Обучение сотрудников ChatGPT и другим нейросетям: чему действительно нужно учить команду
Компании всё чаще дают сотрудникам доступ к ChatGPT, Claude, GigaChat, ЯндексGPT, DeepSeek и другим нейросетям. Кто-то начинает использовать их для писем и текстов, кто-то загружает документы, кто-то пробует анализировать данные. Через некоторое время становится заметно, что сам доступ к ИИ ещё не означает его полноценного использования в работе.
Мы больше года практически ежедневно работаем с компаниями и видим одну и ту же ситуацию изнутри. В одной команде несколько сотрудников быстро находят полезные сценарии и начинают экономить часы работы, остальные продолжают использовать нейросеть как улучшенный поисковик. В другой компании люди получают готовые промпты, но через две недели почти перестают ими пользоваться. В третьей сотрудники активно экспериментируют, однако каждый делает это по-своему, и общий эффект для бизнеса практически невозможно оценить.
Поэтому корпоративное обучение нейросетям стоит строить вокруг реальных рабочих задач сотрудников. Важно, чтобы человек понимал, какую часть своей работы можно передать ИИ, какой инструмент выбрать, какие материалы дать модели, как сформулировать задачу и каким образом проверить полученный результат.
Для бизнеса результат такого обучения достаточно конкретный: сотрудник начинает выполнять часть регулярной работы быстрее, системнее и с меньшим количеством ручных операций.
Сначала сотрудники должны научиться правильно ставить задачу
Одна из самых частых ошибок начинающих пользователей — слишком короткий запрос. «Напиши письмо клиенту», «проанализируй отчёт», «сделай коммерческое предложение», «подготовь план». Нейросеть выполнит команду, но ей придётся самостоятельно додумывать большую часть контекста, поэтому ответ часто получается общим.
На обучении мы уделяем много внимания постановке задачи. Сотрудник должен уметь объяснить ИИ, что именно требуется сделать, для кого готовится результат, какие исходные материалы необходимо учитывать, какие существуют ограничения и в каком виде нужен итоговый ответ.
Например, менеджер может загрузить заметки после переговоров, описание продукта, цены и информацию о клиенте, а затем попросить нейросеть подготовить структуру коммерческого предложения с учётом того, что обсуждалось на встрече. В таком сценарии качество результата определяется прежде всего качеством контекста.
Это работает одинаково в ChatGPT, Claude, GigaChat, ЯндексGPT и других моделях. Интерфейсы и возможности сервисов различаются, но принцип работы сотрудника остаётся похожим: сначала контекст и задача, затем результат и его проверка.
Работа с файлами намного важнее сотни готовых промптов
В реальной компании почти любая задача связана с собственными материалами. У сотрудников есть документы, таблицы, презентации, переписка, коммерческие предложения, отчёты, исследования, инструкции, регламенты, протоколы совещаний и данные клиентов.
Поэтому обучение сотрудников ChatGPT и другим нейросетям обязательно должно включать работу с файлами. Руководитель может собрать несколько отчётов подразделений и получить единую управленческую сводку. Отдел продаж — сравнить предложения конкурентов или поставщиков. HR — структурировать информацию из резюме по заданным критериям. Маркетолог — проанализировать результаты рекламных кампаний и найти повторяющиеся закономерности.
При этом сотруднику важно объяснять правила работы с корпоративной информацией. Какие документы допустимо загружать в выбранный сервис, какие данные требуют обезличивания, какие инструменты разрешены внутри компании и где необходимо использовать закрытый корпоративный контур. Это должно быть частью обучения с самого начала.
Нейросеть полезна далеко за пределами генерации текстов
Когда сотрудники впервые знакомятся с ИИ, они чаще всего начинают с текстов. Письмо, описание продукта, пост, поздравление, объявление. Это понятные задачи, на которых легко увидеть результат, но для бизнеса потенциал нейросетей значительно шире.
