Дефицит ИИ-навыков: почему доступ к инструментам не решает проблему

Главный миф корпоративного обучения 2026 года звучит так: если у людей есть доступ к нейросетям, они сами разберутся, как их использовать. Российская статистика этот миф уверенно опровергает.

Системное обучение работе с ИИ организовали лишь 2% российских компаний. Еще 11% только планируют запустить такие программы, а 84% работодателей рассчитывают, что сотрудники освоят нейросети самостоятельно. При этом на продвинутом уровне навыками работы с ИИ владеют всего 3,5% россиян.

Разрыв между покупкой лицензий и реальной компетентностью – не гипотетическая угроза. Это уже измеренная проблема, которую бизнесу предстоит закрывать.

Доступ появился. Компетентность – нет

Барьеры для использования ИИ исчезли почти мгновенно. Открыть чат-бота и написать первый запрос можно за пару минут – никакого технического онбординга не требуется. Интерфейс знакомый, ответ приходит через секунды, сотрудник чувствует себя продуктивным.

Но доступность и профессионализм – разные вещи.

Два человека с одним и тем же инструментом могут получить совершенно разные результаты. Один даст контекст, уточнит запрос, перепроверит факты и поймет, какие данные допустимо передавать в сервис. Другой введет расплывчатую формулировку, возьмет первый ответ и скопирует его в рабочий документ.

Оба считаются «пользователями ИИ». Только один из них развивает реальную компетентность.

Именно поэтому количество активных аккаунтов – плохой показатель готовности компании к ИИ. Важнее не то, сколько сотрудников открыли нейросеть, а то, насколько эффективно и безопасно они умеют с ней работать.

Без общей базы эксперименты превращаются в хаос

Когда компании раздают ИИ-инструменты без единой рамки обучения, сотрудники стихийно вырабатывают разные привычки. Одни становятся энтузиастами-экспериментаторами, другие заходят в сервис раз в месяц, третьи избегают его, потому что не уверены, что разрешено. Разные команды собирают собственные библиотеки промптов, выбирают разные инструменты и устанавливают негласные правила.

Само по себе это неплохо: эксперименты часто приводят к полезным находкам. Проблема начинается, когда эксперимент становится единственной стратегией.

Одна команда выстраивает сложные рабочие сценарии с ИИ, другая топчется на базовых вопросах. Один сотрудник понимает, какие данные нельзя отправлять в публичный сервис, другой даже не догадывается, что это важно.

Корпоративное обучение создает общий фундамент, не требуя от всех одинакового использования ИИ. Сотрудники узнают, что такое нейросети, где они полезны, каковы их ограничения и какие правила действуют в компании. Дальше обучение может становиться все более конкретным – под роли, уровень навыков и реальные рабочие задачи.

Плохой промпт – это только половина проблемы

Когда ИИ выдает слабый результат, обычно винят промпт. И действительно: контекст, четкая постановка задачи и итерации меняют качество ответа радикально.

Но сводить разрыв в навыках только к формулировке запросов – значит упускать главное. Сотруднику нужно уметь оценивать то, что вернула нейросеть.

Даже идеально составленный промпт может дать неточный, неполный или вводящий в заблуждение ответ. Поэтому компетентность включает проверку фактов по авторитетным источникам, распознавание недостающего контекста, применение собственной экспертизы и понимание момента, когда ответ ИИ использовать нельзя.

Самые сильные пользователи ИИ – не обязательно те, кто пишет самые изящные промпты. Это те, кто умеет соединять возможности технологии со своими знаниями, контекстом и критическим суждением.

Политика безопасности не работает, если ее не умеют применять

Российские компании уже столкнулись с этой ловушкой. Правила использования ИИ утвердили 20% организаций, а в 71% компаний сотрудники сами решают, как применять нейросети в работе.

Политика может установить важные границы: какие инструменты одобрены, какие данные нельзя передавать, что считается конфиденциальной информацией. Но публикация документа не гарантирует, что сотрудник поймет, как применить его к конкретной ситуации.

Представьте менеджера по продажам, который готовится к встрече с клиентом. Он хочет попросить ИИ суммировать заметки прошлых разговоров. Это разрешено? Какие детали можно включить? Зависит ли ответ от используемого сервиса? Что делать, если в заметках есть персональные данные или коммерческая тайна?

Это практические решения, а не теоретические вопросы.

Обучение превращает политику из документа, который сотрудник должен помнить, в сценарии, которые он умеет распознавать. Вместо сухого запрета «не вводите конфиденциальные данные в неодобренные ИИ-инструменты» компания учит определять чувствительную информацию, различать одобренные сервисы и действовать в незнакомой ситуации.

Универсальный курс упирается в потолок

Общая база важна, но на ней развитие ИИ-компетенций не заканчивается. Разным ролям нужны разные навыки.

Продавцу полезно научиться использовать ИИ для подготовки к встречам, исследования клиентов и коммуникации. Маркетологу – для генерации идей, анализа и работы с контентом. Руководителю – для синтеза информации и подготовки к сложным разговорам.

Технология под капотом одна. Контекст, риски и желаемые результаты – разные.

