От бумажного теста до ИИ-агента: как меняется корпоративное обучение

Инструменты корпоративного обучения менялись не линейно: параллельно развивались несколько подходов, каждый со своими сильными сторонами и ограничениями. Поэтому прежде чем поговорить про современные ИИ-тренажеры, полезно пройтись по этому пути: он объясняет, почему сегодняшние решения устроены именно так.

Долгое время вершиной интерактива в массовой практике считались скриптовые диалоговые тренажеры. На экране появлялся нарисованный персонаж: «Привет, я Иван, менеджер по закупкам. Продай мне товар». Сценарий был жестко расписан, обычно с тремя ветками развития диалога, не больше. Выбрали неправильную реплику — Иван расстроился. Выбрали правильную — Иван купил. Это было доступно и безопасно, но абсолютно нереалистично: в жизни клиенты не говорят по заранее прописанному сценарию.

Отношение самих сотрудников тоже разное: одни воспринимают такие форматы как приятную передышку, другие как трату времени. Плюс отдельная головная боль — актуализация: скрипты, раскладки товаров, интерфейсы устаревают, и тренажеры приходится регулярно обновлять и поддерживать. Но у такого формата есть жесткий потолок: реального навыка ведения диалога так не отработать.

Похожая логика лежит и в сценарных чат-ботах, или ботах-конструкторах, которые часто помещали в мессенджеры. Методист или разработчик заранее прописывал список возможных вопросов пользователя, готовый ответ на каждый и правила: если в сообщении есть слово «цена», то показать ответ про цены. Часто ответы пользователя были не свободным текстом, а кнопками.

Технически это чуть свободнее диалогового тренажера, но по сути та же блок-схема, только в интерфейсе мессенджера. Бот не понимает текст, а ищет совпадения с заготовками. Если пользователь спросит что-то непредусмотренное или сформулирует вопрос непривычно, то получит заглушку («повторите еще раз») или его отправят обратно в меню.

Параллельно с эволюцией тренажеров развивались другие подходы — те, что работают через практику и живое общение.

• Микрообучение. Короткие карточки и мини-тесты, буквально по пять минут в день. Формат дешевый и хорошо масштабируется. Мы у себя реализовали это во внутреннем мессенджере. В любом случае, микрообучение — это скорее про запоминание фактов и повторение, а не про живой навык: возражение клиента одной карточкой в день не отработать.

• Разбор реальных звонков. Сотрудник или группа слушают записи настоящих разговоров с клиентами и разбирают ошибки постфактум. Максимально приближено к реальности и легко переносится в онлайн: запись выкладывается, разбор идет в комментариях. Минус в том, что это анализ чужого опыта, а не собственная практика: сам сотрудник в моменте ничего не отрабатывает.

• Наставничество и шедоуинг. Новичок слушает звонки опытного коллеги или созванивается с ним для разбора конкретных кейсов. Это один из старейших методов обучения — и, наверное, самый эффективный, потому что дает живую обратную связь на реальных ситуациях. Обратная сторона очевидна: наставничество не масштабируется. Один опытный сотрудник может вести двух-трех новичков, но не двадцать.

Отдельная ветка эволюции — геймификация. Некоторые компании пошли дальше видео и построили целые игровые миры: сотрудник выбирает аватара, проходит квесты, зарабатывает баллы и открывает уровни, а обучение превращается в подобие RPG. Звучит увлекательно, и для точечных задач вроде онбординга в ИТ-компании с молодой аудиторией, это работает на ура. Но в массовом корпоративном обучении, особенно для линейного персонала, до такого доходит редко.

Построить полноценный игровой мир — дорого и небыстро, а окупается это далеко не всегда: сорокалетний продавец в рознице скорее закатит глаза при виде «квеста уровня 3», чем воодушевится. Геймификация — это больше нишевый инструмент для конкретной аудитории и бюджета, чем универсальная замена диалоговым тренажерам.

Чтобы усложнить задачу и избежать списывания, некоторые компании перешли к видео-ответам. Сотрудник должен был сесть перед веб-камерой и наговорить ответ на заданный кейс. Списать стало сложнее: сразу видно, если человек читает с листа. Но и это можно обойти: записал идеальный ответ заранее, выучил, зачитал в кадре. Плюс сам процесс превратился в монолог. Реального диалога, где нужно отрабатывать возражения в моменте, все еще не было.

Настоящий перелом случился, когда в корпоративное обучение внедрили текстовых ИИ-ботов (LLM-модели). Теперь сотрудник общается не со скриптом, а с нейросетью, которой задана определенная роль — например, роль недовольного клиента из транспортной компании или дотошного закупщика.

Для бизнеса это решает сразу две глобальные проблемы.

Реалистичная практика в «безопасной среде». Сотрудник может ошибаться, мямлить, неправильно отрабатывать возражения, и компания не потеряет из-за этого реального клиента. Тренировка идет в условиях, максимально приближенных к настоящим.

