Как IT-компания подняла использование ИИ-агентов с 15% до 70%: преодоление сопротивления команды

В начале 2026 года, несмотря на то, что технология ИИ-агентов уже полгода как была стабильной, опрос в одной крупной IT-компании показал: лишь 3 из 20 МЛ-специалистов, создающих системы поиска патологий на медицинских снимках, пробовали использовать ИИ-аагентов в работе. Это означало, что только 15% сотрудников активно применяли новую технологию. За полгода компания смогла поднять этот процент до 70%, используя системный подход к преодолению сопротивления.

Внедрение любой новой технологии, даже той, что обещает упростить жизнь, всегда сталкивается с человеческим фактором: сопротивлением изменениям, инертностью мышления, нежеланием выходить из зоны комфорта. Особенно это заметно в высококвалифицированных командах, где каждый сотрудник ценит свою экспертизу и привычные процессы. Это замедляет инновации, блокирует рост производительности и приводит к потере конкурентных преимуществ. Однако это решаемо, и есть проверенные методы, как мягко, но эффективно провести команду через этот переход.

Почему даже ИИ-специалисты не хотели использовать ИИ-агентов

Проблема была не в отсутствии знаний или квалификации. Команда состояла из хардкорных ML-специалистов, которые глубоко разбирались в моделях и их внутреннем устройстве. Они прекрасно понимали потенциал, но не спешили применять его на практике. Основная причина крылась в человеческой психологии: люди не хотят выходить из своей рутины, даже если она неэффективна.

Руководство столкнулось с парадоксом: команда, которая сама создавала передовые ИИ-решения, неохотно внедряла их в свою собственную работу. Это приводило к упущенным возможностям, замедлению внутренних процессов и недоиспользованию дорогостоящего интеллектуального потенциала.

Путь к ИИ-агентам: от наблюдения к целенаправленному внедрению

Первоначально компания не стала менять процессы сверху, а выбрала тактику наблюдения. Руководители следили, как команда адаптируется к новым вызовам и какие инструменты начинают появляться стихийно. Этот подход оказался ключевым: он помог выявить реальные «боли» и показать, где ИИ-агенты могут принести максимальную пользу.

Например, когда один из руководителей ушёл в отпуск, команда столкнулась с возросшим потоком задач. В этот период стали заметны изменения в поведении: кто-то брал на себя организацию, кто-то — новые задачи. Именно в этот момент стало ясно, что сотрудники сами ищут способы оптимизации. Также было замечено, что в каждой команде начали появляться свои внутренние инструменты для работы с данными, хотя раньше эту функцию выполнял отдельный отдел. Это натолкнуло на мысль, что ИИ-агенты могут значительно ускорить разработку таких решений.

Как проектировали внедрение: "Слон, Погонщик и Тропа"

В основе стратегии внедрения лежала метафора из книги «Сердце перемен» — «Слон, Погонщик и Тропа». Слон — это эмоциональная часть человека, Погонщик — рациональная, а Тропа — окружающая среда. Для успешного внедрения нужно воздействовать на все три составляющие. Это означало не просто предоставить инструмент, а создать условия, при которых его использование будет естественным и желаемым.

Для «Слона» (эмоций):

• Видимость успеха. Первых пользователей сделали заметными, создали отдельное пространство для обмена опытом, вопросов и новостей об ИИ-агентах. Это создало эффект «все пользуются, и мне надо попробовать».
• Вдохновляющие примеры. Особенно убедительным оказался инструмент для слепого сравнения версий кода, разработанный с помощью ИИ-агентов. Его успех впечатлил одного тимлида, который активно внедрил агентов в своей команде, сделав её лидером по использованию ИИ в компании.

Для «Погонщика» (разума):

• Конкретные, а не абстрактные цели. Изначально была допущена ошибка, когда лидам дали абстрактные цели, что привело к бесконечному планированию. Позже подход изменили: начали с одной типовой задачи, которую обязательно выполняли через ИИ-агентов, например, проверка кода перед ревью. Это позволило сотрудникам сразу получить прикладной опыт.
• Обучение и воркшопы. Проводились воркшопы по постановке задач ИИ-аагентам, обновлялась документация, чтобы агенты могли к ней обращаться.

