Почему «просто дайте им ChatGPT» не работает

Недавно я был на встрече с топ-менеджерами крупных компаний. Человек 40-50. Ведущий спрашивает: «Кто знает, что такое Claude? Кто пробовал low-code?» Руку подняли трое — я и ещё два человека.

Это в 2026 году. Когда весь интернет пишет про замену всех на ИИ-агентов. Когда каждая конференция начинается с «AI changes everything». Когда в каждом втором резюме появилась строчка «работаю с ChatGPT».

Я подумал: а может, мы живём в двух параллельных реальностях?

Две реальности

Реальность хайпа: 88% компаний говорят, что «используют ИИ». ChatGPT набрал 800 миллионов пользователей в неделю. Каждая вторая презентация на борде содержит слово «AI-трансформация». Инвестиции растут, бюджеты утверждаются, стратегии рисуются.

Реальность фактов: только 4-6% компаний получают от ИИ измеримый финансовый эффект.

Давайте посмотрим на цифры внимательнее.

Deloitte опросил 3200 руководителей в 24 странах (State of AI in the Enterprise 2026). Доступ к ИИ-инструментам за год вырос с 40% до 60% сотрудников. Звучит как прогресс, правда? Но меньше 60% из тех, кто получил доступ, используют его хотя бы раз в день. Только 25% компаний перевели хотя бы 40% своих AI-экспериментов в продакшен. И самое важное: 84% компаний не пересмотрели сами рабочие процессы и должностные обязанности с учётом ИИ. Просто дали доступ и ждут чуда.

OpenAI выпустил первый отчёт по корпоративному использованию (State of Enterprise AI 2025). Главная цифра: «frontier workers» — топ-5% по интенсивности использования ИИ — отправляют в 6 раз больше запросов, чем средний сотрудник. А «frontier firms» — в 2 раза больше на одно рабочее место. За последний год еженедельные сообщения в ChatGPT Enterprise выросли в 8 раз. Использование Projects и Custom GPTs — в 19 раз. Потребление reasoning-токенов — в 320 раз.

Разрыв не уменьшается. Он растёт. Кто вошёл — ускоряется экспоненциально. Кто не вошёл — отстаёт всё сильнее.

Lucidworks (AI Benchmark Study 2025, 1600+ AI-лидеров, 1100 компаний): более 70% организаций внедрили генеративный ИИ в операции. Но только 6% полностью внедрили агентный ИИ. При этом 83% AI-лидеров испытывают серьёзную обеспокоенность — в 8 раз больше, чем два года назад. Обеспокоены не тем, что ИИ не работает — а тем, что не могут масштабировать.

California Management Review (ноябрь 2025) назвал это «missing middle» — пропасть между амбицией и результатом. Менее 40% инициатив по автоматизации дают измеримую ценность (Deloitte CFO Survey). Только 30% AI-пилотов масштабируются (McKinsey). И это не новость — исследования показывают одно и то же три года подряд.

Wharton/GBK (октябрь 2025): 72% бизнес-лидеров начали отслеживать ROI от ИИ. 60% компаний создали позицию CAIO. 67% CEO лично возглавляют AI-инициативы. Но при этом почти половина организаций фиксируют нехватку технических навыков у сотрудников. Маркетинг и продажи — среди аутсайдеров по adoption, что удивительно при количестве use-кейсов.

MIT/Fortune 2025: 95% AI-пилотов не дают результата на уровне P&L.

Итого: доступ есть, бюджеты есть, намерения есть. Результата — нет. Почему?

Где ломается: анатомия провала

Проблема не в технологии. Инструменты доступны, подписки стоят копейки. Проблема в том, что никто не показал людям, ГДЕ в их конкретной работе ИИ даст ощутимую пользу.

Это как дать человеку абонемент в спортзал без тренера. Он придёт, посмотрит на тренажёры, сделает пару подходов наугад и больше не вернётся. Не потому что лень — потому что непонятно, что именно делать.

Я наблюдаю это в своих компаниях и в десятках консультаций. Руководитель говорит: «Мы внедряем ИИ». На практике это значит: купили подписку на Copilot, провели один вебинар «Как использовать ChatGPT в работе», сделали Slack-канал #ai-tools. Через месяц в канале тишина, Copilot используют три человека из пятидесяти, а руководитель говорит: «Ну, видимо, наши люди пока не готовы».