Мы обычно показываем сотрудникам сценарии, связанные с их непосредственной работой. Например, руководитель загружает отчёты подразделений и просит найти вопросы, которые повторяются несколько недель, задачи с постоянными переносами и проблемы, требующие его решения. Специалист по закупкам сравнивает несколько предложений поставщиков по заданным параметрам. Продажи анализируют историю переговоров перед следующей встречей. Маркетинг собирает выводы из десятков отзывов клиентов. Эксперт превращает большой документ в презентацию или выступление.
В этих сценариях ИИ помогает быстрее работать с информацией, находить связи, структурировать данные и готовить основу для решений. Именно здесь у многих компаний появляется значительно больший эффект, чем от одной только генерации контента.
Сотрудника нужно учить вести диалог с ИИ
Ещё одна типичная ошибка — ожидание идеального ответа после одного запроса. Мы стараемся довольно быстро от этого отучать.
Сложную рабочую задачу полезнее разбивать на этапы. При подготовке коммерческого предложения сначала можно проанализировать информацию о клиенте, затем определить его основные задачи, после этого выбрать релевантные продукты компании, сформировать аргументацию и только затем переходить к тексту самого предложения.
При работе с отчётом логика может быть другой: сначала собрать показатели, затем найти отклонения, проверить их, определить возможные причины и подготовить вопросы для обсуждения с командой.
Когда сотрудник осваивает такую последовательную работу, нейросеть начинает использоваться значительно глубже. Человек управляет процессом, уточняет ответы, возвращает модель к исходным данным и постепенно получает результат нужного качества.
Отдельная часть обучения — критика и проверка результата
Мы обязательно учим сотрудников не только получать ответы, но и критиковать их. Нейросеть может уверенно сформулировать неправильный факт, неверно интерпретировать документ, ошибиться в расчёте или предложить слишком категоричный вывод.
Поэтому полезно формировать привычку просить ИИ проверить собственный результат. Например, можно попросить модель найти утверждения, которые не подтверждаются загруженными документами, отдельно перечислить допущения, указать источник каждого вывода или показать места, где информации недостаточно.
При работе с внешней информацией можно попросить дополнить материал статистикой, исследованиями и первоисточниками. После этого ссылки и цифры нужно проверить самостоятельно. Особенно внимательно проверяются финансовые показатели, юридические формулировки, цены, даты, характеристики продуктов, медицинская информация и любые данные, на основании которых компания будет принимать решение.
Навык проверки иногда оказывается важнее самого навыка генерации. Сотрудник постепенно учится понимать границы ИИ и использовать его там, где результат можно проконтролировать.
Обучение лучше проводить на задачах конкретной компании
Мы довольно быстро отказались от подхода, при котором всем подразделениям показывается один и тот же набор универсальных примеров. Он хорошо знакомит людей с возможностями технологии, но значительно слабее влияет на реальную работу.
У отдела продаж свои сценарии: анализ клиента, подготовка к переговорам, коммерческие предложения, работа с возражениями, анализ переписки. У HR — вакансии, резюме, адаптация сотрудников, внутренние документы и обучение. У маркетинга — исследования, конкуренты, аналитика, рекламные материалы и клиентский опыт. У руководителей — отчёты, документы, подготовка решений, совещания и анализ информации. У инженеров — техническая документация, сравнение данных, расчёты и работа с большими массивами отраслевых материалов.
Поэтому перед корпоративным обучением мы собираем задачи команды и смотрим, что сотрудники делают регулярно. На обучении они работают с собственными ситуациями и материалами, а после встречи могут продолжить использовать те же сценарии самостоятельно.
Марина Хопрячкова: «Для меня хороший результат обучения наступает тогда, когда сотрудник на следующий день открывает нейросеть уже со своей реальной рабочей задачей и понимает, что именно с ней делать».
Не нужно привязывать компанию к одной нейросети
Сегодня часть сотрудников может работать в ChatGPT, кому-то удобнее Claude, российской компании по определённым задачам могут подходить GigaChat или ЯндексGPT. Через несколько месяцев возможности этих сервисов снова изменятся.
