74% компаний не видят пользы от AI в обучении: главные ошибки

AI не починит сломанное обучение. Он лишь покажет проблемы быстрее. Команды с высоким уровнем зрелости сначала наводят порядок в архитектуре контента и процессах. Настоящая проблема не в инструментах, а в фундаменте. 

Почему стратегии AI‑обучения прежде всего нуждаются в корнях

При общении с CHRO, CLO и руководителями цифрового обучения в корпорациях, издательствах и на EdTech-платформах выясняется, что почти у всех сейчас есть какая‑то инициатива по AI в обучении. Идут инвестиции, запущены пилоты, топ-менеджмент ждёт результатов.

Но когда заходишь чуть глубже, всплывает одна и та же неприятная закономерность.

Несмотря на рекордные вложения AI в L&D, измеримого влияния на реальную эффективность сотрудников почти нет. Контент создается быстрее – но не лучше. Пилоты красуются на дашбордах, но не масштабируются. А разрыв в навыках – тот самый, который бизнес хочет закрыть позавчера, – остается угрожающе широким.

По данным BCG, 74% компаний не видят ощутимой бизнес-ценности от инвестиций в AI – при том что только в 2024 году на это потратили $252,3 млрд. Исследование MIT «GenAI in Business» (2025) показывает: 95% пилотов GenAI не доказывают влияния на прибыль. А S&P Global сообщает, что 42% компаний в 2025 году отказались от большинства AI-инициатив – годом ранее таких было лишь 17%.

Если говорить конкретно об обучении: отчёт LinkedIn Workplace Learning Report (2025) говорит, что 80% L&D-специалистов считают AI важным для стратегии, но регулярно используют его в работе только 25%. При этом 49% профессионалов в сфере обучения и развития талантов признают: их руководители беспокоятся, что у сотрудников не хватает навыков для выполнения бизнес-стратегии.

Вот о каком разрыве в AI-обучении почти никто не говорит достаточно громко: разрыве между инвестициями и реальной рабочей силой.

Если опираться на опыт Harbinger, где компания поддерживает ведущие мировые издательства, ассоциации и корпоративные команды обучения, корень проблемы не в технологиях. А в фундаменте, на котором строятся AI-стратегии в обучении.

AI в обучении – это не обновление инструментов, а сдвиг всей системы

Самое распространённое заблуждение: компании воспринимают AI как способ быстрее делать то же самое. Быстрее создавать курсы, генерировать тесты, автоматизировать переводы и локализацию. Всё это реальная эффективность. Но она не меняет то, как работает обучение.

AI принципиально меняет экономику учебного контента. То, что раньше занимало 40 часов, теперь занимает 4. Но если контент всё ещё лежит в SCORM-пакетах, которые никто не открывает дальше 12-го слайда, – вы просто стали быстрее производить посредственность. Меняются и ожидания учеников: люди хотят поддержки в потоке работы, контекстуальной и «ко времени», а не курса, который нужно запускать из LMS.

Это создает структурный спрос на экосистему обучения, к которому большинство организаций пока не готовы. Контент больше не может быть статичным. Системы должны постоянно развиваться. Архитектура должна обеспечивать модульное переиспользование, AI-взаимодействие и контекстную доставку через разные каналы.

Когда компании накладывают AI на устаревшие, ориентированные на курсы модели, не трогая структурные проблемы, результат предсказуем. AI не трансформирует сломанную систему. Он обнажает и ускоряет её ограничения.

Где ломаются большинство AI‑стратегий в обучении

Анализируя проекты в корпоративном секторе и трансформации цифровых издательств, Harbinger постоянно видит одни и те же паттерны неудач.

Контент не готов. Большинство учебных экосистем построено на SCORM‑пакетах, PDF‑файлах и линейном видео – форматах, созданных для доставки, а не для машинного взаимодействия. Без структурированной метаинформации и модульной архитектуры у AI‑систем нет контекста для генерации надежных результатов. Итог: вы тратите больше времени на валидацию сгенерированного контента, чем на пользу от него.

