ИИ в корпоративном обучении без иллюзий: где хайп, а что работает на самом деле

Запрос «сделайте курс с помощью ИИ» чаще всего приходит не от методистов, а от бизнеса. Руководители видят волну публикаций о нейросетях и красивые маркетинговые обещания: все создается за минуты. Дальше включается давление на скорость: курсов нужно больше, методисты перегружены, эксперты не отвечают, материалы разрозненны — «ну что вы там не можете, он же делает это за пять минут».

Часто проблема действительно решается не обучением — сотрудник дает скидку в каждом звонке не потому, что не умеет работать с возражениями, а потому что ему невыгодно тратить время на другое.

И здесь у методиста остается функция, которую не может выполнить никто другой — фильтр «нужен ли курс вообще». ИИ этот вопрос не задаст — он послушно сгенерирует то, что попросили.

Генеративный ИИ научился качественно имитировать результат работы профессионалов. Аккуратная верстка, единые шрифты, интересные картинки, переворачивающиеся карточки, промежуточные тесты — все на месте. Заказчик смотрит на такой курс и делает вывод: красиво — значит, хорошо. Раз поработали над оформлением, значит, поработали и над содержанием.

Но эстетика — это видимый слой: текст, структура, картинки, верстка, тест. Эффективность курса определяется слоем невидимым: на основании каких данных сделан вывод, что курс должен изменить конкретное поведение конкретных сотрудников. Кто эти люди, что они делают, почему они делают именно так — без ответов на эти вопросы курс останется декорацией.

Это подтверждают и исследования: раз, два, три. Рабочий вывод — процессом нужно постоянно управлять. А чтобы управлять, нужно понимать, на какие этапы разбивается проектирование учебного материала и где именно ИИ может помочь.

Пока курс проектируется «от темы», его настоящий образ результата звучит так: «ознакомиться с темой». Сотрудники получают материал про принципы работы с возражениями, ставят галочку, закрывают вкладку — и идут делать то же, что делали раньше. Ничего не меняется.

Зрелая логика — двигаться от образа результата, сформулированного через конкретные действия: «менеджер при работе с возражением задает уточняющие вопросы, определяет тип возражения, выбирает подходящую технику ответа». Дальше выстраивается цепочка обратного проектирования обучения:

Теория и практика появляются в курсе не для красоты и объема, а чтобы обслуживать образ результата. Этот подход не новость — фреймворки обратного проектирования обучения существуют давно. Но теперь его можно требовать и от нейросети.

Как выглядит типичный запрос в корпоративном обучении? «Менеджеры плохо работают с возражениями, нужен курс по продажам». Что принесли: презентацию с планерки, старый скрипт продаж и два запомнившихся звонка. Руководитель при этом вовлеченный — он близко к работе, сидит с командой в одном опенспейсе. Но цифр у него нет, и он действует из своих представлений. Это субъективное мнение, приближенное к реальности, — но не данные.

Что считать данными:

Еще одно следствие работы от данных: «среднего сотрудника» не существует. Новичок и опытный менеджер приходят в обучение с разными целями. Раньше на всех делали один универсальный курс — не хватало ресурсов на большее. Теперь есть время спроектировать на одну тему две программы с разными образами результата, практиками и кейсами: одну для новичков, другую для опытных.

Сценарии с ИИ-методистом. Раздел «Сценарий»: при генерации материала ИИ-методист сначала проводит методиста через бриф. Короткий — восемь вопросов, среди которых обязательные: образ результата, целевая аудитория, что именно должно измениться в поведении учеников. Расширенный — семнадцать вопросов, и иногда хочется возмутиться «ну зачем он меня об этом спрашивает» — но именно эти вопросы заставляют собрать контекст, без которого генерация превращается в угадывание.

Тренажеры через внешние нейросети. Для практикоориентированных тренажеров с ветвлениями сцен, баллами и обратной связью в конструкторе есть импорт JSON и skill-файл — инструкция, в которую заложена вся архитектура тренажеров. Ее понимают Claude, ChatGPT, а также бесплатные GigaChat и DeepSeek — важный момент для корпоративных клиентов, которым сложно получить платные зарубежные модели как рабочий инструмент. Внутри — бриф почти из тридцати вопросов о контексте работы сотрудников, типичных ошибках и ограничениях. Нейросеть собирает JSON, конструктор за секунду разворачивает его в готовое ветвление сцен — то, что вручную собиралось днями.

Ключевое отличие от «кнопки сгенерировать». Результат генерации — не черная коробка в виде неуправляемого HTML, а редактируемые блоки в привычном интерфейсе. Методист может докрутить каждую сцену, каждый вопрос и каждый фрагмент текста своими руками и головой. Именно в этом ответ на вопрос из заголовка: хороший курс получается не по одному промту, а из связки «качественный контекст → генерация по методологии → доработка экспертом».

Для тех, кто работает с чувствительными данными: в облачной версии под капотом работают GigaChat и Кандинский, а коробочная версия позволяет подключить любую модель, включая собственную LLM компании.

Заменит ли искусственный интеллект в обучении персонала методистов? Нет — но фокус работы сместится. Внимания к самим материалам — текстам, верстке, сборке тестов — будет требоваться все меньше: перепаковку берет на себя ИИ. Фокус методиста уходит в аналитику: валидировать данные, понимать причины разрывов в компетенциях, проектировать программы обучения и следить, чтобы компетенции учеников были действительно закрыты.

Будущее, которое мы представляем, выглядит как замкнутый цикл. Рабочие системы — CRM, записи звонков, контроль качества — передают данные в дата-хаб, где они очищаются и превращаются в оценку компетенций. LMS становится маршрутизатором обучения: сопоставляет разрыв между фактическим и целевым уровнем с форматами и программами, назначает обучение в момент, когда оно нужно, а после — замеряет, изменилось ли поведение.

Такой системы целиком пока нет ни у кого — в том числе потому, что бизнес в массе своей не оцифровывает действия сотрудников, а модели компетенций подменяются приближенными оценками вроде аттестаций. Но направление очевидно: компании, которые начнут работать от данных, получат сотрудников, обучающихся точно и вовремя. Остальные продолжат «бить из пушки по воробьям» универсальными курсами — и отставать.

Проверяйте запрос фильтром «нужен ли курс вообще» — возможно, проблема решается не обучением.

Не путайте информационные материалы с образовательными: первые сообщают, вторые меняют поведение.

Начинайте не с темы, а с образа результата — конкретных действий, которые сотрудник должен уметь выполнять.

Проектируйте в обратном порядке: образ результата → структура → практика → теория.

Требуйте данные вместо интерпретаций: звонки, этапы CRM, интервью с сотрудниками, матрицы компетенций.

Не грузите в промт устаревшие и противоречащие документы — ИИ красиво усилит ошибки.

Делайте разные программы для новичков и опытных: «среднего сотрудника» не существует.

Оценивайте ИИ-курс не по красоте, а по невидимому слою: на каких данных он построен и какое поведение меняет.

Время, освобожденное ИИ, инвестируйте в цифровые индикаторы работы сотрудников — это фундамент обучения будущего.