Поэтому мы стараемся обучать общему принципу работы с ИИ. Человек должен понимать, как давать контекст, работать с документами, формулировать критерии результата, вести диалог, проверять ответы и сохранять удачные сценарии.
Тогда смена инструмента уже не становится новым обучением с нуля. Сотрудник переносит понятный способ работы в другую модель и осваивает только её особенности.
Это особенно важно сейчас, когда рынок нейросетей развивается очень быстро. Компании выгоднее развивать у сотрудников ИИ-грамотность, чем пытаться научить их набору кнопок одного конкретного сервиса.
После обучения у компании должны остаться рабочие сценарии
Ещё одна вещь, которую мы поняли на практике: хорошее обучение не должно заканчиваться последним слайдом преподавателя.
У команды должны остаться рабочие сценарии, которые можно использовать снова. Для каждого такого сценария полезно понимать, какая задача решается, какие материалы нужно передать ИИ, какой запрос использовать, что проверить и какой результат должен получиться.
Например, в компании появляется стандартный сценарий анализа еженедельных отчётов. Сотрудники знают, какие документы загружать, какие показатели искать, каким образом выявлять риски и что обязательно сверять с исходными данными. Другой сценарий может быть связан с подготовкой коммерческого предложения, третий — с анализом встречи, четвёртый — с исследованием конкурентов.
Со временем таких сценариев становится десятки. Они начинают переходить между сотрудниками и подразделениями, дорабатываться и превращаться в корпоративную практику применения ИИ.
Именно на этом этапе использование нейросетей становится системным.
Что должно измениться после корпоративного обучения
Мы считаем результатом обучения ситуацию, когда сотрудник умеет самостоятельно определить подходящую для ИИ задачу, выбрать инструмент, передать модели нужный контекст, работать с документами и файлами, разбить сложную работу на несколько этапов, получить структурированный результат и проверить критически важные данные.
Следующий уровень появляется, когда сотрудники начинают обмениваться удачными сценариями, а компания видит повторяющиеся процессы, которые уже имеет смысл автоматизировать глубже. Тогда могут появляться специализированные ассистенты, корпоративные базы знаний, интеграции и ИИ-агенты.
И здесь последовательность имеет значение. Мы много раз видели, как компании хотят сразу перейти к сложной автоматизации, хотя сотрудники ещё не разобрались, как выглядит хороший рабочий сценарий с обычной нейросетью. Гораздо устойчивее сначала проверить задачу на практике, понять требования и только затем решать, насколько сложная технология действительно нужна.
Как мы проводим обучение в «Цифровых трансформациях»
В корпоративных программах «Цифровых трансформаций» мы начинаем с задач конкретной команды. До обучения разбираемся, какие операции сотрудники выполняют регулярно, где уходит время, с какими документами они работают и какие процессы можно усилить с помощью ИИ.
На самом обучении сотрудники работают со своими задачами и учатся использовать разные нейросети в зависимости от сценария. Мы показываем возможности ChatGPT, Claude, GigaChat, ЯндексGPT и других инструментов, но основной фокус остаётся на методе работы: контексте, документах, проверке, последовательности действий и создании повторяемых сценариев.
Больше года мы почти ежедневно консультируем компании по внедрению ИИ и видим изнутри, какие подходы начинают работать в командах, а какие остаются красивыми демонстрациями. Мы сами прошли через этапы экспериментов, неудачных сценариев и переоценки отдельных инструментов, поэтому сейчас обучение строим вокруг практического результата: что конкретно сотрудник сможет делать иначе уже после программы.
Цель корпоративного обучения ИИ для нас вполне измерима: сотрудники должны начать использовать нейросети в регулярных задачах, а компания — постепенно получать собственную систему рабочих сценариев, которую можно развивать дальше.
Подробнее об обучении сотрудников и других форматах работы «Цифровых трансформаций»:
Связанные материалы
26.08.2026
