Весь блог https://to-dual.education Блог To Dual: разборы исследований об ИИ в бизнесе, практика корпоративного обучения и интервью со специалистами о карьере. ru Fri, 16 Oct 2026 15:09:01 +0300 88% компаний внедряют ИИ. 6% видят результат https://to-dual.education/blog/b3v55uhio1-88-kompanii-vnedryayut-ii-6-vidyat-rezul Wed, 04 Feb 2026 12:42:00 +0300 Юлиана Нам и Дмитрий Еременко, сооснователи To Dual AI Карьера Бизнес Компании говорят про ИИ, образовательные платформы хвастаются охватами, работодатели жалуются на дефицит кадров. А результат получают единицы.

88% компаний внедряют ИИ. 6% видят результат

ИИ в бизнесе: 88% компаний внедряют, 6% видят результат

Мы изучили отчёты McKinsey, BCG и Gartner за 2024-2025 год. Добавили данные российских исследований — hh.ru, Skillbox, отчёты Банка России. Хотели понять, что реально происходит с искусственным интеллектом в бизнесе, онлайн-образованием и рынком труда.

Главный вывод: разрыв между декларациями и результатами огромный. Компании говорят про ИИ, образовательные платформы хвастаются охватами, работодатели жалуются на дефицит кадров. А результат получают единицы.

Разбираем, почему так происходит и что с этим делать.

ИИ в бизнесе: почему проваливаются 95% проектов

88 компаний из 100 заявляют об использовании искусственного интеллекта. Но только шесть из них получают реальную отдачу на прибыль.

Что это значит: из ста компаний, которые внедряют ИИ, только шесть зарабатывают на этом больше денег. Остальные 94 либо тратят бюджет впустую, либо застряли на этапе тестирования.

MIT опубликовал исследование: 95 из 100 пилотных проектов (тестовых запусков) с ИИ в крупных компаниях не влияют на прибыль. Запустили, потестировали, положили в стол. BCG подтверждает — три четверти компаний не видят никакой пользы от внедрения.

Почему это важно: с обычными технологиями провалов в два раза меньше. То есть с ИИ провалиться проще, чем с любым другим инструментом. Это не значит, что ИИ плохой — это значит, что компании внедряют его неправильно.

Окупаемость — не через год, через четыре

Обычно новая технология окупается за семь-двенадцать месяцев. С искусственным интеллектом — два-четыре года.

Что это значит на практике: вы вложили миллион рублей в январе 2025 года. С обычной технологией вы вернёте эти деньги к декабрю 2025-го. С ИИ — в лучшем случае к концу 2027 года. А то и к 2029-му. Это важно закладывать в бюджет и не ждать быстрых результатов.

Только шесть компаний из ста получили деньги обратно меньше чем за год. Остальные либо всё ещё ждут, либо уже поняли, что не дождутся.

Но есть и хорошая новость. Те шесть процентов, кто добился успеха, получают на каждый вложенный доллар почти четыре доллара обратно. Рост выручки на 16%, снижение затрат на 15%.

Почему это важно: разница между победителями и проигравшими колоссальная. Дело не в том, что ИИ не работает. Дело в том, как его внедряют.

Правило 10-20-70: почему покупка технологии не решает проблему

Консалтинговая компания BCG вывела формулу успешного внедрения ИИ:

10% бюджета — на алгоритмы
20% бюджета — на технологии и данные
70% бюджета — на людей и процессы

Успешные компании так и делают. Проигравшие делают наоборот — покупают дорогой инструмент за миллионы, а людям не объясняют, зачем он нужен и как им пользоваться.

Пример из жизни: компания купила систему для автоматизации работы с клиентами за три миллиона рублей. Но менеджеры продолжают вести переписку в старом мессенджере, потому что привыкли и не понимают, зачем переходить на новое. Система простаивает. Деньги выброшены.

Только каждая пятая компания реально перестроила свои процессы под ИИ. Следовательно именно перестройка процессов даёт результат, а не сам факт покупки технологии.

Почему это важно: технология без изменения процессов и обучения людей не работает. Это как купить дорогой тренажёр и поставить его в углу — деньги потрачены, а результата нет.

Главные проблемы при внедрении

Две трети компаний не могут посчитать, окупается ИИ или нет. Больше половины не справляются с тем, чтобы встроить новую технологию в старые системы. Половина жалуется, что в команде нет людей, которые умеют работать с ИИ.

