28 мая мы провели в Альпине закрытую мастер-встречу про то, как растить ИИ-компетенции в команде без миллионных бюджетов. На встречу подключились более 150 специалистов из фармы, ритейла, IT, логистики и банков. Я рассказывал про наш путь в AlpinaGPT, коллеги показывали свои кейсы в маркетинге, продажах и разработке, в зале задавали вопросы CTO и L&D-директора крупных российских компаний. После трёх часов разговоров у меня осталось одно главное наблюдение — то, ради чего я и пишу эту статью.
Меня зовут Жемал Хамидун, я CPO AlpinaGPT, Head of AI Alpina Digital и автор тг-канала «Готовим ИИшницу». Главное наблюдение простое: разрыв в ИИ-компетенциях растёт. Одни сотрудники работают с моделями ежедневно, у них уже свой стек, свои шаблоны, своя память между сессиями и встроенные в рабочий процесс агенты. Другие открыли ChatGPT один раз, написали что-то вроде «составь мне отчёт», получили шаблонный текст без контекста, решили, что инструмент бесполезный, и закрыли вкладку. Между этими двумя сотрудниками разрыв растёт каждый месяц быстрее, чем компании успевают его закрывать обучением.
Разрыв в компетенциях растёт быстрее, чем обучение его закрывает
Главная цифра, которую я показывал на мастер-встрече, — из свежего отчёта DataCamp и YouGov State of Data & AI Literacy 2026 (опрос 517 enterprise-руководителей в США и Великобритании, декабрь 2025 — февраль 2026). 82% компаний уже предоставляют ИИ-обучение для сотрудников, и при этом 59% этих же компаний сообщают, что разрыв в ИИ-компетенциях у них всё равно сохраняется. 23% опрошенных заявили, что программы обучения не адаптированы к конкретным должностным обязанностям, 21% опрошенных говорят, что сотрудникам сложно понять, с чего начать. То есть деньги в обучение пошли, программы запустили, лицензии раздали — а сотрудники в массе своей по-прежнему не владеют ИИ на нужном уровне.
Microsoft в своём Work Trend Index 2025 опросил 31 000 работников в 31 стране. Среди руководителей 67% сказали, что знакомы с ИИ-агентами. Среди рядовых сотрудников — только 40%. 27 процентных пунктов разницы только по одному вопросу понимания технологии: руководитель уверен, что команда «знает про агентов и движется в эту сторону», а команда в массе своей о них даже не слышала. Это и есть тот разрыв, на котором ломаются корпоративные программы внедрения.
И ещё одна важная причина в том, что темп изменений инструмента опережает темп усвоения. Anthropic в феврале 2026 года объявил Series G на $13 млрд при оценке $380 млрд: по данным компании, run-rate revenue вырос с $14 млрд в феврале до примерно $30 млрд к апрелю того же 2026 года (Bloomberg, 6 апреля), и Anthropic сама характеризует свою динамику как «more than 10x annually for each of the past three years». То есть бизнес-метрика передового вендора AI растёт в десять и более раз ежегодно, и за этой метрикой стоит реальное масштабирование возможностей продукта.
Человек физически не успевает обновлять привычки в таком темпе, и именно поэтому разрыв нарастает не из-за лени отстающих, а из-за самой динамики технологии: те, кто уже работает с ИИ ежедневно, ускоряются вместе с инструментом, а остальные остаются на уровне, который у них сформировался, когда они в последний раз пробовали.
Как разрыв выглядит в маркетинге
В маркетинге разрыв заметнее всего, потому что стоимость рекламы в последние месяцы выросла кратно. У нас в Альпине CPC в Я.Директе удвоился к прошлому году, и тот маркетолог, у которого нет собственного ИИ-стека, теряет конкурентоспособность быстрее всего — за тот же бюджет он просто не может произвести нужный объём работы.
