откатываются к старым привычкам. Если инструмента нет, людям просто не с чем работать. Два множителя из трёх в нуле — и сто на инструмент превращаются в ноль на выходе.

Конкретный пример из моей практики — крупная технологическая компания провела трёхдневный тренинг по ИИ. Отличные фасилитаторы, высокий NPS, все на драйве. Через 90 дней исследователи пришли с проверкой — ноль интеграции в рабочие процессы. Письма писались вручную, инструменты лежали в закладках браузера. Обучение было — поддержки и встраивания в процесс не было. Множитель в нуле.

Другой пример из этой же серии: компания провела обучение дважды, adoption 8%. Стали разбираться — оказалось, одна интеграция не подключена, человек должен был копировать данные руками. Несколько дней работы программиста — adoption взлетел в разы. Инструмент был, обучение было — поддержка и инфраструктура в нуле.

Разрыв 70/70 и социальный страх, который не лечится подпиской

Я регулярно вижу один и тот же паттерн в корпоративных проектах — я называю его разрыв 70/70 (название простое, потому что и проблема простая). Примерно 70% руководителей — оптимисты по поводу AI: технология меняет всё, конкуренты не ждут, надо срочно внедрять. И примерно столько же сотрудников — скептики: им говорят «используй AI», но не объясняют зачем, что изменится в их работе и не означает ли это в конце концов сокращение. Руководитель видит технологическую возможность. Сотрудник — личную угрозу. Если бюджет уходит только в инструмент, этот разрыв не закрывается, а только усиливается.

Цифры BCG это подтверждают: по опросу 1 400 американских сотрудников, 76% руководителей уверены, что их сотрудники в восторге от внедрения ИИ. Но только 31% самих сотрудников действительно выражают энтузиазм. 45 процентных пунктов разрыва только по одному пункту восприятия. По другому — awareness of AI strategy — разрыв ещё больше: 80% руководителей думают, что сотрудники в курсе стратегии, реально считают себя информированными только 29%.

По моим наблюдениям из десятков корпоративных проектов, большинство сотрудников боятся не самого ИИ. Технология для них слишком абстрактна. Они боятся коллег, которые научатся использовать ИИ лучше них — и тех, кто примет решение, кого оставлять, а кого нет. Это социальный страх, а не технический, и его нельзя снять подпиской или красивым демо. Подтверждение этому есть и в ADP Research People at Work 2025 (38 000 респондентов): сотрудники, боящиеся ИИ, вдвое чаще испытывают высокий стресс на работе, и больше 30% из тех, кто чувствует риск замены, активно ищут новую работу — против 16% среди менее тревожных.

WalkMe в том же исследовании 2025-го зафиксировал ещё один эффект: 78% сотрудников уже используют ИИ-инструменты, которые компания им не предоставляла. Это shadow AI — люди не отказываются от ИИ, они просто обходят корпоративную систему, потому что она неудобная или её нет. CEO WalkMe Дэн Адика прямо называет цену: «Когда почти 80% сотрудников используют shadow AI, организации теряют не только деньги — они теряют контроль». Корпоративные данные уходят в публичные модели, а руководство не видит куда.

Три уровня зрелости: пользователь → оператор → дирижёр

Цифра «5% активного adoption» сама по себе ничего не говорит про то, КАК эти 5% используют ИИ. И вот здесь, по моему опыту, кроется самая большая управленческая слепота. Между «у меня есть подписка на ChatGPT» и «AI вшит в мой рабочий день» лежит несколько качественно разных уровней. Я называю их простыми словами: пользователь, оператор, дирижёр.

Пользователь открывает AI как улучшенный поисковик. У него есть подписка, он задаёт вопросы, иногда получает сильные ответы, иногда слабые. Каждый запрос для него — отдельный эпизод. Между сессиями ничего не накапливается — ни промптов, ни контекста, ни сценариев. Рутину он не перепроектирует, а просто иногда ускоряет.

Оператор перестал начинать каждый раз с нуля. У него уже есть несколько повторяемых сценариев под конкретные задачи: брифинг встречи, черновик письма, разбор документа, подготовка поста. Он сохраняет промпты, знает разницу между моделями, накапливает шаблоны, держит свой контекст отдельно. AI для него — уже не «спросить штуку», а часть личного производственного контура.

Дирижёр работает не только руками, но и архитектурой своей AI-среды. У него часть задач делают агенты и автоматизации, которые продолжают работать без него. Сам он смещается вверх по стеку — в постановку задач, в проверку качества, в решения о том, что вообще должно делаться людьми, а что — машинами. У него меняется не скорость работы, а сам её состав. Дженсен Хуанг, CEO NVIDIA, в одном из выступлений сформулировал это короче: ИТ-отдел любой компании в будущем превратится в HR-отдел для AI-агентов.

