Вы уже входите в топ-1% пользователей ИИ. Да, между вами и людьми на переднем крае есть разрыв. Те безумные ребята, которые одновременно запускают 20 терминалов с базой знаний, переписывающей себя после каждого запуска.
Плохая новость: вам никогда не догнать этих людей. Хорошая новость: вам и не нужно. Тот разрыв, что перед вами, куда меньше разрыва позади.
Возможно, вы не ощущаете себя в топ-1%, потому что видите на X гиков, которые по щелчку пальцев разворачивают целые флотилии агентов, но поверьте: вы в топ-1%. Вы наверняка пользуетесь какой-нибудь моделью каждый день, у вас есть мнение о том, как лучше её использовать, и вы, возможно, даже играетесь с агентами или настроили Hermes на своей машине.
С другой стороны, между вами и заурядным сотрудником крупной корпорации — пропасть. Возможно, он открывал ChatGPT раз четыре за два года. Он попробовал 3.5-turbo, решил, что ИИ — тупость, и не заметил, как GPT-5.6 Sol Ultra только что доказал гипотезу из теории графов, которая оставалась открытой 50 лет. Каждая статья или пост об ИИ-стратегии исходит из того, что этот человек, этот заурядный сотрудник, в конце концов догонит остальных.
Говорю вам: не догонят.
Для контекста: я CEO компании @varickagents. Мы работаем с крупнейшими компаниями планеты, внедряя ИИ-агентов и стратегии в их организациях, так что мы кое-что знаем о реальном положении дел с ИИ в корпорациях.
РИСУНОК 1 - Пропасть
Самый лучший в мире ИИ-инструмент не сделал их быстрее
Недавно я говорил с руководителем операционного отдела нетехнической корпорации (тысячи сотрудников). Без ИИ, по его словам, команда работала вполне прилично. Особых жалоб не было.
Потом они внедрили Claude Cowork, и что бы вы думали? Команда продолжала работать с той же скоростью. Он спросил меня, почему так.
Я видел такое же разделение в каждой организации. Неважно, 50 человек или 5000, каждый раз расклад одинаков: гантель. 5–10% людей были продвинутыми пользователями. Они пользовались Cowork каждый день, использовали файлы навыков, коннекторы к Outlook и так далее. Это были евангелисты — те, кто изначально проталкивал внедрение Claude Cowork, потому что они возятся с ИИ вне работы и на собственном опыте видят, насколько он может быть полезен.
Из остальных 90% около 20% пользовались им пару раз в день, довольно плохо. Они получают какую-то пользу, но лишь малую долю того, что получают продвинутые пользователи. А оставшиеся 70% не пользовались им вообще.
Дашборды в его организации показывали, что внедрение считается успешным. Но, по его ощущениям, ничего не ускорилось. И то и другое было правдой одновременно.
РИСУНОК 2 - Десятая часть из них хороша
Просто пользоваться и пользоваться хорошо — разные навыки
Даже среди тех, кто действительно пользуется ИИ, разрыв в навыках огромен. Пользователям ИИ, которые понятия не имеют, что делают, после внедрения ИИ стало гораздо хуже, чем раньше.
Установить Claude, натравить его на репозиторий, отправить запрос из четырёх слов и наблюдать, как что-то происходит (может быть правильно, а может и нет) — это элементарно.
Использовать его хорошо — совсем другой навык. Знать, когда очищать контекст. Понимать, что то, что вы только что сделали дважды, должно стать файлом навыка, который модель читает каждый раз, а не промптом, который вы перепечатываете. Понимать, какие 15% проекта автоматизации требуют модели для принятия решений, а какие 85% — просто детерминированного кода. И самое главное — внимательно читать diff, прежде чем принять его.
Дайте один и тот же тикет двум инженерам — и это расхождение проявится уже в первые пять минут. Первый просто вставит текст из Jira в Claude и нажмёт отправить. Правка затронет шесть файлов, этот инженер бегло просмотрит её, увидит, что тесты проходят, и смёржит PR. Три недели спустя, когда прод начнёт сбоить, кто-то обнаружит, что этот PR без причины изменил значение в конфиге.