На мастер-встрече об этом рассказывал Александр Пронин, наш digital-маркетолог. Он сам собрал три рабочих сервиса для повседневных задач — без выделенного бюджета и без штата разработчиков, просто на собственных компетенциях и доступе к Claude Code. Самый показательный кейс — A/B-тест в ВК, где сравнивались статичные креативы и видеоролики с моим цифровым аватаром. Лид с обычной кампании стоил 2 000 ₽, с кампании с ИИ-аватаром — 400–500 ₽, при этом аудитория не заметила, что аватар не настоящий.
Главная идея Александра, с которой я полностью согласен: «За ИИ-маркетологом следит маркетолог. За ИИ-разработчиком следит разработчик. Без своих людей со своим стеком вы слепы». Если компания покупает у внешнего подрядчика готовое решение под ключ за миллион, через год от инициативы остаётся слайд в отчёте — потому что подрядчик ушёл, ключевые знания ушли с ним, и кнопки нажимать некому. По нашему опыту единственный устойчивый путь — растить своих маркетологов: дать им доступ к инструментам, время на эксперименты, право на провалы и видимость для тех, кто уже что-то собрал.
Как разрыв выглядит в продажах
В продажах разрыв виден ещё яснее, потому что у каждого менеджера есть свой план и свой набор сделок, и неравенство между «менеджером с ИИ» и «менеджером без ИИ» материализуется в KPI каждый месяц.
Этот блок на мастер-встрече вела Ольга Староста, наш руководитель корпоративных продаж. Она показала четыре повседневных кейса. Первый — ИИ-агент в Telegram, который читает записи 20 менеджеров в Битриксе и выдаёт отчёт по пяти направлениям: активность дозвонов, настроение клиента, типы возражений, сильные стороны менеджера и зоны роста. Раньше на аналитику звонков уходила неделя ручного прослушивания, теперь получается 30-секундный отчёт по любому из двадцати менеджеров. Второй кейс — расчёт бонусов команды: то, что отнимало у финансового менеджера 6–8 часов работы каждый месяц, теперь занимает 45 минут. Третий — перераспределение отраслей между менеджерами с учётом потенциала клиентских компаний и динамики каждой отрасли; разброс нагрузки сократился с типичных 50% с лишним до меньше 20%, а сам расчёт — с нескольких недель планёрок до одного вечера. И четвёртый — подбор сотрудников: парсинг резюме на HeadHunter под ТЗ вакансии, транскрипт интервью с разбором по STAR-структуре (ситуация, задача, действия, результат), генерация тестового задания и сравнительная матрица финалистов в одной таблице.
Главное, что Ольга подчёркивала несколько раз: всё это работает не благодаря какому-то техническому волшебству, а благодаря привычке обращаться к модели на каждой конкретной задаче. Я процитирую её реплику с мастер-встречи: «Я даю запросы ИИ на максимально на простом языке. Когда что-то не получается, я ему пишу: у меня не получается, скажи мне, что мне сделать. И он мне отвечает». Это и есть рабочий уровень оператора: никакой специальной науки тут не нужно, нужна сформированная привычка.
И ещё одна важная вещь — учить менеджеров надо на их собственных рабочих задачах, не на абстрактных промптах из общего курса. По нашим внутренним замерам общие тренинги «как промтить» дают примерно 23% adoption, а тренинги на конкретных кейсах конкретных сотрудников — 67%. Разница почти в три раза, и она бесплатная по затратам времени: просто меняется содержание программы.
Как разрыв выглядит в разработке
В разработке Skills Gap проявляется иначе. Здесь разрыв уже не между теми, кто пользуется ИИ и кто не пользуется, а между теми, кто работает в режиме оператора, и теми, кто перешёл в режим дирижёра — оркестрирует агентов и автоматизации в фоне, пока сам думает над архитектурой.
Этот блок на мастер-встрече вёл Сергей Андриянов, наш CTO. Их команда столкнулась с типичной болью быстро растущей разработки: код-ревью занимало в среднем двое суток, и за месяц на одну команду из пяти разработчиков уходило около 100 человеко-часов только на проверки. Сергей собрал мультиагентную систему из трёх специализированных агентов — библиотекарь читает требования из трекера, исследователь знает кодовую базу, ревьюер пишет замечания с привязкой к строкам, — и обернул их в детерминированный workflow. После внедрения время ожидания упало с двух суток до часов, на рутинных MR — до 15–20 минут, и команда освободила около 100 рабочих часов в месяц на разработку. Точность системы выросла с 70% до 90%+ после месяца дообучения на конкретной кодовой базе.
