Валерий Ляшенко Эксперт по цифровой трансформации и ИИ обучению
Как ИИ меняет подход компаний к обучению бухгалтеров, HR и юристов
Сегодня мы переживаем любопытный этап цифровой эволюции. Еще пару лет назад искусственный интеллект воспринимался как узкая сфера IT— разработчиков, а сегодня он проникает в бухгалтерию, юридические и кадровые отделы.
Однако в погоне за инновациями многие компании допускают системную ошибку: они учат сотрудников «правильно задавать вопросы» чат-ботам, забывая объяснить главное — как работает механизм и где заканчивается его компетенция. Парадокс заключается в том, что ИИ меняет не столько инструментарий, сколько саму культуру принятия решений. И для не IT—специалистов это означает переход от исполнительской дисциплины к интеллектуальной ответственности. Как ИИ меняет корпоративную культуру, расскажем в статье.
Иллюзия всемогущества ИИ
Сегодня любой линейный руководитель должен понимать базовые принципы работы ИИ: откуда модель получает данные, почему ошибается и кто отвечает за итоговое решение. Сотруднику важно знать, что ИИ не «думает» и не гарантирует правильный ответ. Он прогнозирует наиболее вероятный результат на основе данных и может уверенно выдавать ошибочную информацию.
Нейросеть не обладает критическим мышлением. Она анализирует тысячи примеров, находит в них повторяющиеся закономерности и на их основе дает ответ, порой в ущерб логике, что и порождает эффект галлюцинаций. Для бизнеса это самый опасный сценарий: чем убедительнее выглядит информация, тем выше риск принять ее без проверки. Первое, чему надо учить сотрудников, — это здоровое недоверие к ИИ.
Бухгалтер и ИИ: комфортный помощник, но не главный финансист
Учет и аудит — это классическая среда для автоматизации. Однако здесь ИИ выступает не как замена специалисту, а как мощный ускоритель рутины. Бухгалтеру ИИ помогает, но не заменяет профессиональное суждение. Он может сверять документы, искать расхождения, формировать пояснения, классифицировать расходы и готовить черновики отчетности. Но ответственность за налоговые риски, проводки и итоговые цифры остается на человеке.
Например, ИИ может обнаружить нетипичный платеж или дублирующий акт. Но если модель не знает контекста договора, она может отметить корректную операцию как подозрительную или пропустить реальную ошибку. Бухгалтер должен уметь проверить логику вывода, а не просто нажать кнопку «принять».
Российский пример: «1С:Распознавание первичных документов» позволяет загрузить сканы счетов, актов и накладных, распознать их и подготовить документы для учетной базы. Сервис сопоставляет контрагентов и номенклатуру со справочниками, а сомнительные значения выделяет красным. В предусмотренном разработчиком порядке работы пользователь проверяет результат перед созданием документов. На обучении бухгалтеров можно разобрать именно такой сценарий: сверить распознанные суммы и реквизиты с оригиналом, исправить ошибку сопоставления и объяснить, почему выбран нужный контрагент. Так развивается навык контроля автоматической обработки, который нужен и при работе с генеративным ИИ.
HR-сфера: между эффективностью и дискриминацией
В управлении персоналом ИИ обещает революцию в скорости подбора сотрудников. Кадровику он позволяет быстрее работать с резюме, вакансиями и документами. Может составить профиль должности, подготовить вопросы для интервью, проанализировать обратную связь и предложить индивидуальный план обучения сотрудника.
Однако система отбора резюме может, например, автоматически занижать оценку кандидатов из-за возраста, перерыва в карьере или нетипичного опыта. HR должен понимать, как формируются критерии оценки, и не превращать рекомендацию алгоритма в автоматический отказ. Его задача — не делегировать решение машине, а использовать ИИ как фильтр первого уровня, сохраняя за собой право на «человеческий взгляд» на потенциал соискателя.
