Как ИИ меняет корпоративное обучение: от наставника к AI-партнёру

ИИ-проектов в образовании становится всё больше, но рынок пока бросает из одной крайности в другую. Одни компании сталкиваются с дорогой подготовкой исходных данных, другие надеются, что достаточно попросить Claude Code — и он соберёт готовую систему. 

Чтобы понять, куда на самом деле движется ИИ в обучении, разберём принципы, которые я сформулировал за последние годы работы.

Большая языковая модель не знает и не понимает факты так, как человек. Она последовательно подбирает наиболее вероятные токены. В этом её сила и одновременно главный риск: модель может убедительно сформулировать ответ, в котором достоверная информация смешана с вымышленной.

В образовании цена такой ошибки бывает высокой. Представьте обучение сотрудников «Газпром нефти» правилам выполнения газоопасных работ. Неточность в инструкции может привести к тому, что человек неправильно поймёт порядок действий, а затем перенесёт ошибку на реальный объект.

Поэтому первый принцип, который мы для себя сформулировали, — не давать модели свободно дополнять учебный материал. Для этого мы используем RAG, или генерацию с дополненным поиском. В систему загружаются проверенные источники: инструкции, регламенты и руководства. Модель получает прямое указание отвечать только на их основе. В результате она работает как диалоговый интерфейс к базе знаний, а не как самостоятельный автор.

Обычного RAG недостаточно, если документов много и они связаны между собой. В этом случае мы используем граф знаний. Тексты преобразуются в структурированные JSON-файлы, в которых зафиксированы термины, тезисы и связи между ними.

Граф строится с помощью большой языковой модели, но в каждом запросе мы требуем от неё аргументировать ответ. Это позволяет увидеть, на какие сведения и логические связи она опиралась, а пользователь не получает готовый вывод без объяснений.

Третий элемент — перекрёстная проверка через веб-поиск. Система показывает источники, на которых основан ответ, а пользователь может сопоставить сведения и проверить факты. Тогда поиск превращается в самостоятельное исследование, а работа с ИИ требует критического мышления, а не слепого доверия к готовому результату.

В управленческой команде онлайн-школы насчитывалось 65 руководителей уровня CEO-1, при этом среди них была высокая текучесть. Единой системы адаптации не существовало. Нового сотрудника либо вводил в должность вышестоящий руководитель, тратя на это своё время, либо новичку приходилось разбираться в процессах уже по ходу работы. Адаптация затягивалась, а некоторые руководители так и не успевали освоиться. С ними расставались, что лишь усиливало текучесть.

Другой проблемой была разрозненность знаний. Важная информация хранилась внутри отдельных подразделений: в стенограммах, протоколах, переписке, презентациях, отчётах и паспортах проектов. Сотрудники других отделов не могли быстро найти эти данные и использовать накопленный опыт.

Нужно было решить две задачи: ускорить адаптацию руководителей и создать единую систему управления знаниями. Для этого разработали сеть ИИ-агентов на базе GraphRAG. Она собирает сведения из разных источников, связывает их по смыслу и подбирает информацию под конкретную рабочую задачу.

Система состоит из четырёх основных частей:

• Внутренняя база знаний на основе GraphRAG. В неё по мере появления поступают новые документы. Чтобы база регулярно обновлялась, для неё настроили постоянный поток данных, или Data Flow.
• Внешний поиск. Большие языковые модели находят сведения в интернете, сопоставляют данные из разных источников и ищут похожие кейсы.
• Агент-стратег. Он объединяет внутренние и внешние данные, предлагает несколько решений и оценивает их по заданным критериям.
• Анализ цифрового следа. Система фиксирует, какие материалы изучил пользователь, какие стратегии рассмотрел и какое решение выбрал.

Агенты встроены в собственный нейрошлюз онлайн-школы Synergy iChat. Это единая среда для работы сотрудников с большими языковыми моделями. Она даёт доступ к разным ИИ-инструментам и одновременно позволяет контролировать, как сотрудники ими пользуются.

Synergy iChat собирает цифровой след пользователей. В этой же среде проходит обучение по запросу в формате микрообучения: сотрудник получает короткую инструкцию именно в тот момент, когда она нужна для решения задачи. Открывать отдельное приложение не приходится — агент доступен как одна из функций нейрошлюза.

В базу знаний поступают:

• стенограммы совещаний;
• протоколы;
• паспорта проектов;
• презентации;
• отдельные сведения из заключённых договоров;
• материалы по другим программным продуктам;
• брифинги руководителя;
• результаты стратегических сессий.