У Сергея было одно особенно контринтуитивное наблюдение, которое я отдельно подсветил: в их системе сейчас 70% это детерминированный workflow и только 30% самостоятельных агентов, и это сознательный выбор. Полностью автономный агент в продакшене непредсказуемый, дорогой, плохо отлаживается, и в случае ошибки последствия растворены по десяти вызовам модели. Workflow с агентами внутри узких задач, наоборот, дёшево, предсказуемо и легко исправляется. Это важный месседж для всех, кто сейчас покупается на хайп вокруг автономных AI-агентов: автономия имеет свою цену, и в большинстве корпоративных кейсов вам нужны узкие специализированные агенты внутри жёсткого процесса, а не один большой агент, который «сам разберётся».
Наш путь в продукте: четыре стадии за три года
Продуктовый блок я вёл сам. Главное, что я хотел рассказать на мастер-встрече, — это путь нашей собственной платформы AlpinaGPT с 2023 по 2026 год, потому что мы прошли все четыре стадии корпоративной ИИ-трансформации на себе и поэтому понимаем, где компании ломаются чаще всего.
Если коротко. В 2023 году мы стартовали с внутреннего эксперимента: пробовали ИИ в переводах книг, аудиокнигах через ElevenLabs, диалоговом боте-библиотекаре. Половина пилотов закрылась, и это нормальный исход первой стадии. В 2024 году собрали платформу AlpinaGPT для себя, потому что поняли, что на массе сотрудников разные подписки на разные модели становятся неуправляемыми, а данные в публичные сервисы передавать нельзя. В 2025 году пришли первые внешние клиенты — FM Logistic, Lab Industries, «Лукойл», «Транснефть», Hoff. К 2026 году AlpinaGPT стал выделенным бизнес-юнитом с 9 000+ активных пользователей и 40+ корпоративных клиентов.
Главный вывод, который я транслирую теперь клиентам: основное препятствие не в модели и не в инструменте, оно в том, как компания распределяет бюджет внутри своей AI-программы. Большинство тратит 80–90% денег на сам инструмент — лицензии и платформу, — и 0–5% на обучение и сопровождение. Перемножьте: получается тот самый сценарий, когда из 200 подписок ChatGPT активно пользуются 9 человек. Рабочая пропорция, к которой мы пришли на своём опыте и опыте клиентов, выглядит так: 70% бюджета на людей и процессы (обучение под роли, AI-чемпионы, пересмотр KPI, ритуалы обмена кейсами), 20% на инфраструктуру (SSO, единое окно, база знаний, логирование), 10% на сам инструмент. Большинство компаний инвестирует ровно наоборот и потом удивляется, почему обучение не даёт adoption.
Мы живём в пузыре — и это самая опасная ловушка
Тем, кто читает эту статью, скорее всего, кажется, что продвинутых пользователей ИИ вокруг очень много, что Cursor и Claude Code давно стали стандартом, а агенты в фоне — обыденность. Это иллюзия, которая возникает потому, что вокруг каждого из нас собрана среда из таких же. Реальные цифры выглядят иначе, и они сильно отрезвляют.
McKinsey State of AI 2025, опубликованный в ноябре 2025 года, показал, что только 23% компаний хоть как-то масштабируют ИИ-агентов хотя бы в одном бизнес-процессе. Ещё 39% находятся на стадии экспериментов и не вышли в производство, остальные 38% даже не начали. Microsoft в своём свежем Work Trend Index 2026 (опрос 20 000 работников ИИ в 10 странах) приводит ещё одну сильную цифру: 58% пользователей ИИ говорят, что делают сейчас работу, которую год назад делать не могли, а среди тех, кого Microsoft называет Frontier Professionals, — 80%. То есть передовая часть пользователей ИИ за год получила реальный апгрейд возможностей, в то время как средний сотрудник остался примерно на том же месте.
