Масштабирование ИИ на 500+ человек: какие метрики работают, а курсы нет

Команда банковского Data Office за год внедрения ИИ-агентов (программ, которые сами выполняют задачи по инструкции) на более чем 500 специалистов выяснила, что традиционные курсы почти не повышают реальное использование, а главное узкое место давно сместилось с написания кода на качество спецификаций и контекста.

Опыт Юрия Кацера и Вячеслава Гуча, Product Owner и AI Product Manager в Data Office крупного российского банка, показывает: пока рынок обсуждает отдельные пилоты, те, кто считает эффект на уровне бизнес-метрик, уже видят конкретную отдачу. Их команда прошла путь от экспериментов до системного масштабирования ИИ и зафиксировала, что работает, а что нет. Ниже их практика, адаптированная в пошаговый план.

Что понадобится

• Доступ к сильной языковой модели для команды (закрытая модель через API или развёрнутая внутри контура, в зависимости от требований безопасности)
• Кодинг-агент в CLI (интерфейсе командной строки) для разработчиков, например Cursor, Cline или аналог, допущенный в вашем контуре
• Система метрик: таблица или дашборд для четырёх показателей (AI penetration, Active users, W50+, W80+, о них ниже)
• Мини-команда трансформации: минимум два человека, владелец продукта и менеджер по ИИ-внедрению
• Время: от двух до четырёх месяцев на переход от пилота к устойчивому использованию в первых agile-командах (командах, работающих короткими итерациями)

Как перейти от пилотов к системному результату?

1. Разделите задачи на два типа. Первый: результат можно проверить однозначно (тесты зелёные, контракт соблюдён, миграция прошла). Второй: задача требует суждения и неформализованного опыта. Начинайте масштабирование ИИ с первого типа. По данным команды Data Office, большинство задач в зрелой кодовой базе относятся именно к нему.

2. Смените ментальную модель. Не «агент вместо разработчика», а «каждый разработчик теперь тимлид». У него в командной строке столько агентов-джунов, сколько нужно. Паттерны постановки задач те же, что при работе с людьми, меняется только скорость.

3. Замерьте стартовую точку по четырём метрикам.

4. AI penetration: доля сотрудников, использовавших ИИ хотя бы раз за месяц

5. Active users: абсолютное число таких сотрудников
6. W50+: доля тех, кто использует ИИ более чем в 50% рабочих дней месяца
7. W80+: доля тех, кто использует ИИ более чем в 80% рабочих дней

Команда Data Office начинала с метрики Daily Usage, но она оказалась слишком жёсткой: разработчик не каждый день пишет код, бывают дни документации и встреч. Четыре метрики дают объёмную картину.

1. Разделите аудиторию на agile-роли и линейных сотрудников. У этих групп adoption (уровень принятия инструмента) растёт по-разному. В agile-командах больше энтузиастов, выше готовность к экспериментам. Для линейных ролей порог входа выше, а эффект от чатов с моделью менее заметен. Работайте с группами отдельно.

2. Подберите формат обучения под стадию.

3. Нулевая база: базовые лекции и интро-курсы (только на старте, дальше они не повышают adoption)

4. Рост MAU: внутренние хакатоны, даже внутри одной команды, дают массовое вовлечение, потому что человек хотя бы пробует инструмент
5. Рост регулярности: практические воркшопы по ролям с разбором задач конкретной роли

6. Верхние стадии (W50+, W80+): здесь решают инфраструктура, удобные инструменты, доступ к сильным моделям и реальные продовые кейсы

7. Постройте контекст вокруг агента. После года внедрения команда зафиксировала: написание кода больше не главное узкое место. Всё упирается в качество спецификаций, доступный агенту контекст и интеграции. Вложите усилия в документирование архитектуры, API-контрактов и бизнес-правил так, чтобы агент мог их «прочитать».

8. Целевое состояние: парето-оптимум. По описанию команды Data Office, цель не в автоматизации всего подряд, а в состоянии, при котором 80% задач закрываются агентами, а 20% усилий дают 80% результата.

Что делать с этим прямо сейчас, по ролям

Автору Дзена и копирайтеру. Та же логика масштабирования ИИ работает для контента: не «ИИ вместо автора», а «автор как редактор команды ИИ-агентов». Начните с задач первого типа, где результат проверяем (рерайт по ТЗ, структурирование фактуры), и замерьте, в какой доле рабочих дней вы реально используете модель.

Маркетологу и руководителю. Четыре метрики из этого кейса (penetration, active users, W50+, W80+) можно адаптировать для любой команды, не только разработчиков. Если ваш отдел «внедрил ИИ», но W50+ ниже 20%, внедрение пока на бумаге.

Предпринимателю в РФ и СНГ. Кейс описан в российском банке, все ограничения контура безопасности учтены. Из доступных в РФ инструментов для работы с моделями: YandexGPT, GigaChat, а для кодинг-задач, Cursor и Cline работают с разными API, включая развёрнутые локально модели.

Масштабирование ИИ на сотни человек, это не про закупку лицензий и не про красивые демо. Это про четыре метрики вместо одной, разделение аудитории по готовности, правильный формат на каждой стадии и честное признание: узкое место теперь не код, а контекст, который вы даёте агенту.