Готовность — это не любопытство: почему программа внедрения ИИ в вашем ведомстве зависит от людей, а не от моделей

Спросите руководителей технологических подразделений госсектора, сколько из них проводят пилотные проекты в сфере ИИ, и большинство поднимет руки. Спросите, у скольких из них есть вторая команда, использующая наработки первой, и большинство рук опустится.

Пилотный проект удался. Организация не изменилась.

Мы провели последний год, создавая программы по ИИ с клиентами из сферы госуправления, местного самоуправления и образования, а также запуская такую программу внутри собственной компании. Эта закономерность прослеживается везде: ведомства редко буксуют из-за самой модели; они буксуют из-за людей вокруг нее, организации рабочих процессов и уверенности в том, что кто-то доверяет лежащим в основе данным.

Любознательным сотрудникам нужен санкционированный способ использования ИИ

Интерес к ИИ — это не проблема. Ваши сотрудники уже проявляют любопытство, и многие из них уже самостоятельно пользуются потребительскими инструментами. Чего им обычно не хватает, так это более конкретных вещей: утвержденного инструмента для их роли, рекомендаций о том, что разрешено, а что нет, времени на эксперименты и уверенности в том, что возвращаемый ответ основан на данных, за которые организация несет ответственность.

Из кабинета руководства любопытство и готовность кажутся похожими, но в рабочих процессах они ведут себя совершенно по-разному. Коллектив, движимый любопытством, создает демоверсии. Готовый коллектив создает измененные процессы, которые продолжают жить и после ухода того, кто их начал.

Стандарты государственного сектора усложняют эту задачу, и вполне обоснованно. ИИ должен соответствовать требованиям конфиденциальности, безопасности, проверяемости, доступности, управления записями, закупкам и общественному доверию. Это означает, что ваши сотрудники должны знать не только то, как использовать ИИ, но и когда его использовать не стоит, а также как проверять результат, прежде чем он покинет их рабочий стол. Обучение само по себе не закроет этот пробел. Его закроет структура.

Четыре слоя, одна система

Масштабируемые программы рассматривают готовность как четыре взаимосвязанных слоя, а не как четыре рабочих потока, распределенные по четырем отделам.

• Миссия. Начните с результата, который уже важен для ведомства: завал по обращениям, доступ к записям, время отклика на запросы, непрерывность операций, аналитический потенциал. ИИ — это средство достижения результата, который организация уже измеряет.
• Люди. Базовые навыки владения для всех, более глубокие навыки для специалистов, ответственных за рабочий процесс, и четкие ожидания руководства относительно безопасного экспериментирования.
• Операционная модель. Один подотчетный владелец для каждого сценария использования, четкий путь утверждения, определенный порядок проверки человеком, измерения, поддержка и регулярный цикл обновления инструментов и политик по мере обучения организации.
• Основа данных. Данные, которые являются обнаруживаемыми, управляемыми, устойчивыми и пригодными для использования приложениями и агентами без создания новых изолированных хранилищ или ослабления имеющихся средств контроля.

Каждый слой дает сбой по предсказуемому сценарию, если отсутствуют остальные. Миссия без людей порождает пылящиеся на полке решения. Люди без операционной модели порождают теневой ИИ. Операционная модель без управляемых данных порождает уверенные, но ненадежные ответы. А данные без миссии порождают инфраструктуру без какого-либо внедрения. Если ваша программа застряла, одно из этих четырех предложений обычно объясняет почему.

Теневой ИИ — это симптом, а не проблема дисциплины

Когда у мотивированных сотрудников есть любопытство, но нет структуры, они находят обходные пути. Они используют личные аккаунты и неутвержденные инструменты, вставляют конфиденциальные данные в общедоступные модели и добиваются результатов, которые никто не может повторить или защитить в ходе аудита или запроса государственных записей. Это и есть теневой ИИ, и он обычно сигнализирует о том, что санкционированный путь сложнее обходного.

