От личных наработок к командным

Как отобрать задачи для командного решения, довести прототип до рабочего инструмента, не потерять знания при индивидуальном подходе к работе с ИИ и измерить эффект.

Дата составления: 2026-10-18
Статус: 💡 Актуально

Отбор задач

Начинать стоит с узких мест. В гайде «Яндекса» советуют пройтись по рабочему процессу команды и выписать 10–15 мест, где рутина забирает время или тормозит работу, а затем разложить их по частоте и цене внедрения:

  • Первыми берут частые и дешевые задачи, где результат понятен и проверяем человеком, а цена ошибки приемлема.

  • Отдавать агенту большой процесс целиком на первом шаге рискованно: одна неудача легко превращается в общее «мы попробовали — ИИ не работает».

Для более подробной оценки Евгений Вихров предлагает матрицу из пяти параметров:

  • Частота задачи;

  • Стоимость внедрения;

  • Цена ошибки;

  • Готовность процесса: есть ли владелец, входные данные и критерии качества;

  • Влияние на бизнес.

По каждому сценарию фиксируют предварительное решение: готовить пилот, дорабатывать процесс или отложить внедрение.

Быстрые победы при этом обычно лежат не там, где их ищут. Запрос «пусть ИИ проверяет и пишет договоры» редко дает результат в первые месяцы, а реальный эффект приносят разбор реестров и таблиц, управленческая отчетность, превращение протоколов встреч в задачи и перевод регламентов на язык бизнеса.

У каждого кандидата стоит проверить еще две вещи:

Похожий подготовительный этап описывают и в корпоративных командах: в «Арнест ЮниРусь» до старта провели воркшоп и разложили задачи на подходящие для простой автоматизации, для генеративного ИИ, для агентов и баз знаний и требующие отдельного обсуждения.

От прототипа к рабочему инструменту

Сначала контекст. Качество результата сильно зависит от контекста, который получает модель: критериев хорошего результата, шаблонов, договоренностей, базы знаний. Поэтому до автоматизации полезно ответить на три вопроса:

  • Что модели нужно знать, чтобы сделать эту задачу;

  • Где сейчас живет эта информация;

  • Понятны ли критерии готового результата хотя бы человеку.

Подготовка такого контекста нередко дает команде не меньший эффект, чем сама автоматизация: ИИ быстро подсвечивает места, где рабочие знания существуют только в головах.

Отладка итерациями. Первая версия решения почти никогда не бывает рабочей. Евгений Вихров, переводивший массив договоров в формат юридического дизайна, рассказывал, как менялась точность: в NotebookLM она осталась на уровне около 30% без заметного потенциала роста, а скилл в Claude Cowork дал около 60% с первой итерации и около 90% после отладки.

Упаковка. Отлаженный сценарий переводят в повторяемую форму: проект в чат-сервисе, скилл или бота, собранного методом вайб-кодинга. Собирать удачные приемы в скиллы, промпты и короткие инструкции — одна из задач AI-champion в команде; подробнее об этой роли — в статье Люди и обучение.

Юристы — носители предметной области. В Systeme Electric при создании бота для проверки рекламных материалов команда юристов сама сформулировала требования, собрала обучающую выборку из более чем 1500 реальных и смоделированных дел и проверила логику работы алгоритма; с ИТ-командой работали итерациями. Запускали тоже по шагам: сначала сервис самопроверки для маркетологов, затем круглосуточный контроль уже опубликованных материалов.

Общий слой знаний

У индивидуального подхода есть обратная сторона. Если каждый юрист работает со своим агентом, скиллы и наработки копятся у отдельных людей: при болезни или уходе сотрудника непонятно, что из накопленного ценно и как это передать, а чем больше агентов, тем меньше управляемость системы. Такую схему Павел Мищенко и Евгений Вихров на вебинаре «Как юристу использовать ИИ-агентов в своих задачах» называют островным хранением знаний.

Решение, к которому они приходят:

  • Общий граф знаний, к которому подключен каждый агент;

  • Главный агент, который вместе с человеком проверяет новые скиллы по единому гайду, прежде чем они попадут в общий граф;

  • Простой старт: граф можно начать с набора папок со связями между ними, без специальных инструментов.

Подробнее о том, как устроить базу знаний, удобную и человеку, и агенту, — в статье Хранение знаний.

На митапе «Управление знаниями в эпоху ИИ» корпоративные команды пришли к тому же выводу: управление знаниями становится основой для внедрения ИИ, а ценность создает не доступ к модели, а качество знаний, которые юридическая функция смогла структурировать и сохранить. В «Газпромнефть Экспертные решения» к базе знаний для ИИ-помощника подходят через жизненный цикл знаний: какие материалы попадают в базу, как поддерживается их актуальность и кто отвечает за качество данных. Без назначенных ответственных общий слой знаний быстро устаревает.

Общая библиотека. Даже без графа знаний полезно собрать рабочие промпты и скиллы в общей библиотеке: у каждого материала есть назначение, владелец, актуальная версия и дата проверки, а устаревшие варианты убирают из обращения. Иначе, как в условном примере из гайда Евгения Вихрова, три юриста проверяют договоры по трем разным версиям промпта, и одинаковые договоры получают разные замечания.

Скилл не должен уходить вместе с сотрудником. Разработку скиллов стоит включить в трудовые обязанности, зафиксировать задание и приемку, оформить права на охраняемые элементы и хранить актуальную версию в корпоративной библиотеке.

Измерение эффекта

Число пользователей и запросов показывает, распространился ли инструмент, но не стала ли работа лучше. В гайде «Яндекса» предлагают смотреть на цепочку показателей:

  • Активация — какая доля команды использует ИИ хотя бы в одной рабочей задаче в неделю и появляются ли повторяющиеся сценарии;

  • Скорость — изменилось ли время полного цикла задачи, от поручения до готового результата;

  • Качество — какую часть результата не пришлось переделывать и сколько стало итераций правок;

  • Экономика — сколько часов освободилось и как это соотносится со стоимостью подписок и токенов;

  • Обратные сигналы — растет ли доля внешне аккуратного, но пустого по смыслу текста и сколько задач приходится переделывать почти с нуля.

Скорость и качество — в паре. Если скорость растет, а качество проседает, экономии нет.

Не превращать в рейтинг. Статистика использования ИИ полезна как самодиагностика для сотрудника, но не должна становиться соревнованием или рычагом давления. Когда активность в ИИ становится рейтингом, сотрудники начинают искусственно наращивать использование, и Amazon из-за этого отказался от внутреннего рейтинга по активности в ИИ.

Когда подключать вендора

Готовое решение имеет смысл искать, когда команда уже набрала собственный опыт и понимает, что именно ей нужно. К этому моменту обычно назревают и следующие шаги, например поиск по внутренней базе знаний для сотрудников других подразделений (подробнее — в разделе RAG).

Что учесть при выборе:

Связанные статьи

Дополнительные материалы

Теги: #внедрение-ии #юридическая-команда #управление-знаниями #метрики #legal-ops