Отчет McKinsey State of AI (2025) подчёркивает: 51% организаций столкнулись как минимум с одним негативным инцидентом, связанным с AI, – чаще всего это неточный вывод или нарушение комплаенса. В регулируемых отраслях это серьезный риск.

Модернизация как разовый проект. Компания запускает миграцию контента или апгрейд платформы – и ждёт следующего бюджета. В AI‑среде контент не может оставаться статичным. Без непрерывных процессов обновления организации вечно оказываются в позиции догоняющих.

Управление (governance) как заплатка. AI даёт скорость. Но без встроенного управления эта скорость приносит риски. Компании часто колеблются масштабировать AI, потому что не уверены, как будут обнаруживать, исправлять и аудировать ошибки.

Непонятные роли внутри L&D. Когда AI входит в процессы, инструкторы, методисты, эксперты и QA‑команды часто не понимают, как их работа меняется. Непонимание создает трения и тормозит внедрение – не потому, что люди сопротивляются AI, а потому, что никто не перестроил модель работы.

Разрыв с бизнес-результатами. Это, пожалуй, самый критичный провал. Большинство AI‑стратегий в обучении оцениваются по эффективности: сколько часов сэкономили, сколько курсов создали. Бизнес-лидеры теперь спрашивают иначе: наши люди стали реально компетентнее? Мы закрываем те разрывы в навыках, которые важны? Когда обучение остаётся в парадигме производства контента, а не развития способностей, оно не может честно ответить на этот вопрос.

Что показывают исследования: организации с высоким уровнем зрелости

Отчёт LinkedIn Workplace Learning Report (2025) показателен. Только 36% организаций могут назвать себя «чемпионами карьерного развития» – то есть системно связывают обучение с карьерными треками, внутренней мобильностью и бизнес-результатами. Но у тех, кто это делает, результаты измеримо лучше: выше прибыльность, лучше удерживаются таланты и значительно выше уровень внедрения AI.

Чемпионы карьерного развития на 32% чаще предлагают обучение AI и на 51% чаще считают себя лидерами во внедрении генеративного AI (против 36% среди менее зрелых организаций).

Этот паттерн совпадает с тем, что наблюдается в работе Harbinger: организации, которые получают от AI максимум, – это не те, кто начал с инструментами раньше всех. А те, кто сначала привёл в порядок контент-инфраструктуру и операционную модель.

Приведем два примера с платформы E-learning Industry.

В одном крупном проекте по индустриализации курсов (похожем на работу с издателями медицинского и комплаенс‑контента) у организации были тысячи курсов, каждый кастомизирован под разную аудиторию. Вместо миграции контента «как есть» решили перестроить его в reusable-объекты с правильной метаинформацией. Результат: скорость создания контента выросла в 10 раз, уровень автоматизации – 80%. Но важнее другое: модульная структура позволила обновлять контент один раз и автоматически перевыпускать в разных форматах. AI стал ускорителем. Архитектура – фундаментом.

В другом случае организация, занимающаяся развитием лидеров, перешла от статичных курсов к структурированной одноисточниковой модели контента. Когда контент стал модульным и насыщенным метаданными, AI‑персонализация стала возможной – не потому, что внедрили новый инструмент, а потому что контент наконец стал машиночитаемым. Симуляторы AI‑коучинга, динамические тесты, адаптивные треки – всё это стало доступно как следствие структурной работы, проделанной в первую очередь.

Паттерн ясен: сначала проектируете систему – потом получаете ценность от AI.

Практическая модель: зрелость контента × зрелость операционной модели

Полезно думать об AI‑стратегии в обучении через два измерения: зрелость контента (насколько он структурирован, модулен и пригоден для повторного использования) и зрелость операционной модели (работает ли L&D на проектных потоках или на непрерывной доставке).

В организациях с неструктурированным контентом и проектными рабочими процессами AI создает больше переделок, чем пользы.

Когда контент становится структурированнее, растёт повторное использование и согласованность. Но без изменений в операционной модели масштаб остается ограниченным.