Запреты, как правило, уводят это поведение еще глубже в тень. То, что работает — это легитимный путь, по которому проще идти: утвержденный инструмент, назначенный владелец, процесс согласования, достаточно быстрый для реального использования, понятные всем требования к проверке человеком и место, куда можно обратиться, если застрял. Дайте людям это, и теневой ИИ сократится сам по себе.

Владение ИИ — это спектр

Самая частая ошибка при переквалификации — отправлять всех на один и тот же курс. Уверенное владение достигается поэтапно, и большей части вашего коллектива необходимо освоить первые два.

• Осведомленность: знает, что ИИ может, а что нет, знает правила, знает, где применяются утвержденные инструменты. Формируется с помощью коротких уроков и политик, написанных простым языком.
• Владение: ежедневно использует утвержденные инструменты, пишет хорошие промпты, проверяет результат, знает, вовремя ли остановиться. Формируется с помощью ролевых практикумов, разбора примеров из реальных кейсов и обмена опытом между коллегами.
• Практик: перестраивает рабочий процесс с участием ИИ, создает тестовый набор, определяющий, как выглядит правильный ответ, отвечает за исключения. Формируется через практические лаборатории и парную работу со специалистами.
• Создатель: подключает управляемые данные к приложениям и агентам, управляет процессами оценки и контроля вокруг них. Формируется благодаря глубокой технической поддержке и общей платформе.

Вы поймете, что сотрудник поднялся на ступень выше, по тому, что он умеет делать: проверять результат, отвечать за рабочий процесс и тестовый набор, управлять элементами контроля. Люди осваивают ИИ быстрее всего, изменяя привычную работу, поэтому обучение непосредственно в рамках рабочего процесса всегда превосходит общие концепции ИИ.

Что мы делаем внутри Everpure

Мы не просим клиентов делать то, что сами не готовы сделать. Наша внутренняя инициатива по формированию готовых к ИИ кадров призвана перевести компанию от широкого энтузиазма к практическому повседневному использованию через простой алгоритм: изучай, исследуй, создавай, делись.

Ее поддерживают четыре практики. Мы создали общую базу, чтобы у всех был единый словарь для ИИ, работы с данными и ответственного использования. Мы сделали обучение ролевым: короткие уроки, практикумы, лаборатории и консультационные часы, привязанные к реальной работе. Мы сделали внедрение наглядным с помощью презентаций, где сотрудники видят, как коллеги применяют ИИ к реальным задачам. И мы создали цикл обучения, который фиксирует то, что работает, и то, что требует изменения в инструментах, процессах или управлении.

Цель состоит в том, чтобы каждый сотрудник умел находить возможности, безопасно использовать утвержденный инструмент и эффективно работать со специалистами-разработчиками. Эта же цель применима и к кадрам государственного ведомства.

Сначала верните людям время

Существует предварительное условие, которое руководители часто упускают из виду: прежде чем просить команду заняться ИИ, сократите объем оперативного тушения пожаров, мешающего им учиться чему-то новому.

В нашем обзоре сессий государственного сектора на конференции Pure Accelerate 2026, озаглавленном «3 главных вывода для IT-лидеров госсектора с конференции Pure Accelerate 2026», три клиента сами того не ведая озвучили эту мысль.

• Округ Спринг-Бранч оправился от сбоя CrowdStrike в 2024 году примерно за два дня, поскольку его резервные копии были неизменяемыми и реплицированными, а небольшая ИТ-команда вернула свое время вместо того, чтобы тратить недели на восстановление.
• Управление технологических услуг Луизианы использовало снимки состояний (snapshots) и автоматизацию, чтобы сократить обновление крупной базы данных с более чем шестнадцати часов до практически мгновенного выполнения, а формирование отчетности — с девяноста минут до двадцати секунд.
• Департамент доходов штата Миссисипи рассматривает стандартизацию, контроль и проверяемость как обязательные условия для всего, что касается налоговых и казначейских данных, поэтому к моменту появления ИИ доверие к нему уже заложено изначально.

На первый взгляд, все это истории не про ИИ. Каждая из них — про потенциал, уверенность и возвращение времени людям, которые будут заниматься внедрением. Первая победа ИИ в плане продуктивности часто заключается в устранении ручной работы, которая мешает команде созидать.