Люди готовы. Подход неправильный.

Пять психологических барьеров, которые убивают adoption

Прежде чем говорить о решении, важно понять, ПОЧЕМУ люди не используют ИИ, даже когда доступ есть. Это не лень и не луддизм. За этим стоят конкретные психологические механизмы:

1. Algorithm Aversion — «Одна ошибка = отказ навсегда»

Dietvorst et al. (2015) показали: достаточно одной ошибки алгоритма, чтобы человек перестал ему доверять — даже если алгоритм в целом точнее человека. ИИ галлюцинирует один раз — и человек говорит: «Я так и знал, ерунда всё это». Решение: позиционировать как learning system, показывать динамику улучшений, а не продавать как «идеальный инструмент».

2. Identity Threat — «Боюсь выглядеть заменяемым»

Microsoft/LinkedIn (2024): 53% сотрудников боятся, что использование ИИ продемонстрирует, что их работа может быть автоматизирована. Парадокс: те, кто мог бы больше всего выиграть от ИИ, больше всех его боятся. Решение: framing «AI делает тебя сильнее», а не «AI делает тебя ненужным». Сотрудник — кентавр, а не жертва.

3. Blank Page Syndrome — «Открыл ChatGPT, не знаю что спросить»

Человек заходит в ChatGPT, видит пустое поле ввода и не знает, с чего начать. Это как дать человеку фортепиано и ждать, что он сам научится играть. Решение (BJ Fogg Behavior Model): готовые шаблоны под конкретные задачи, habit stacking — встроить ИИ в уже существующие действия. «После того как открыл отчёт — вставь в Claude и попроси сделать саммари».

4. Psychological Safety — «Страх ошибиться»

Edmondson + BCG (2025): если в команде нет психологической безопасности, люди не будут экспериментировать с ИИ. Потому что эксперимент = возможность ошибки = возможность осуждения. Решение: лидеры используют ИИ публично и делятся своими ошибками. «Я попросил Claude написать письмо клиенту, получилось ужасно — вот что я поменял».

5. 10-Hour Gap — «Бросили, не дойдя до aha»

Ethan Mollick (Wharton): нужно примерно 10 часов активной работы с ИИ, чтобы наступил «aha-момент» — понимание, как это реально меняет работу. Но большинство бросают на второй-третий попытке. Решение: спроектировать «aha» за 5 минут на РЕАЛЬНОЙ задаче человека. Не «посмотри как ChatGPT пишет стихи» — а «вот твой конкретный отчёт, который ты делал 3 часа, готовый за 15 минут».

Другой подход: начни с наблюдения, а не с инструмента

Я пришёл к мысли, что внедрение ИИ в компании — это не IT-проект. Это задача, близкая к CustDev и CJM, только направленная не на клиента, а внутрь компании.

Помните Customer Journey Map — карту пути клиента? Вот представьте то же самое, но для сотрудника: Work Journey Map — карта реального рабочего дня, с наложением точек, где ИИ может создать многократное усиление.

Все McKinsey и Deloitte делают это сверху вниз: руководство решает → IT внедряет → сотрудников обучают. И получают 4-6% успеха.

Я предлагаю снизу вверх. Это, по сути, AI CustDev: методология customer development, применённая к собственным сотрудникам и процессам. Сначала — посмотреть, как люди реально работают. Потом — найти точки боли. Потом — встроить ИИ именно туда. Не «дать инструмент», а «убрать боль».

Пять шагов: Shadow → Decode → Design → Activate → Scale.

Фаза 1: SHADOW — наблюдай за реальностью

1–2 недели

Принцип: Гемба-подход из Toyota — «иди и смотри». Не спрашивай «что вам нужно» — наблюдай, что люди делают.

Что делать

Не спрашивай «какие задачи вы бы хотели автоматизировать?» — люди не знают, что можно автоматизировать. Они оптимизируют в рамках известного. Как писали Beyer & Holtzblatt ещё в 1997 году: «Пользователи не могут рассказать о своей работе абстрактно — нужно наблюдать in situ».

