В кои то веки, коллеги, решил запостить вам что-то действительно полезное без шельмования очередных "вышедших в тираж" экспертов. Но все еще в ваших руках, до завершения дня далеко.

Давайте сегодня поговорим про работу с ИИ компании в целом, а не ее отдельных сотрудников.

Итак, компании довольно быстро научились покупать подписки на ИИ-сервисы, запускать пилоты и рассказывать о повышении производительности своих сотрудников. Но за всей этой активностью остается менее заметный вопрос:

Что организация знает сегодня такого, чего она не знала до начала этих экспериментов?

Давайте представим себе обычную ситуацию. Бизнес-налитик несколько недель использует ИИ в работе с требованиями. Постепенно он понимает, какие задачи модель решает хорошо, где начинает фантазировать, как лучше формулировать запросы и какие результаты необходимо перепроверять. У него появляются рабочие промпты, собственные приемы и понимание ограничений.

Через пару месяцев аналогичную задачу получает сотрудник из соседней команды. И начинает с пустого чата ChatGPT.

Первый сотрудник стал эффективнее, а вот организация, похоже, не стала.

Искусственный интеллект не только потребляет организационные знания, но и постоянно участвует в создании новых. В ходе работы возникают промпты, проверенные сценарии, результаты экспериментов, критерии оценки, обнаруженные ограничения, удачные и неудачные решения. Но значительная часть этого остается в личных чатах, переписке, локальных файлах и головах сотрудников. Поэтому сотни ИИ-экспериментов вовсе не обязательно складываются в корпоративную компетенцию.

Можно, конечно, попробовать решить проблему библиотекой промптов. Правда, через некоторое время она рискует превратиться в классическое корпоративное хранилище с файлами "финальный", "финальный2" и "точно_финальный". Потому что сохранить промпт недостаточно.

Чтобы результат работы с ИИ стал организационным активом, нужен контекст: для какой задачи он предназначен, где проверялся, с какой моделью использовался, какие ограничения обнаружены, кто отвечает за актуальность. Причем фиксировать полезно и неудачи. Если следующая команда благодаря описанию провалившегося эксперимента не повторит его, это знание уже принесло пользу.

Получается простой цикл:

Организационные знания → использование ИИ → новый опыт → фиксация и проверка → организационные знания

Если последнего перехода нет, компания может успешно масштабировать использование ИИ, почти не масштабируя накопленный опыт его применения. Отсюда меняется и роль корпоративной базы знаний. Это уже не только место, откуда человек или ИИ получает инструкции, регламенты и описания процессов. Необходим и обратный поток: результаты экспериментов нужно фиксировать, проверять, связывать с решениями и людьми, актуализировать и возвращать в работу.

И здесь особенно важно различать индивидуальную производительность и воспроизводимость способов по ее достижению.

Если сотрудник с помощью ИИ выполняет задачу за два часа вместо четырех, это измеримый результат. Но если завтра другой сотрудник получает такую же задачу и снова самостоятельно выясняет все, что уже выяснил первый, организация оплачивает обучение второй раз. Потом третий. Потом десятый.

Поэтому у ИИ-проекта есть еще один полезный критерий результата помимо скорости, стоимости и качества: что после него осталось организации? Появился ли повторно используемый подход? Зафиксированы ли ограничения? Понятно ли, почему было принято конкретное решение? Сможет ли следующая команда начать не с нуля, а с той точки, до которой уже дошла предыдущая?

В полной статье на эту тему у себя на сайте я подробнее разобрал эту проблему именно через управление знаниями: жизненный цикл ИИ-знаний, роль базы знаний как организационной памяти, связь с governance и AI literacy, распределение ответственности и постепенное развитие всей системы.

Потому что зрелость корпоративного ИИ, возможно, определяется не количеством запущенных инструментов и проведенных пилотов. Гораздо интереснее другое: научилась ли организация не терять то, чему эти эксперименты ее уже научили.