Ваши сотрудники смогут свободно работать только с теми данными, к которым у них есть доступ и которым они доверяют.

Каждый вышестоящий уровень опирается на данные, которые организация может найти, упорядочить и которым может доверять. Ранее мы уже писали о «налоге в 80%» — доле времени реализации проекта ИИ, которая уходит на подготовку данных, а не на сам ИИ, и этот налог приходится платить заново для каждого нового сценария использования. Заказанный нами опрос IDC продемонстрировал сопутствующие человеческие затраты: каждый третий респондент сообщил, что его специалисты по работе с данными тратят более половины своего времени на ожидание ответов от ИТ-отдела.

Для нетехнического руководителя вывод прост. Ваши сотрудники не смогут свободно работать с данными, к которым у них нет доступа, и они не станут доверять ответу, происхождение которого невозможно отследить. Everpure Data Stream создана для того, чтобы сократить расстояние между документами, которыми ведомство уже владеет, и надежным, контролируемым ответом — на месте, с сохранением тех же средств контроля доступа, которые действовали для исходных файлов. Ценность заключается не в большем количестве ИИ. Ценность — это фундамент, на который ваши сотрудники смогут опираться неоднократно.

Вам не нужно решать всю свою стратегию в сфере ИИ за один квартал. Вам нужны доказательства того, что организация способна учиться и двигаться вперед.

• С 0 по 30 день: согласуйте цели. Назовите результат миссии и исполнительного спонсора. Выберите один рабочий процесс и одного ответственного владельца со стороны бизнеса. Определите затронутых сотрудников. Установите утвержденные инструменты, границы данных и требования к проверке человеком. Сформируйте исходный уровень процесса, который вы намерены изменить.
• С 31 по 60 день: учитесь и доказывайте. Оцените данные, лежащие в основе этого рабочего процесса. Создайте небольшую, измеримую версию совместно с людьми, которые будут ее использовать. Создайте тестовый набор, отражающий то, что ваши эксперты считают правильным ответом. Обучайте пользователей конкретному рабочему процессу, а не общему ИИ. Фиксируйте сбои и вопросы управления по мере их возникновения.
• С 61 по 90 день: внедряйте в работу. Измеряйте показатели внедрения, качества, сэкономленного времени, рисков и уверенности пользователей. Задокументируйте ответственность, поддержку, эскалацию и управление изменениями. На основе фактов примите решение: прекратить, улучшить или масштабировать. Выбирайте следующий сценарий использования только после того, как определите, что именно первый позволяет вам использовать повторно.

Критерии выхода важнее календаря. Подписанный исходный уровень и назначенный владелец. Рабочий процесс, протестированный на реальных примерах. Решение о прекращении, улучшении или масштабировании, которое вы можете обосновать.

Три вопроса, которые стоит задать

Если вы руководите ведомством, готовящимся к внедрению ИИ, три вопроса покажут ваше реальное положение дел.

• Какой рабочий процесс вашей миссии улучшили бы ваши сотрудники, если бы у них был надежный доступ к нужной информации?
• Какую способность должны развить ваши сотрудники, прежде чем этот рабочий процесс можно будет безопасно изменить?
• Какое ограничение в области данных, управления или операционной деятельности определит, сможет ли изменение масштабироваться?

Начните с одной миссии, одного рабочего процесса, одного упорядоченного набора данных и одной группы людей, готовых учиться на виду у всех. Именно так ИИ становится устойчивой возможностью государственной службы, а не очередным пилотным проектом, ожидающим разрешения на то, чтобы иметь значение.

С чего начать

Если ваш проект застрял на уровне данных, зарегистрируйтесь, чтобы попробовать Everpure Data Stream, и мы оценим состояние вашей основы и проложим путь от пилотного проекта до промышленной эксплуатации. Если проблема на уровне людей, отчет IDC о причинах провала проектов ИИ послужит полезной отправной точкой для разговора с вашей руководящей командой.