Здесь компания переходит от ИИ-грамотности к углублению навыков. Первая отвечает на вопрос «что сотрудник должен понимать об ИИ». Второе помогает применить это понимание к конкретной работе.

Российский рынок корпоративного обучения уже реагирует на этот запрос. В первом полугодии 2026 года оборот онлайн-школ по обучению работе с нейросетями вырос до 640 млн рублей против 572 млн годом ранее. В Skillbox отмечают, что компании все чаще ищут курсы по практическому применению ИИ, а не абстрактные введения в технологию .

Разрыв в навыках проще закрывать, когда перестаешь воспринимать его как одну универсальную дыру. Он состоит из десятков разных пробелов – по ролям, уровням и задачам.

ROI от ИИ зависит от того, что люди реально умеют делать

Купить лицензии, активировать аккаунты и посчитать количество пользователей легко. Эти метрики показывают охват. Они не показывают ценность.

Бизнес-эффект от ИИ обычно проявляется за пределами самого инструмента. Сотрудники быстрее выполняют задачи, делают более сильные первые черновики, легче находят информацию, автоматизируют рутину и высвобождают время для работы, где нужна человеческая экспертиза.

Ни один из этих результатов не гарантирован просто потому, что у компании есть подписка на нейросеть.

Именно поэтому обучение должно быть частью разговора об инвестициях в ИИ, а не отдельной статьей расходов. Если компания вкладывается в технологию, но не развивает навыки ее использования, разрыв между возможностями инструмента и возможностями команды становится барьером для отдачи.

Метрики обучения дают часть картины: участие, результаты тестов, прогресс в навыках. Но их нужно сопоставлять с операционными показателями и обратной связью от сотрудников, чтобы понять, превращаются ли новые компетенции в лучшие способы работы.

Цель – компетентность, а не «использование ИИ»

Зрелый подход к обучению начинается с вопроса: что именно сотрудник должен уметь делать?

Для каждой роли или аудитории компания может спросить:

• Что этот человек должен понимать об ИИ?
• Какие задачи с помощью ИИ имеют отношение к его работе?
• Какие навыки нужны, чтобы выполнять их эффективно?
• Какие риски он должен распознавать?
• Где требуется проверка?
• Когда человеческое суждение имеет приоритет?

Эти вопросы ведут к другой стратегии, чем просто запись всех сотрудников на «Введение в генеративный ИИ». Они позволяют выстроить прогрессию: от базовой грамотности к практическим навыкам, затем к ролевым сценариям и подтверждению компетентности через оценку. По мере развития технологии и обязанностей развитие продолжается.

У ИИ-навыков короткий срок годности

Есть еще одна причина, по которой доступ сам по себе никогда не закроет разрыв: технология не стоит на месте.

Появляются новые модели, инструменты получают новые возможности, компании меняют политики, команды находят новые применения. То, что год назад казалось продвинутым, быстро становится нормой.

Поэтому обучение ИИ не может быть разовым проектом трансформации. Компании нужен способ постоянно превращать то, что они узнают, в новую компетентность сотрудников.

Это повышает ценность скорости создания и обновления учебных материалов. Российские платформы корпоративного обучения уже встраивают ИИ-помощников для работы с текстом и генерации контента – например, «Линда», на которую «Ростелеком» перешел с американской Articulate Rise . МТС Линк предлагает конструктор курсов без разработчиков и встроенную аналитику . Инструменты ускоряют производство обучения. Но они не отменяют необходимости решить, чему именно учить.

Что делать вместо разовой кампании

Разрыв в ИИ-навыках вряд ли закроет один курс. И он вряд ли останется закрытым.

Практичнее выстроить развитие ИИ-компетенций как непрерывную систему. Начать с базовой грамотности: принципы работы, ответственное использование, безопасность, работа с промптами, ограничения и роль человека. Затем перейти к практическим сценариям и ролевым траекториям. Опытные сотрудники двигаются к продвинутым навыкам, новые – начинают с фундамента.

Оценка показывает, где нужно дополнительное развитие. Сертификаты и внутренние подтверждения компетенций фиксируют прогресс. Учебные траектории дают разным аудиториям разные маршруты.

И главное: по мере изменения ИИ система меняется вместе с ним. Это не замороженный учебный план, а среда, которая развивается вместе с командой. 

Покупка лицензий – это начало, а не финал

ИИ-инструменты открывают сотрудникам дверь в новые способы работы. Но они не учат, как через эту дверь пройти.

Компании по-прежнему нужны грамотность, практические навыки, критическое суждение, понимание правил и ролевая компетентность – все то, что превращает доступную технологию в инструмент, которым люди умеют пользоваться эффективно.

Это и есть настоящий разрыв в ИИ-навыках. И по мере того как нейросети глубже встраиваются в работу, выигрывать будут не те, кто раздал больше инструментов, а те, кто построил способность использовать их хорошо, ответственно и с пользой для бизнеса.

Российская статистика показывает масштаб задачи: 84% компаний ждут, что сотрудники научатся сами. Но самостоятельное освоение ИИ уже создает риски – от утечек данных до цифрового неравенства между командами. Покупка лицензий – это начало. Разрыв закрывается тогда, когда компания вкладывается в навыки, правила и измеримые изменения в работе, а не только в технологию.