GraphRAG анализирует новые документы и связывает их с информацией, которая уже хранится в системе.

Работа начинается с уточнения задачи. Руководитель может сформулировать её слишком широко: например, спросить, что нового можно сделать вместе со Сбером или какую государственную программу стоит поддержать в Уральском федеральном округе.

Чтобы подготовить полезный ответ, системе нужно учесть контекст: чем занимается онлайн-школа, какие проекты она уже запускала и какими ресурсами располагает. Поэтому сначала запрос дополняется необходимыми условиями, а затем параллельно запускаются два агента.

Агент прошлого обращается к внутренней базе знаний. Он находит, какие похожие проекты школа уже реализовывала, когда это происходило и в каком формате.

Агент настоящего изучает внешний опыт. С помощью нейропоиска он собирает сведения о том, какие проекты сейчас запускают другие EdTech-компании, онлайн-школы и университеты. Так руководитель получает и внутреннюю ретроспективу, и актуальную картину рынка.

Затем агент-стратег объединяет результаты поиска и предлагает три сценария. Каждый из них оценивается по четырём критериям:

• ожидаемый и измеримый эффект;
• уровень риска;
• сроки реализации;
• необходимые ресурсы.

Задача системы — проверить не самостоятельность мышления как таковую, а осознанность выбора. Для обоснованного решения руководителю нужно изучить доступную информацию и сопоставить преимущества и недостатки всех вариантов.

Три сценария появляются одновременно под основным ответом агента. Подробности можно открыть с помощью отдельных кнопок. Там же доступны отчёты агента прошлого и агента настоящего. Они не раскрываются автоматически: руководитель должен сам открыть материалы и пролистать их.

Один из трёх сценариев намеренно делают субоптимальным, то есть менее выгодным. Такой вариант помогает заметить случаи, когда человек выбирает решение без полноценного анализа. Одна ошибка ещё ни о чём не говорит: руководитель мог неверно оценить ситуацию. Настораживает регулярный выбор слабых сценариев, особенно если пользователь не открывает отчёты агентов и не изучает исходные данные.

После выбора руководитель кратко объясняет своё решение. Ответ можно ввести текстом или записать голосом, после чего система переведёт запись в текст. Большая языковая модель сопоставляет выбранную стратегию и аргументацию: проверяет, соответствует ли объяснение сделанному выбору, насколько оно логично и опирается ли на представленные данные.

Одновременно система анализирует цифровой след: какие отчёты открыл руководитель, насколько подробно их изучил и какие варианты сравнивал. Это позволяет оценить не только итоговый выбор, но и ход рассуждений. Если система замечает повторяющиеся проблемы, она даёт обратную связь. Так агент становится и тренажёром, и инструментом оценки.

Руководители, которые приходят в новые подразделения, стали быстрее погружаться в процессы. Они получили доступ к большому объёму информации, но им больше не нужно изучать всю базу целиком. Система сама подбирает материалы под конкретный запрос.

Даже при смене сотрудников адаптация занимает меньше времени. Новые руководители раньше начинают принимать решения с учётом опыта школы, а вышестоящие управленцы тратят меньше времени на объяснение базовых процессов.

Отдельную ценность получила сама база знаний. Она объединила и структурировала документы, которые раньше хранились внутри подразделений. Теперь сотрудники могут находить сведения о работе других отделов и использовать этот опыт в своих задачах.

Начинать следует не с выбора модели, а с настройки потока данных. Нужно определить:

• какие документы будут поступать в систему;
• где они хранятся;
• кто отвечает за их загрузку;
• как часто они обновляются;
• какие сведения нельзя передавать модели.

Когда этот процесс выстроен, можно последовательно запускать остальные компоненты: внутренний поиск на базе GraphRAG, внешний нейропоиск, агента-стратега и анализ цифрового следа пользователей.

Чтобы масштабировать работу с ИИ, одной агентской системы недостаточно. Нужна единая точка доступа к внешним и локальным большим языковым моделям. В нашем случае эту роль выполняет Synergy iChat.

Сотрудникам запрещено работать с нейросетями вне шлюза. Это позволяет контролировать передачу данных и расходы. Дашборд помогает замечать возможные утечки и неэффективные промпты, которые без необходимости увеличивают затраты.

Через нейрошлюз работает и микрообучение. Вместо многочасового курса сотрудник получает короткую инструкцию под конкретную задачу, например о том, как составить промпт для замены контрагента. После выполнения он отвечает на открытый вопрос, который проверяет, применил ли он рекомендацию на практике. Если ответ показывает, что материал не усвоен, система предлагает следующий учебный блок. Получается обучение по ходу работы — learn as you go.