Вторая проблема, которую решает такой подход, конец массовому списыванию через рандомизацию. Если раньше тест состоял из 10 фиксированных вопросов, то теперь в систему можно заложить матрицу: например, 10 профилей клиентов умножаются на 10 разных компаний. На выходе — сотня комбинаций, и мы движемся к тому, чтобы это число росло, а база кейсов постоянно пополнялась. Сотрудник знает, что ему попадется один из этих вариантов, но какой именно и как повернется диалог — не угадать. Подготовиться можно только одним способом: досконально изучить продукт.

Отдельная сила этого подхода в том, что кейсы для тренажера берутся не из головы методиста, а из реальных данных компании. Внутри Битрикс24 мы выгружаем звонки отдела продаж, анонимизируем — вручную меняем названия, имена и другую чувствительную информацию, — и уже структурируем через нейронку по заданным критериям. На выходе получаются сценарии, построенные на реальных ситуациях, а не на выдуманных. 

Логичный следующий шаг развития — это Voice-to-Voice (V2V) сертификация. Сотрудник созванивается с AI-агентом и разговаривает с ним голосом в реальном времени, как по телефону с настоящим клиентом. Бот слушает, делает паузы, перебивает, задает каверзные вопросы.

Но почему таких решений на рынке единицы? Причин две.

• Первая — деньги. Полноценное V2V-решение — недешевое удовольствие. Порядок цифр примерно такой: на 1000 сотрудников с тремя попытками сертификации по 10 минут — от 500 тысяч рублей в год. Но три попытки — это слишком мало, чтобы человек чему-то реально научился. V2V имеет смысл либо как «вишенка на торте» — финальная сертификация после большого блока обучения, — либо как регулярная утренняя рутина в ежедневной работе. Во втором случае количество сессий и стоимость решения растут значительно.

• Вторая — персональные данные и коммерческая тайна. Зачастую компании, продающие V2V-решения на российском рынке, под капотом используют зарубежные API. Когда менеджер сдает голосовой экзамен, обсуждая реальные коммерческие кейсы, аудиоданные неизбежно уходят на зарубежные серверы, что критично в свете требований о хранении персональных данных на территории РФ. Для крупного бизнеса, банков и корпоративного сектора это неприемлемо.

Возникает закономерный вопрос: как понять, что такой тренажер действительно учит, а не просто выглядит технологичнее предыдущих форматов? Здесь нет одной волшебной метрики. Мы смотрим на это с трех сторон: насколько сценарии и критерии оценки соответствуют реальным рабочим ситуациям (это проверяет методист вручную), насколько последовательно ИИ-агент оценивает одного и того же сотрудника в похожих диалогах, и — самое интересное, но и самое небыстрое — коррелирует ли результат тренажера с реальными показателями работы сотрудника через несколько месяцев.

Читая все это, легко подумать: раз ИИ так продвинулся, что уже умеет вести живой диалог с сотрудником и подставлять реалистичные сценарии — зачем в этой конструкции еще живой методист? Загрузил инструкции — получил курс.

Спойлер: методист нужен, и его роль не только не уменьшилась, а изменилась и расширилась. ИИ склонен соглашаться с любым входом и радостно генерировать мусорные данные из мусорных запросов. За методистом остаются все ключевые этапы: бриф с заказчиком, проектирование архитектуры курса, формулировка образовательных результатов и критериев оценки, обработка обратной связи, поддержание материалов в актуальном состоянии, перепроверка того, что нагенерировала нейронка. Ни одна из этих задач ИИ полностью не закрывает.

Следующий рубеж корпоративного обучения — это персонализация, о которой все давно мечтают, но никто не может реализовать.

Классическое обучение тяготеет к уравниловке: один курс для всех. Нанять живого тьютора для каждого сотрудника — немыслимо дорого. Но ИИ-агент способен стать таким персональным наставником. Зная цифровой профиль сотрудника (его должность, сильные стороны, ошибки в прошлых звонках, темп усвоения информации), нейросеть сможет на лету генерировать микро-курсы и кейсы, нужные именно этому человеку в данный момент.

Здесь есть очевидная развилка. Настоящая персонализация требует много данных о конкретной персоне: от истории ее звонков до предпочтений в форматах обучения. А значит, снова возвращается вопрос безопасности: чтобы нейронка учила по-настоящему индивидуально, компания должна доверить ей чувствительный профиль сотрудника.

И тут корпоративный сектор снова упирается в тот же выбор: облачное иностранное решение с рисками или локальный контур со всеми ограничениями и стоимостью.

И получается, что переход от бумажных тестов к голосовым AI-агентам — это переход от обучения «для галочки» к реальному повышению квалификации. И те компании, которые первыми внедрят эти инструменты, получат сотрудников, готовых к любым возражениям еще до того, как они впервые снимут трубку реального телефона.