Четыре метода сбора данных

Shadowing (теневое наблюдение). Присутствие на реальных коллах, встречах, процессах. Без вмешательства. Записи с согласия. Инструменты: Otter.ai, Fireflies.ai, tl;dv для автотранскрипции.

Дневник задач (Task Diary). Участники записывают каждые 2 часа: что делал, сколько времени, какие инструменты, что бесило. Формат максимально простой — Google Forms, Notion или Telegram-бот. Важно: не в конце дня ретроспективно, а в процессе.

Скриншот-аудит. Участники делают скриншоты экрана в случайные моменты дня → анализ реальных инструментов и паттернов. RescueTime и ManicTime могут автоматизировать. Это показывает, ЧЕМ люди реально пользуются, а не чем говорят, что пользуются.

Контекстное интервью (Contextual Inquiry). Разговор ПРЯМО в процессе работы: «покажи, как ты делаешь отчёт» — не в переговорке через час после, а за столом в момент выполнения. Loom-записи, голосовые в Telegram.

Что получится на выходе

• Транскрипты 15–30 рабочих сессий и коллов
• Дневники задач от 10+ людей за 5 рабочих дней
• Сырая база паттернов: что делают, сколько времени, какие инструменты

Фаза 2: DECODE — найди паттерны и боль

1–2 недели

Принцип: Braun & Clarke's Thematic Analysis + Conversation Intelligence — кластеризация не по темам или отделам, а по типам боли.

Что делать

Загружаешь всё собранное в ИИ и ищешь паттерны. Но кластеризуй не по отделам и не по функциям — по типам боли: «трата времени на рутину», «потеря информации между людьми», «непонимание в коммуникации», «ошибки от усталости», «задержки из-за согласований».

Четыре метода анализа

AI-кластеризация транскриптов. Загрузка всех транскриптов в Claude Projects или NotebookLM с промптом на выявление: повторяющиеся жалобы, точки затора, эмоциональные маркеры. Не ручная сортировка — именно AI-анализ большого объёма неструктурированных данных.

Матрица трения (Friction Matrix). Для каждого процесса считаешь: частота × время × эмоциональная нагрузка. Чем выше произведение — тем выше приоритет.

Sentiment & Psychotype анализ. Conversation intelligence — анализ тональности разговоров. Когда ИИ показывает: вот в этом месте в каждом третьем созвоне падает sentiment, вот тут люди начинают говорить одновременно — это как тепловизор для рабочих процессов.

Task Decomposition (по Brynjolfsson). Каждая должность → список задач → оценка каждой задачи по четырём параметрам: рутинность, когнитивная сложность, потребность в эмпатии, объём данных. Harvard/BCG показали на исследовании с 758 консультантами: ИИ драматически улучшает одни задачи (+40%) и ухудшает другие (-19%). Они назвали это «Jagged Frontier» — неровная граница возможностей.

Что получится на выходе

• Карта трения: топ-20 процессов/задач, ранжированных по боли
• Эмоциональная карта: где в коммуникациях «всё ломается»
• Task Map: декомпозиция ролей на задачи с оценкой AI-пригодности

Фаза 3: DESIGN — спроектируй решение в точке боли

1–2 недели

Принцип: BJ Fogg — Behavior = Motivation × Ability × Prompt. Каждое решение должно отвечать на все три компонента.

Что делать

Не «давайте внедрим ChatGPT для всех». Это как дать всем одно лекарство без диагноза. Каждое решение привязано к конкретной боли конкретных людей.

Четыре метода проектирования

Jagged Frontier фильтр. Для каждой проблемной зоны из топ-5: попадает ли задача ВНУТРЬ возможностей ИИ? Матрица 2×2: ось X — ценность решения, ось Y — AI-пригодность.

Habit Stacking Design. Формула: «После [существующее действие] я [AI-действие]». Не новый инструмент — встройка в текущий workflow. «После получения брифа от клиента → загрузить в Claude для первичного анализа».

Прототип «Aha-момента». Для каждого решения: какой ПЕРВЫЙ опыт покажет человеку ценность за 5 минут? Не «посмотри как ChatGPT пишет стихи» — а «вот твой конкретный отчёт, который ты делал 3 часа, готовый за 15 минут».

COM-B диагностика. Для каждого сегмента пользователей: что является барьером?

