Даже самый продвинутый искусственный интеллект (ИИ) не может функционировать без человека. Устранение пробелов в ИИ-навыках критически важно для ускорения внедрения инноваций. Рассказываем, как выстроить систему развития ИИ-компетенций.
В перспективе на 20 лет 90% всех рабочих мест потребуют обладания цифровыми навыками, отмечается в базе Института статистических исследований ВШЭ. При этом расходы на искусственный интеллект бьют рекорды: по прогнозам IDC, к 2028 году они достигнут более 630 млрд долларов.
То есть компании понимают, что нужно использовать ИИ, выделяют на это деньги… Вот только работать с технологиями пока некому. Разрыв между стратегическими планами компаний по внедрению ИИ и реальной готовностью персонала работать с этими технологиями получил название AI Skills Gap.
Только 6% компаний обучили более четверти своих работников навыкам работы с ИИ, выяснили в консалтинговой компании BCG. Остальные продолжают покупать дорогие решения, которые некому настраивать, развивать и поддерживать.
Почему компании недооценивают масштаб проблемы
AI Skills Gap возникает не на пустом месте. Исследователи выделяют три ключевые причины, почему компании систематически недооценивают масштаб подготовки к работе с ИИ.
- Неравномерное внедрение ИИ
По данным McKinsey, 92% компаний планируют увеличить инвестиции в ИИ в ближайшие три года. Но внедрение происходит хаотично: маркетинг экспериментирует с ChatGPT для создания контента, разработчики тестируют GitHub Copilot, а финансисты продолжают работать в Excel образца 2003 года. Лоскутная автоматизация без системного подхода приводит к тому, что инвестиции в ИИ не окупаются, а разрыв в навыках только углубляется.
- Проблема обучения
Организации внедряют технологии, но забывают готовить людей. Академия бизнеса Б1, рейтинговое агентство «Эксперт РА» и hh.ru выяснили, что 60% российских компаний считают, что именно умение использовать ИИ в работе станет критически важными для специалистов в различных отраслях. Но между желанием и действием — пропасть из бюджетов, приоритетов и понимания, что именно нужно.
- Неопределенность в применении
«Мы будем использовать ИИ!» — говорят работодатели. «Как именно?» — спрашивают сотрудники. Ответа нет. Без четкого понимания бизнес-задач невозможно определить необходимые навыки. Получается замкнутый круг: нет стратегии — нет обучения — нет результатов — нет стратегии.
Выявить реальные пробелы в ИИ-компетенциях помогают аналитические инструменты Мираполис Таланты и Мираполис HCM. Системы проводят комплексный аудит текущих навыков через тестирование и «оценку 360», сопоставляют результаты и помогают выстроить карту развития компетенций.
Экосистема ИИ-навыков: от базовых до экспертных компетенций
Исследователи IBM выделяют четыре ключевые роли в экосистеме ИИ-навыков. Для успешной работы с ИИ компаниям нужен весь спектр компетенций.
ИИ-строители (AI Builders)
Специалисты по развертыванию генеративного ИИ, предиктивной аналитики, больших языковых моделей, обработки естественного языка, машинного обучения. Это архитекторы ИИ-будущего компании.
ИИ-переводчики (AI Translators)
Профессионалы, способные адаптировать ИИ-решения под бизнес-потребности и обеспечивать взаимодействие между техническими и бизнес-командами. Они понимают возможности ИИ и умеют перевести их на язык бизнес-задач. Без таких переводчиков даже самые продвинутые ИИ-решения остаются непонятными черными ящиками, в которые страшно инвестировать. AI Skills Gap часто проявляется именно в нехватке таких специалистов-мостов.
ИИ-пользователи
Сотрудники с базовыми навыками работы с ИИ-инструментами, включая промпт-инжиниринг. Это большинство персонала компании. Им не нужно программировать нейросети, но критически важно уметь формулировать эффективные промпты, понимать возможности и ограничения технологии. Это новая базовая грамотность — как умение работать с компьютером 20 лет назад.
Управленческие ИИ-компетенции
Руководители, понимающие возможности и ограничения ИИ для принятия стратегических решений. Они должны видеть не технические детали, а бизнес-потенциал: какие процессы автоматизировать, где ИИ создаст максимальную ценность, какие риски учесть.
Структурировать этот хаос помогает матрица компетенций. Решения Мираполис помогают классифицировать все ИИ-навыки. Через тестирование и самооценку определяется текущий уровень каждого сотрудника, после чего платформа строит персонализированный план развития.
Практические шаги к преодолению AI Skills Gap
Чтобы эффективно закрыть разрыв в ИИ-компетенциях, компаниям нужна четкая последовательность действий. Вот проверенная дорожная карта из четырех шагов.
- Оценить текущий уровень ИИ-грамотности. Начните с комплексного аудита.
- Какие ИИ-инструменты уже используются в компании?
- Кто из сотрудников умеет с ними работать?
- Где находятся самые критичные пробелы?
Проведите тестирование, опросите руководителей подразделений, проанализируйте результаты. Без базовой диагностики любые инициативы по обучению превратятся в стрельбу вслепую.
- Разработать поэтапную программу обучения. Определите пилотные группы — обычно это наиболее мотивированные сотрудники или отделы с максимальным потенциалом от внедрения ИИ. Начните с них, отработайте программы, соберите обратную связь. Затем масштабируйте на всю компанию.
- Создать систему непрерывного обучения новым технологиям. ИИ развивается стремительно — знания устаревают за месяцы. Нужна постоянно обновляемая экосистема развития. Выделите бюджет, назначьте ответственных, интегрируйте обучение в рабочие процессы.
- Интегрировать ИИ-компетенции в развитие карьеры. Покажите четкую связь: новые навыки = интересные проекты = карьерный рост = увеличение дохода. Сделайте владение ИИ-навыками частью системы грейдов и KPI.
Главные выводы
Технологии развиваются быстрее, чем компании успевают готовить людей. Ключевые факторы успеха в преодолении AI Skills Gap: системный подход к оценке компетенций, персонализированные программы развития, инклюзивность обучения (ИИ-навыки нужны всем — от стажера до CEO) и постоянное измерение эффективности.
Успешные организации не просто обучают сотрудников использованию ИИ-инструментов, но создают культуру непрерывного обучения и экспериментирования с новыми технологиями.