Эти уровни вообще не зависят от размера компании. Fortune в апреле 2026 года писал про стартап Fathom AI: три фаундера, двенадцать AI-агентов, $300 000 ARR за двенадцать недель, валовая маржа выше 90%. Это чистый дирижёрский режим, собранный в команде из трёх человек. С другой стороны — Salesforce с десятками тысяч клиентов на Agentforce: масштаб корпоративный, но логика та же.

Большая часть сотрудников 2026 года застряла на пользовательском уровне. И самое неприятное — этого почти никто не видит. Формула обычно одна: «Я пользуюсь AI каждый день, значит, я уже продвинутый». Но ежедневное пользование ещё ничего не доказывает. Можно годами открывать ChatGPT и оставаться пользователем — если каждый раз начинаешь с нуля и AI остаётся в одном ряду с поисковиком.

Чтобы поднять команду по этой лестнице — нужно правильно распределить бюджет

Когда компания вкладывает 90% бюджета в инструмент и 5% в обучение, она де-факто покупает наличие AI, но не способность компании этим AI пользоваться. Это похоже на покупку профессионального оркестра без дирижёра и без репетиций — звук, может, и будет, но не музыка.

BCG в своих рекомендациях по AI-трансформации формулирует это в одну строку — правило 10/20/70: 10% усилий — алгоритмы, 20% — технологии и данные, 70% — люди и процессы. Большинство компаний делает наоборот: 70%+ на технологии, 10% на людей. И потом удивляется, почему AI не даёт результата.

Я в своих корпоративных проектах работаю по близкой формуле для бюджета — 70/20/10: 70% уходит на людей и процессы, 20% на инфраструктуру, 10% на сам инструмент. Для больших компаний с сильной внутренней инерцией я сдвигаюсь к ещё более жёсткому 60/30/10. Логика простая: чем больше организация, тем больше в ней трения, тем дороже стоит каждое внутреннее зависание, тем больше нужно вкладывать в людей и инфраструктуру, чтобы инструмент хоть как-то заработал.

Что конкретно входит в эти 70% на людей и процессы:

• Обучение по ролям, а не «для всей компании сразу» — маркетологу нужны одни сценарии, юристу другие, аналитик живёт в третьем ритме

• Внутренние евангелисты, не назначенные приказом — это люди, которые сами уже начали и сами рассказывают коллегам, им нужна видимость и время, а не титул

• Пересмотр KPI под новую производительность — иначе человек, который с AI делает в три раза больше, рационально решит этого не показывать

• Внутренний customer success для своих сотрудников — сотрудник, застрявший в новом инструменте, ведёт себя как клиент, который собирается отвалиться

• Ритуалы обмена кейсами — канал, встреча, демо-сессия, любое регулярное место, где люди показывают «вот так я ускорил эту задачу»

Как мы прошли это в Alpina Digital

Мы стартовали в начале 2023-го. Соучредитель Alpina Digital, поставил задачу: «Посмотри, как ускорить кор-процессы». В тот момент у людей в компании не работали зарубежные карты для ChatGPT, падал VPN, у каждой модели — свой биллинг и свой лимит. Никакого «AI-плана» не было — была одна неудобная боль. Шли через те же грабли, что и все, кому я потом помогал.

Сначала разложили задачи по матрице «частота × значимость» и увидели, что в первую очередь ИИ нужен в редактуре и переводах. Не потому, что это звучит красиво на слайде, а потому, что издательство 28 лет делает книги, и любое ускорение здесь напрямую двигает оборачиваемость инвестиций в каждый тираж. На базе Alpina Digital сделали кибер-редакцию — экспериментальный контур для процессов перевода, редактуры и маркетинга текстов с помощью ИИ.

Поймали ровно три барьера, которые я с тех пор вижу у каждого клиента. Отсутствие знаний — снимали обучением на конкретных задачах сотрудников и комьюнити энтузиастов внутри отделов. Опасения сотрудников — снимали кейсбуком: 8–10 живых историй с именами, отделами и часами «было/стало». Технологическая неготовность — собрали свою платформу, AlpinaGPT, которая объединила ведущие нейросети под одной крышей с единым биллингом в рублях.