ИИ можно использовать не только для работы с документами и управленческими решениями. Для анализа речи руководителей мы применяем несколько нейросетей: они оценивают интонацию, темп и хезитации — паузы и звуки-паразиты вроде «э-э-э».

Отсутствие естественных пауз может указывать на то, что человек читает заранее подготовленный текст, а не говорит свободно. По результатам анализа система даёт рекомендации: как сократить количество слов-паразитов, управлять темпом и сделать речь увереннее. Мгновенная обратная связь превращает обычное выступление в учебную практику.

В коучинге, менторинге и наставничестве ИИ можно использовать по трём сценариям:

1. Поддержка. Ассистент собирает данные и снимает рутину, чтобы у наставника оставалось больше времени на содержательный разговор.
2. Дополнение. Модель участвует в работе как второй помощник: структурирует диалог и напоминает о договорённостях и задачах.
3. Эмуляция. Пользователь общается только с ботом, который выполняет функции наставника или коуча.

Последний сценарий легче масштабировать, но он вызывает больше всего вопросов. Алгоритм способен имитировать эмпатию, однако не воспроизводит человеческий контакт, доверие и ту самую «химию» между людьми. Поэтому наиболее жизнеспособной нам кажется гибридная модель, в которой ИИ поддерживает наставника, а не заменяет его.

Технологии уже помогают подбирать пары наставников и учеников по профилям, снижая риск несовместимости. Эксперту становится проще структурировать свой опыт, а задача коуча постепенно смещается от передачи информации к совместному поиску решения и рефлексии: базовые сведения пользователь может получить у алгоритма.

В обучении появляются виртуальные сокурсники — ИИ-агенты, которые выполняют задания вместе с человеком и дают обратную связь. Они могут повысить вовлечённость, но полностью виртуальная среда способна усилить чувство изоляции и вызвать эффект «зловещей долины». Поэтому пользователю важно понимать, с кем он взаимодействует: с человеком или с программой.

Следующий шаг — цифровые двойники: профили или аватары, которые воспроизводят знания и отдельные черты наставника либо исторической личности, например Николая Бердяева или Айзека Азимова. Такой формат может сделать образовательный опыт нагляднее, если система не выдаёт имитацию за живого человека и ясно показывает границы достоверности.

Непрерывная поддержка со стороны ИИ делает развитие постоянным процессом. Система может заметить в ответах признаки неуверенности или повторяющиеся затруднения и предложить подходящие материалы. Но вопросы, связанные с тревогой, самооценкой и психологическим состоянием, нельзя полностью передавать алгоритму: здесь особенно важны участие и ответственность человека.

Для заказчиков обучения ИИ становится аналитическим инструментом. Он может обрабатывать большие массивы данных по учебным сессиям, находить повторяющиеся проблемы и помогать прогнозировать потребности сотрудников. Обучение становится более адресным, а часть рутинных операций автоматизируется.

При этом живое наставничество приобретает большую ценность: к человеку обращаются с вопросами, для которых недостаточно готовой инструкции или анализа данных. Одновременно растут риски. Алгоритмы могут воспроизводить предвзятость исходных данных, снижать качество человеческого контакта и создавать угрозы конфиденциальности. Поэтому при внедрении особенно важно защищать персональные данные, сохранять анонимность и объяснять сотрудникам, как именно система использует их цифровой след.

ИИ делает наставничество и обучение доступнее, берёт на себя часть аналитики и позволяет поддерживать сотрудников в момент, когда у них возникает рабочая задача. Появляются виртуальные среды и круглосуточный доступ к знаниям, а роль наставника меняется: вместо простой передачи информации он помогает осмыслить опыт и принять решение.

Интерактивное обучение с ИИ — это не замена преподавателя ботом, а сочетание RAG, графов знаний, агентов, микрообучения, анализа речи и гибридного наставничества. Алгоритм может быть ассистентом, партнёром и тренажёром, но ценности, ответственность и живой контакт должны оставаться за человеком.

Чтобы такая система приносила пользу, сотрудников нужно учить проверять источники, составлять запросы, аргументировать решения и понимать ограничения моделей. Подробнее о том, какие навыки работы с AI нужны современному специалисту, рассказали в отдельной статье. Учиться стоит не у ИИ, а вместе с ним — и по-прежнему друг у друга.