В России картина ещё драматичнее. По данным Яков и Партнёры, 71% российских компаний используют генеративный ИИ хотя бы в одной функции — это на 17 процентных пунктов больше, чем годом ранее. Рост есть, но в подавляющем большинстве случаев это «попробовали один раз», а не системное внедрение.
До уровня оператора — людей, у которых есть собственный стек, шаблоны и привычка работать с ИИ ежедневно, — по моим наблюдениям из десятков клиентских аудитов, доходят единицы процентов сотрудников любой средней компании. До уровня дирижёра, который оркестрирует агентов и автоматизации в фоне и у которого изменился сам состав ежедневных задач, — меньше процента. Именно эта доля даёт компании реальное конкурентное преимущество в 2026 году, и разрыв между ней и всеми остальными — это и есть тот Skills Gap, который покупкой ещё одного курса промт-инжиниринга не закроешь.
Что делать компании, чтобы сохранить конкурентоспособность?
В завершение скажу про три вещи, которые я бы рекомендовал любой компании сделать на этой неделе — без больших стратегических сессий и многомесячных дорожных карт.
Первое — найти у себя AI-чемпионов. В любой команде сейчас уже есть один-два человека, которые работают с ИИ всерьёз: собрали свой стек, делают что-то на Claude Code, ведут свои промпт-библиотеки, рассказывают коллегам без указания сверху. Их не надо назначать приказом, потому что формально назначенный «AI-чемпион» почти всегда оказывается красивой ролью без гравитации. Лучше заметить тех, кто уже сам начал, и дать им видимость, время и право делиться практикой — по нашему опыту это работает в разы сильнее, чем любая официальная программа.
Второе — запустить обучение на конкретных рабочих задачах конкретных ролей. Не общие курсы «как промтить нейросеть», а программы под задачи маркетинга, продаж, юристов, HR — каждая со своими сценариями, шаблонами и кейсбуком. Разница в adoption между этими двумя форматами по нашим замерам — почти в три раза, при тех же часах на сотрудника. Универсального курса, который подойдёт всем, не существует: маркетологу нужен один набор сценариев, юристу — другой, аналитик живёт в третьем ритме.
Третье — не покупать платформу под ключ у внешнего подрядчика, если вы не готовы параллельно растить внутренние компетенции. Это, пожалуй, самая частая ошибка последних двух лет: внедрили AI-решение за 2 миллиона, подрядчик ушёл, ключевые знания тоже ушли с ним, кнопки нажимать некому. Через год от инициативы остаётся слайд в отчёте, а Skills Gap внутри компании за этот год успел вырасти ещё сильнее. Альтернатива — параллельно с любым внедрением постоянно обучать команду навыкам работы с ИИ, потому что без этого никакая платформа долго не живёт.
Если хочется посмотреть мастер-встречу полностью — все выступления и презентации спикеров мы выложили в нашем телеграм-канале «Дело в промпте». Там есть и кейсы Александра Пронина по маркетинговым сервисам, и подробный разбор кейсов Ольги Старосты по продажам, и архитектура мультиагентной системы Сергея Андриянова, и полный разбор моего выступления про путь AlpinaGPT и шесть переводов корпоративного «нет». В канале регулярно публикуем кейсы клиентов, готовые промпты и разборы внедрений.
А если хочется понять, где сейчас именно ваша компания и куда инвестировать первый рабочий бюджет в ИИ-обучение, можно записаться на разбор с командой AlpinaGPT. На созвоне разбираем вашу ситуацию: на каком уровне зрелости сейчас сотрудники, в какие отделы и под какие задачи внедрять первыми, какая программа корпоративного обучения подойдёт под вашу специфику. По итогам у вас на руках конкретная дорожная карта на ближайшие 90 дней.
Расскажите в комментариях, на каком уровне сейчас в среднем сотрудники вашей команды: пользователь, оператор, дирижёр? Как развиваете компетенции?
Источники
MEGA_Nexus
Но при этом в рамках одной компании у них будет примерно одинаковый уровень зарплаты, хотя фактически они будут выполнять разный объём работы.