Второй инженер начинает так же. Вставляет текст из Jira, но затем указывает, где в репозитории находится код, какие папки и файлы трогать, а какие не трогать, а ещё у него уже есть файлы навыков, благодаря которым каждый PR от Claude получается минималистичным, а не многословным, и должным образом протестирован перед отправкой. Затем он читает diff, замечает лишнее изменение, исправляет его быстрым промптом и мержит PR вдвое меньшего размера, чем у первого инженера.
РИСУНОК 3 - Тот же инструмент, то же место, другой результат
Как минимум половина любой организации никогда не достигнет этого второго уровня. Хорошо использовать ИИ — это мастерство. Чтобы по-настоящему научиться пользоваться ИИ, нужно огромное количество итераций, а инерция человека, который не в теме ИИ, для многих непреодолима. Превратить «шлаковую пушку» в искусного продвинутого пользователя не менее сложно.
Идеальное внедрение всё равно приводит к гантели
Очевидное возражение: «Ну, это просто компании, которые всё делают неправильно. Я бы справился гораздо лучше». Нет. Даже если вы внедрите всё идеально, гантель получится в любом случае.
Ещё один руководитель, с которым мы общались, только что раздал в своей организации корпоративные лицензии. Восьмизначные обязательства на год. Примерно 10% сотрудников сжигают 90% токенов.
РИСУНОК 4 - 10% лицензий сжигают 90% токенов
Чтобы понять масштаб: если бы остальные 90% пользовались ИИ так, как верхний дециль, расходы выросли бы примерно в 10 раз. Обязательства в 10 миллионов долларов превращаются в 100 миллионов, и ваш лучший сценарий становится худшим.
Внедрение бинарно, а мастерство — это спектр
Исследование McKinsey 2025 года говорит, что 88% организаций используют ИИ хотя бы в одной бизнес-функции. Только 6% видят, что более 5% их EBIT приходится на ИИ. Ещё одна статистика из отчёта MIT NANDA «GenAI Divide»: 5% внедрённых пилотов приносят миллионы, а остальные 95% не показывают измеримого влияния на P&L.
Если вы отслеживаете внедрение как метрику, вы, скорее всего, задаёте (в лучшем случае) абстракцию вопроса «да или нет»: «Залогинился ли этот человек в этом месяце?», «Залогинился ли он в этом году?», «Отправил ли он хотя бы 5 промптов в день?» Если вы хотите различать «ни разу не открывал», «вставляет письма для переформатирования» и «имеет трёх агентов в проде, работающих с главной книгой», вам нужна более совершенная система измерения. Этого нет у 99,9% корпоративных трекеров внедрения ИИ. Это глупо по очевидным причинам (см. гантель выше).
РИСУНОК 5 - Что скрывает показатель внедрения
Но цифра технически реальна, и люди не врут насчёт внедрения. Её гораздо легче измерить, чем то, что действительно важно: насколько каждый сотрудник умело использует ИИ и какова их окупаемость на каждый потраченный токен?
Вот почему «внедрение ИИ» — это миф. Если бы вы на самом деле отслеживали эту метрику, вы бы поняли, что у подавляющего большинства людей нет надежды стать по-настоящему AI-нативными в корпоративной среде. Значит ли это, что они бесполезны? Конечно, нет. Просто ваш план внедрения и развёртывания нужно соответствующим образом скорректировать.
Все стимулы держат пропасть открытой
Дорожные карты всех ИИ-вендоров обещают рост возможностей для агентов, но ничего не говорят о способности команд эффективно этим пользоваться. Поэтому эффективно пользуются только продвинутые пользователи, они же самые громкие, и именно их голос слышен. На них ещё и приятнее всего ориентироваться при разработке, так что это явный беспроигрышный вариант. Каждый релиз новых функций поднимает минимальную планку навыков для хорошего использования продукта, а это только расширяет пропасть между продвинутыми и большинством в организации.
Я постоянно вижу, как корпорации соблазняются идеей «обучите сотрудников правильно писать промпты!». Это 10% игры. Остальные 90% — это «обучите сотрудников понимать, какие рабочие процессы вообще не должны касаться модели, а какие должны быть полностью автоматизированы». Продать это не так просто, как обучение промптам, потому что ответ в каждой компании свой, и на его проработку нужно несколько недель на месте.