Настоящая трансформация происходит, когда оба измерения развиваются вместе. Высокозрелые организации строят модульные контент‑системы, поддерживаемые непрерывными процессами и встроенным управлением. В таких условиях AI становится естественным расширением системы, а не «прикрученным» дополнением.

Именно через эту двойную линзу зрелости Harbinger подходит к разговорам с клиентами – будь то корпоративные L&D‑команды, пытающиеся перейти от доставки контента к развитию рабочей силы, или цифровые издательства, превращающие каталоги PDF в AI‑готовую контентную цепочку поставок.

Что делают иначе команды с высоким уровнем зрелости

Самые продвинутые организации в этой сфере объединяет одно: они начинают AI‑путь не с инструментов. Они начинают с проектирования системы.

Они относятся к контенту как к инфраструктуре, а не как к готовому продукту. Контент разбит на модульные компоненты, обогащён метаданными и спроектирован для повторного использования. Курсы, инструменты performance support, AI‑ассистенты и аналитика – всё может питаться из одного источника.

Они переосмысливают оценивание. Вместо фиксированных линейных тестов, встроенных в курсы, они строят динамические системы, где вопросы размечены по навыкам, сложности и контексту. Это позволяет тестам адаптироваться под ответы учеников и генерировать более богатые данные о реальном развитии способностей – а не просто о прохождении материала.

Они перепроектируют роли – а не просто переоснащают их. Инструкторы становятся архитекторами опыта. Эксперты – из продюсеров контента в валидаторы знаний. QA расширяется до AI‑управления, не как узкое место, а как встроенная функция качества и комплаенса. Это та часть трансформации рабочей силы, которую большинство AI‑стратегий в обучении полностью упускают.

Они встраивают управление с самого начала. Высокозрелые организации чётко определяют границы: где AI может генерировать, а где должен оставаться детерминированным. Аудиторские следы и прослеживаемость гарантируют, что инновации не идут в ущерб доверию. Это критически важно в регулируемых отраслях.

И они измеряют иначе. Вместо объёмов контента или процента прохождения они отслеживают прогресс в навыках, внутреннюю мобильность и повышение эффективности. Они отвечают на тот вопрос, который на самом деле волнует бизнес-лидеров: становятся ли наши люди компетентнее в том, что ведёт к бизнес-результатам?

С чего начать

Для организаций, которые хотят усилить свою AI‑стратегию в обучении, отправная точка – не новый инструмент и не новая платформа. Это честная диагностика.

Вот три вопроса, на которые стоит ответить:

1. Ваш контент структурирован так, чтобы поддерживать модульное повторное использование и AI‑взаимодействие? Или он заперт в форматах, созданных для разовой доставки?

2. Ваши L&D‑процессы спроектированы для непрерывной эволюции? Или вы работаете в парадигме бюджетных циклов и проектных сроков, что структурно затрудняет постоянное улучшение?

3. Управление использованием AI встроено в вашу контентную цепочку? Или оно применяется постфактум, создавая ту самую нерешительность, которая мешает масштабированию?

Честные ответы дадут более ясную дорожную карту, чем любая оценка технологий. Для тех, кому нужен структурированный бенчмарк, Harbinger разработал CLEAR Content Audit Framework – это диагностическая система с бальной оценкой по качеству контента, AI‑готовности, ученическому опыту и рационализации библиотеки.

Вместо заключения

Будущее обучения определяется не тем, как быстро создаётся контент. А тем, насколько эффективно организации строят системы, которые развивают реальную рабочую силу – непрерывно, в масштабе и в соответствии с тем, куда движется бизнес.

В Harbinger работают на стыке цифровых издательств, развития персонала и трансформации талантов. И там постоянно видят одно и то же: организации, которые выжимают максимум из AI в обучении, объединяет общая черта. Они сначала вложились в фундамент. А потом – в возможности.

AI – мощный ускоритель трансформации рабочей силы.

Но только если сама система готова его принять.