• Capability (не умею) → нужно обучение
• Opportunity (нет доступа/времени) → нужна инфраструктура
• Motivation (не хочу/не вижу смысла) → нужно показать ценность

Фаза 4: ACTIVATE — от пилота к привычке

4–8 недель

Принцип: Champion Network + Social Proof. BCG: когда лидеры публично поддерживают AI, позитивное отношение сотрудников растёт с 15% до 55%.

Три метода активации

Набор AI-чемпионов (5-10% команды). Найти «ранних адоптеров» — тех, кто уже что-то пробует. Дать им ресурсы, статус, время. Их задача — не обучать, а показывать. GitHub AI Advocates: «Когда инженер видит, как коллега сэкономил час конкретным промптом — это мощнее любого мандата сверху».

Пилот «Один процесс — одна команда». Внедрить ОДНО решение в ОДНУ команду. Измерить до/после: время, качество, удовлетворённость. Так делал JPMorgan — и только после подтверждённых результатов раскатывал на всю компанию.

Show & Tell ритуал. Еженедельная 15-минутка: чемпионы показывают свои AI-находки. «Раньше делал X за 2 часа, теперь за 20 минут, вот как». Это создаёт curiosity у тех, кто ещё не попробовал.

Фаза 5: SCALE — система, а не хаос

Непрерывно

Принцип: McKinsey Rewired — workflow redesign имеет НАИБОЛЬШИЙ эффект на EBIT из 25 атрибутов AI-зрелости.

Четыре метода масштабирования

Codification: от личных промптов к командным системам. Лучшие промпты и workflow чемпионов → стандартные шаблоны для всей команды. Ключевое: систематизировать не промпты, а МЫШЛЕНИЕ — как ставить задачу ИИ.

Цикл Shadow → Decode (повторение). Каждые 3 месяца: новый раунд наблюдения. ИИ-ландшафт меняется, появляются новые возможности.

AI Governance Light. Минимальные правила: что можно, что нельзя, политика данных. Не 50-страничный документ — одностраничник с примерами.

P&L интеграция. AI-эффект в ежемесячном P&L: конкретная строка «AI-driven efficiency». Когда AI-impact виден в финансовом отчёте — это перестаёт быть «экспериментом».

Ключевая формула

BCG 70-20-10: 70% инвестиций в ИИ должно идти на изменение того, КАК люди работают. 20% — на данные и инфраструктуру. 10% — на алгоритмы и модели. Большинство компаний инвертируют эту формулу.

Почему этот подход работает

Все существующие фреймворки — top-down: руководство решает, IT внедряет, сотрудников обучают. Мой подход — bottom-up: наблюдаем реальную работу → находим боль → встраиваем ИИ в процесс.

Три ключевых отличия:

1. Начинаем с наблюдения, а не с технологии. Не «какой ИИ-инструмент купить?», а «где людям больнее всего?»
2. Кластеризуем по боли, а не по отделам. Одна проблема может быть в пяти отделах — одно решение закрывает все.
3. Масштабируем через чемпионов, а не через мандаты. Peer-driven adoption в 10 раз эффективнее корпоративных тренингов.

Что дальше

Я планирую пройти этот путь в своих компаниях — Blue Sleep и рекламное агентство. Задокументировать каждый шаг, замерить результаты, показать что получится. Потому что единственный честный способ предлагать методологию — сначала проверить её на себе.

Если вы чувствуете тот же разрыв — когда инструменты есть, а результата нет — возможно, дело не в людях и не в технологии. Дело в подходе. Не давайте людям инструмент. Покажите им, где в их конкретной работе этот инструмент меняет правила игры.

Shadow → Decode → Design → Activate → Scale. Цикл повторяется каждый квартал.

Источники: OpenAI State of Enterprise AI 2025, Deloitte State of AI in the Enterprise 2026, Lucidworks AI Benchmark Study 2025, Wharton/GBK 2025, California Management Review 2025, Dell'Acqua et al. Harvard/BCG 2023, BCG AI@Scale 2024, McKinsey Rewired, MIT/Fortune 2025, BJ Fogg Behavior Model, Dietvorst et al. 2015, Microsoft/LinkedIn 2024, Ethan Mollick Wharton, GitHub AI Advocates Playbook.