Для «Тропы» (среды):

• Устранение барьеров. Компания выявила и устранила реальные препятствия: проблемы с VPN, нехватка места на дисках, сложность инструкций. Были организованы специальные сессии по настройке ИИ-агентов, где сотрудники получали техподдержку и могли решить свои проблемы на месте.
• Поощрение. Выделенный день для настройки ИИ-агентов, заканчивающийся коротким рабочим днём, стал дополнительным стимулом.

Внедрение и адаптация: от первопроходцев к скептикам

Внедрение происходило поэтапно, с учётом разных групп сотрудников по модели Роджерса (инноваторы, первопроходцы, раннее большинство, позднее большинство, отстающие). Каждой группе требовались свои аргументы и подходы.

• Первопроходцы (13,5%). Эти сотрудники сами активно включились в процесс, писали кейсы применения и добровольно участвовали в пилотных группах. Им достаточно было показать ценность инновации для решения прикладных задач.
• Раннее большинство (34%). Эта группа прагматиков требовала доказательств успеха. Для них использовались кейсы первопроходцев и отзывы коллег, которым они доверяли. Пример с тимлидом, вдохновлённым демонстрацией инструмента, показал, как этот подход работает.
• Позднее большинство (34%). Скептики, которые не хотели рисковать. Для них создавались "коробочные" решения (например, прокси-сервер для работы без VPN), проводилось обучение перед использованием.
• Отстающие (16%). Эта группа наименее охотно принимает изменения. С ними решили не бороться сразу, а ждать, пока ИИ-агенты станут обязательными в процессах, где они дают значительный эффект (например, разбор инцидентов).

Один из самых ярких примеров успешной адаптации — создание инструмента для разметки 3D-снимков. Раньше этот процесс занимал до 10 часов на один снимок, что отталкивало врачей. С помощью ИИ-агентов разработка такого инструмента заняла всего две недели, и процесс разметки возобновился.

Результаты

За полгода компания увеличила процент активных пользователей ИИ-агентов с 15% до 70%. Это привело к значительному ускорению разработки внутренних инструментов и повышению общей эффективности. Например, время на создание инструмента для разметки 3D-снимков с помощью ИИ-агентов сократилось более чем в 6 раз, что позволило возобновить важный процесс, от которого раньше отказывались из-за трудоёмкости.

Как это внедрить у вас

Преодоление сопротивления изменениям — это не разовая акция, а системный процесс. Если вы сталкиваетесь с подобной ситуацией, вот с чего стоит начать:

• Наблюдайте и выявляйте реальные потребности. Не навязывайте инструмент, а смотрите, где люди сами ищут решения. Это укажет на самые перспективные области для применения ИИ-агентов.
• Создавайте вдохновляющие примеры. Делайте первых пользователей заметными, делитесь их успехами и показывайте, как ИИ-агенты решают конкретные проблемы. Эмоции — мощный двигатель.
• Ставьте конкретные задачи. Избегайте абстрактных целей. Начните с одной типовой задачи, которую все должны выполнять с помощью ИИ-агентов. Это даст быстрый прикладной опыт.
• Устраняйте барьеры. Проведите опрос или личные беседы, чтобы понять, что мешает сотрудникам использовать инструмент. Решайте реальные проблемы, а не те, что озвучиваются на поверхности.
• Адаптируйте подход к разным группам. Помните, что инноваторы, первопроходцы, раннее и позднее большинство, а также отстающие требуют разных аргументов и стратегий внедрения.

Если этот кейс похож на то, что происходит у вас, наш менеджер поможет разобраться: бесплатно проанализирует ваш бизнес и нишу и подскажет, где ИИ-агент даст реальный результат именно в вашем случае. Написать менеджеру