Самая интересная цифра из этого опыта — про обучение. Общие тренинги «как промтить» дают примерно 23% adoption. Тренинги на конкретных задачах конкретных сотрудников — 67%. Разница почти в три раза, и она бесплатная по затратам — те же часы обучения, просто построенные вокруг настоящих рабочих задач человека. Эту цифру я с тех пор повторяю на каждом разборе: если у вас обучение идёт «для всей компании сразу про базовые навыки промптинга», вы заранее закладываете двукратное снижение adoption.

Сейчас больше 60% сотрудников Альпины используют AlpinaGPT каждый месяц. У платформы 8500+ пользователей и около 40 корпоративных клиентов. Это не моментальный результат — это два с лишним года последовательной работы с барьерами, обучением и онбордингом. Если бы мы остановились на «купили подписки и раздали доступ», цифра была бы в районе тех самых 5–7%.

Чек-лист на запуск: что бы я сделал на вашем месте

Если бы я сегодня запускал такой путь с нуля — уже зная, где сам недооценивал повороты, — я бы шёл по этому списку. Не как по жёсткой инструкции, а как по карте, на которой проверены опасные участки.

• Замерить baseline по 3 задачам, которые хотите автоматизировать. Сколько часов на них уходит сейчас. Без baseline сравнивать потом будет не с чем

• Построить матрицу «частота × значимость» и выбрать те 3 задачи, что в правом верхнем углу — часто и значимо. Туда же направить первый бюджет

• Найти органичных AI-чемпионов внутри отделов — заметить тех, кто уже сам начал. Дать им видимость и ресурсы, а не титул

• Завести кейсбук с первого дня: 8–10 живых историй с именами и часами за первые 2 месяца. Если их нет — масштабировать нечего

• Учить на конкретных задачах сотрудника, а не на абстрактных промптах. Это даёт ~67% adoption вместо ~23%

• Платформа: сначала готовый агрегатор (LibreChat, FlowiseAI или близкое), своё писать только когда упёрлись в жёсткое требование по безопасности или интеграциям

• Пересмотреть KPI и систему вознаграждения с учётом новой производительности — иначе AI просто не будут показывать в результатах

• Через 6 месяцев — формальное решение с CEO и CFO: остаёмся внутренним инструментом или идём в продукт. Записать. Поставить дату пересмотра

Чего бы я не делал

Несколько типовых ошибок, которые я видел у себя и у клиентов. Каждая стоит месяцев и денег.

Не путать «купили подписку» с «внедрили AI». Это самая частая ошибка корпоративного руководителя. Купить лицензии легко и отчётно — за это даже могут похвалить на бюджетном комитете. Изменить ролевые ожидания, пройти с людьми период стыда и сопротивления, переписать KPI — тяжело, медленно и плохо помещается в квартальный отчёт. Без второго первое не работает никогда.

Не назначать AI-чемпиона приказом. Формально назначенный человек без живой мотивации редко вытягивает программу — она превращается в ещё одну административную функцию. Настоящие чемпионы появляются органически: ищите тех, у кого уже горит, и снимайте с них административную нагрузку.

Не строить свою платформу на старте. Два разработчика, полгода работы, гордость за архитектуру — а потом выясняется, что требования уехали, модели поменялись, половина предположений устарела, а adoption по-прежнему низкий. Своё пишется, когда уже знаешь, что именно строишь.

Не считать adoption по количеству лицензий или запросов. Лицензии не отражают использования, запросы не отражают результата. Считайте часы экономии на конкретную роль на конкретной задаче. Это единственная метрика, которую можно потом обсуждать с CFO.

Если сейчас перед вами стоит задача по внедрению ИИ в бизнес-процессы — готовы поделиться опытом. Напишите нам – бесплатно разберём в формате зума, на каком уровне ИИ-зрелости ваши сотрудники сейчас, в какие отделы и под какие задачи внедрять первыми. 

А если хочется глубже копать тему внедрения ИИ в бизнес — кейсы наших клиентов, готовые промпты под B2B-задачи, разборы пилотов — подписывайтесь на телеграм-канал «Дело в промпте».

Источники

• https://www.bcg.com/publications/2025/ai-at-work-momentum-builds-but-gaps-remain

• https://hbr.org/2025/11/leaders-assume-employees-are-excited-about-ai-theyre-wrong

• https://www.anthropic.com/research/anthropic-economic-index-january-2026-report

• https://news.sap.com/2025/08/new-walkme-survey-shadow-ai-rampant-training-gaps-undermine-roi/

• https://hrexecutive.com/employees-still-fear-ai-what-chros-are-doing-about-it/

• https://www.thrumos.com/insights/bcg-ai-transformation-guide