И у ИИ-ниндзя внутри вашей компании тоже нет стимула это исправлять. Их преимущество — это и есть пропасть. Они делают свою работу на 70% быстрее и могут расслабиться. Или выполняют работу за троих. Но как только все оседлают эту волну, они потеряют своё преимущество. С какой стати им что-то исправлять без дополнительной мотивации?
Так какое же решение?
В любом случае, обучать придётся. Пока вы этого не сделаете, вы не узнаете, кто входит в верхний сегмент, а кто нет. В этом смысле обучение — это диагностика, а не исправление. В вашей компании наверняка есть люди, которым интересен ИИ, но у которых нет времени и возможности погрузиться глубоко. Нужно обучать, чтобы выявить способности и уровень комфорта каждого.
Для верхнего сегмента, ваших продвинутых пользователей, дайте им место для публикации, например общую базу данных, чтобы каждый созданный ими навык публиковался, получал оценки и устанавливался другими. Это единственный механизм, который я видел, позволяющий превратить прорыв одного человека в то, чем можно поделиться. Здесь стимул — рейтинг: продвинутые пользователи обменяют своё преимущество на статус в организации. Но разрыв остаётся: даже если разослать это всем, 50% людей никогда не воспользуются навыком.
Для всех остальных работа должна выполняться без изменения их привычного образа действий, а значит, ИИ уходит на второй план. Зачем вообще нужно, чтобы ИИ получал промпты от человека? Просто определите самые повторяющиеся процессы, создайте агентов в существующих системах учёта, к которым сотрудники уже привыкли (Salesforce, NetSuite, Dynamics и т. д.), и привлекайте людей только там, где нужен второй взгляд.
Например, у вас есть десятки аналитиков кредиторской задолженности, которые весь день обрабатывают счета. 90% этой работы можно автоматизировать. Нельзя ожидать, что они будут надёжно создавать агентов или методично писать промпты без сбоев в проде. Поэтому создайте агентов, которые работают каждый день, и теперь эти аналитики просто утверждают, отклоняют или редактируют то, что сделали агенты.
Помните одну вещь: людям не нужен инструмент, который помогает делать работу, — им нужна сделанная работа.
РИСУНОК 6 - Два пути в масштабе реального числа участников
Так что перестаньте отчитываться перед советом директоров о «внедрении». Отчитывайтесь о том, какая доля работы сегодня выполняется вручную, какая гибридно, а какая полностью автоматизирована. Это единственный отчёт и разговор, который имеет значение.
Как создать таких фоновых агентов и запустить их? Это отдельная статья. Но чтобы дать вам больше контекста: именно этим мы и занимаемся в Varick, и это единственное, что сработало у клиентов, которым мы внедряли ИИ. Это невероятно крупные компании с тысячами сотрудников, и сценарий один и тот же:
Мы аудируем, где на самом деле происходит работа внутри организации, а затем встраиваем агентов в ваши существующие системы учёта, чтобы работа выполнялась без необходимости заставлять пять тысяч человек становиться мастерами дела, на которое они не подписывались.
Мы работаем с компаниями с выручкой более 500 миллионов долларов в таких областях, как финансы, продажи, закупки, операции, HR и другие. Загляните к нам на varickagents.com. И если хотите больше подобных материалов, подпишитесь на нашу рассылку на varickagents.com/newsletter.
Если коротко
- Вы, скорее всего, входите в топ-1%, и хотя перед вами ещё есть разрыв, за вами — пропасть. Рядовой сотрудник вашей компании отстаёт от вас на мили, и с каждым релизом этот разрыв только растёт.
- Типичное внедрение Claude Cowork или аналога выглядит так: 5–10% становятся продвинутыми пользователями, 20% используют плохо, 70% почти не используют, ничего не ускоряется, но миллионы долларов вы точно сжигаете.
- Пользоваться инструментом и пользоваться им хорошо — разные навыки, и как минимум половина любой организации никогда не использует его хорошо.
- Идеальное внедрение этого не исправит. Можно поставить ИИ перед тысячами людей, но 10% вашей организации всё равно будут сжигать 90% токенов.
- Метрики внедрения схлопывают весь спектр в бинарное «да/нет», поэтому вы получаете 88% внедрения, при том что реальное влияние на EBIT видят только 6%.
- Нужно обучать верхний сегмент и публиковать то, что они создают. Для всех остальных — поместите ИИ в фон тех систем, в которых они уже работают.
