AI Integration Blueprint: чертёж встройки ИИ в компанию

Это конспект-чертёж фреймворка Shadow → Decode → Design → Activate → Scale — системного подхода к внедрению ИИ в компании через наблюдение за реальностью, а не через навязывание инструментов сверху.

Каждое решение привязано к реальной боли. Анти-вайбкодинг. Цикл повторяется каждый квартал.

01. SHADOW — наблюдай за реальностью

1–2 недели

Цель: Собрать сырые данные о том, КАК люди реально работают — не как думают, что работают.

Принцип: Гемба-подход (Toyota): иди и смотри. Не спрашивай «что вам нужно» — наблюдай, что они делают.

Методы

• Shadowing — теневое наблюдение на реальных коллах и встречах
• Дневник задач — записи каждые 2 часа: что делал, сколько времени, что бесило
• Скриншот-аудит — скриншоты экрана в случайные моменты дня
• Контекстное интервью — разговор ПРЯМО в процессе работы

Артефакты на выходе

• Транскрипты 15–30 рабочих сессий/коллов
• Дневники задач от 10+ людей за 5 рабочих дней
• Сырая база паттернов: что делают, сколько времени, какие инструменты

Антипаттерн: Опрос «какие задачи вы бы хотели автоматизировать?» — люди не знают, что можно автоматизировать. Они оптимизируют в рамках известного.

02. DECODE — найди паттерны и боль

1–2 недели

Цель: Превратить сырые данные в карту проблемных зон с эмоциональной и процессной диагностикой.

Принцип: Кластеризация не по темам, а по типам боли.

Методы

• AI-кластеризация транскриптов — Claude Projects / NotebookLM для выявления повторяющихся жалоб
• Матрица трения — частота × время × эмоциональная нагрузка для каждого процесса
• Sentiment-анализ — тепловизор для рабочих процессов, анализ тональности разговоров
• Task Decomposition — декомпозиция ролей на задачи с оценкой AI-пригодности

Артефакты на выходе

• Карта трения: топ-20 процессов, ранжированных по боли
• Эмоциональная карта: где в коммуникациях «всё ломается»
• Task Map: декомпозиция ролей на задачи

Антипаттерн: Кластеризация по отделам или функциям. Нужно кластеризовать по ТИПУ БОЛИ: «рутина», «непонимание», «потеря информации», «ошибки от усталости».

Dell'Acqua et al. (2023), Harvard/BCG: «Jagged Frontier» — AI улучшает одни задачи (+40%) и ухудшает другие (-19%). Без декомпозиции не знаешь, где граница.

03. DESIGN — спроектируй AI в точке боли

1–2 недели

Цель: Спроектировать конкретные AI-решения для топ-5 проблемных зон с поведенческой архитектурой.

Принцип: BJ Fogg B=MAP: Behavior = Motivation × Ability × Prompt.

Методы

• Jagged Frontier фильтр — матрица 2×2: ценность решения × AI-пригодность
• Habit Stacking — «После [существующее действие] я [AI-действие]»
• Прототип Aha-момента — как за 5 минут показать ценность на РЕАЛЬНОЙ задаче
• COM-B диагностика — Capability / Opportunity / Motivation для каждого сегмента

Артефакты на выходе

• Топ-5 AI-решений: проблема → решение → метрика успеха
• Behavioral Design Canvas для каждого решения
• Скрипт «Aha-момента»
• Roadmap внедрения: приоритеты и параллельные треки

Антипаттерн: «Давайте внедрим Copilot/ChatGPT для всех» — это vibe-coding. Каждое решение должно быть привязано к КОНКРЕТНОЙ боли конкретных людей.

04. ACTIVATE — от пилота к привычке

4–8 недель

Цель: Превратить спроектированные решения в устойчивые привычки через пилот с чемпионами.

Принцип: Champion Network + Social Proof. BCG: когда лидеры поддерживают AI, позитивное отношение растёт с 15% до 55%.

Методы

• Сеть AI-чемпионов (5–10% команды) — ранние адоптеры с ресурсами и статусом
• Пилот «Один процесс — одна команда» — измерить до/после по ключевым метрикам
• Show & Tell ритуал — еженедельная 15-минутка: чемпионы показывают AI-находки

Артефакты на выходе

• Сеть AI-чемпионов с ресурсами и мотивацией
• Результаты пилота: до/после
• Библиотека use-кейсов: «как я сэкономил N часов на задаче X»
• Go/No-Go решение по масштабированию

Антипаттерн: Обязательное обучение для всех. Microsoft Copilot: 16% пилотов дошли до продакшена — из-за массового раската без доказательства ценности.

05. SCALE — система, а не хаос

Непрерывно

Цель: Превратить пилотные успехи в организационную систему с обратной связью и итерацией.

Принцип: McKinsey Rewired: workflow redesign имеет НАИБОЛЬШИЙ эффект на EBIT из 25 атрибутов.

Методы

• Codification — от личных промптов к командным системам и стандартным workflow
• Квартальный цикл Shadow → Decode — регулярный AI-аудит
• AI Governance Light — одностраничник с правилами, а не 50-страничный документ
• P&L интеграция — AI-строка в ежемесячном финансовом отчёте

Артефакты на выходе

• Библиотека стандартных AI-workflow для каждой роли
• Квартальный AI-аудит
• AI Governance одностраничник
• AI-строка в P&L компании

Антипаттерн: Замена людей без proof of value. Klarna: сначала уволили, потом наняли обратно. «Cost was too predominant evaluation factor».

Психологические барьеры

5 причин, почему люди не начинают использовать AI:

Ключевая формула

BCG 70-20-10: 70% инвестиций в AI → изменение КАК люди работают. 20% → данные. 10% → алгоритмы.

Главный вывод: AI adoption — это не технологическая проблема, а проблема поведенческого дизайна. 88% компаний «используют AI», но только 6% видят результат на P&L. Разница — не в инструментах, а в том, КАК внедряют.