Российский пример: «Северсталь — ЦЕС» в публикации 2025 года описала использование ИИ— рекрутера: после первичного интервью специалист отправляет кандидату ссылку на беседу с ассистентом, который задает 5–10 профильных вопросов. Рекрутер получает расшифровку ответов, оценки и комментарии. По оценке компании, средние сроки закрытия вакансий сократились на 20–30%, особенно по техническим направлениям. Такой кейс подсказывает содержание обучения HR: сопоставлять балл с реальными ответами кандидата, проверять критерии оценки и самостоятельно обосновывать решение о следующем этапе отбора.
Право: проверка источников как фактор выживания
Пожалуй, самая деликатная зона — это право и работа с нормативной базой. Здесь цена ошибки максимальна. Юристу и специалисту по кадрам необходимо проверять источники. ИИ способен придумать норму закона, судебное решение или неверно интерпретировать внутренний документ. Чем убедительнее выглядит ответ, тем выше риск принять его без проверки. Для юриста привычка перепроверять ссылки и цитаты становится таким же важным навыком, как знание кодекса.
Российский пример: ГАРАНТ предлагает правового ИИ-ассистента ИСКРА, который формирует ответы со ссылками на нормативные акты и документы своей информационной системы. Это дает понятную основу для практикума: сотрудник задает вопрос по рабочей ситуации, открывает предложенные источники и проверяет, подтверждают ли они вывод ассистента.
Отдельно нужно сверить редакцию документа и условия применения нормы. Цель такого занятия — научиться выстраивать проверяемое обоснование: наличие ссылки в ответе еще не означает, что вывод подходит к конкретному случаю.
Как бизнесу учить сотрудников работе с ИИ
Стратегия обучения работе с ИИ в корпорациях не должна сводиться к курсу по написанию промптов. Сотрудникам нужно объяснять следующие вещи:
как работает модель на уровне архитектуры;
как она строит суждение и решает задачи;
какие данные ей нельзя передавать;
как верифицировать результат;
решение всегда должен принимать человек.
Российский пример: «Северсталь — ЦЕС» в той же публикации рассказала об ассистенте по индивидуальному плану развития: он помогает превращать общие пожелания сотрудника в конкретные цели и пошаговые действия. По этой логике можно построить учебное упражнение: вместо запроса «хочу лучше вести переговоры» описать рабочую задачу, попросить ИИ предложить план и вместе с руководителем проверить его реалистичность. Например, выбрать переговорную ситуацию для практики и заранее договориться, по каким результатам будет виден прогресс. Здесь ИИ помогает подготовить план, а сотрудник и руководитель определяют его смысл и критерии успеха.
У каждой функции должны появиться собственные сценарии применения ИИ. Бухгалтеру не нужны миллионы курсов о нейросетях — ему необходима база для практики проверки первичных документов и поиска аномалий. Кадровику — отбор кандидатов, аналитика текучести и подготовка программ развития. Суть в том, чтобы каждый специалист научился переводить свои профессиональные задачи на язык данных, понятный машине, и интерпретировать ее ответы через призму своей экспертизы.
Российский пример: МТС в ноябре 2024 года сообщила, что после первого пилота использовала цифровые аватары в программе развития региональных HR-команд. Аватары руководителей сопровождали участников курса, а для создания видеоурока требовался подготовленный лектором текст. Компания ожидала трехкратного ускорения производства и обновления лекционных материалов. Этот пример показывает еще одно изменение в работе корпоративного обучения: эксперту нужно уметь готовить точный сценарий и проверять готовый урок. При этом скорость выпуска видео и качество усвоения материала — разные показатели, которые следует оценивать отдельно.
Ставки повышаются
Сегодня офисный труд переживает новую революцию. И главный риск не в том, что ИИ заменит человека, а в том, что профессионал, который понимает возможности искусственного интеллекта, заменит специалиста, который продолжает работать только по старым инструкциям.
В итоге базовое понимание ИИ становится такой же обязательной грамотностью, как работа с электронными таблицами и корпоративными системами. Не все сотрудники должны стать программистами, но каждый должен понимать, что именно он поручает машине, как проверить ее вывод и за какое решение продолжает отвечать лично.