Самая частая проблема — данные. Треть компаний говорит: у нас данные низкого качества, их мало, они разбросаны по разным системам, их сложно собрать. Даже среди тех, кто добился успеха, семь из десяти столкнулись с этой проблемой.

Почему это важно: ИИ работает на данных. Если данные плохие — ИИ работает плохо. Это как пытаться приготовить хороший суп из протухших продуктов.

Ещё одна закономерность от MIT: когда компания пытается разработать решение своими силами — успех в трети случаев. Когда покупает готовое решение или работает с партнёром — успех в двух третях случаев.

Почему это важно: не пытайтесь изобрести велосипед. Если кто-то уже решил вашу задачу — купите готовое решение. Это работает в два раза чаще.

Практический вывод

Не ждите быстрой окупаемости — закладывайте два-четыре года. Большую часть бюджета тратьте не на технологии, а на обучение команды и перестройку процессов. Выберите одну-две задачи и доведите их до конца, а не пытайтесь автоматизировать всё сразу. Покупайте готовые решения вместо разработки своими силами — это работает в два раза чаще.

Онлайн-образование: почему короткие курсы побеждают длинные

Российский рынок онлайн-образования вырос до 145 миллиардов рублей — на 19% за год и в десять раз за пять лет. Обучается больше 8 миллионов человек.

Крупнейшие компании по выручке: Синергия (12,7 млрд рублей), Skillbox (12,2 млрд), Skyeng (12,1 млрд), Яндекс.Практикум (8,2 млрд), GetCourse (6,7 млрд).

Цифры впечатляющие. Но есть проблема, о которой мало кто говорит.

Сколько людей доходят до конца курса

Традиционные онлайн-курсы на несколько месяцев завершают от 3 до 5 человек из 100. То есть из 100 записавшихся до конца доходят максимум 15. Часто меньше 10.

Почему это важно: представьте, что вы запустили курс. Записались 1000 человек. До конца дойдут 50-150 человек. Остальные 850-950 заплатили деньги, но ничему не научились. Они не получили результата, разочаровались в онлайн-образовании. Для бизнеса это плохая репутация и низкая вероятность, что человек купит следующий курс.

При этом 39 человек из 100 вообще никогда не заходят в купленный курс. Ни разу. Они заплатили, получили доступ — и забыли.

Короткие форматы (когда урок длится 5-15 минут) завершают от семидесяти до восьмидесяти человек из ста. Это в пять раз больше.

Почему это работает: человек может посмотреть урок в метро по дороге на работу. Или в обеденный перерыв. Не нужно выделять час вечером, когда уже нет сил. Психологически легче начать короткий урок — кажется, что это быстро, не страшно.

Обучение группами (когда люди проходят программу вместе и поддерживают друг друга) даёт завершаемость до девяноста человек из ста. Это в шесть раз выше, чем когда человек учится один.

Почему это работает: когда ты учишься один, легко отложить на завтра. Когда учишься с группой — есть давление, что все идут дальше, ты не хочешь отставать. Плюс можно задать вопрос, обсудить сложную тему, получить поддержку.

Рынок коротких форматов растёт в два раза за год

Рынок коротких образовательных форматов вырос с полутора миллиардов долларов в 2024 году до трёх миллиардов в 2025-м. Рост на сто процентов за год.

Почему это важно: это не временная мода. Это фундаментальное изменение в том, как люди учатся. Люди больше не готовы сидеть три месяца над длинным курсом. Они хотят получить конкретный навык быстро.

Первые две недели решают всё. Если курс не зацепил студента за это время, он бросит. Большинство принимают решение продолжать или уходить именно в начале.

Почему это важно: если вы делаете образовательный продукт, у вас есть только две недели, чтобы показать студенту пользу. Если первые уроки скучные или непонятные — человек уйдёт, даже если дальше контент отличный

Три четверти компаний в Северной Америке перевели обучение сотрудников на мобильные устройства. Люди учатся не за компьютером по вечерам, а в метро, в очереди, между встречами.

Почему это важно: если ваш курс можно смотреть только с компьютера за столом — вы теряете большую часть аудитории. Современные люди учатся урывками, когда есть 10-15 минут свободного времени.

Инвесторы перестали давать деньги всем подряд

Инвестиции в образовательные технологии упали с двадцати миллиардов долларов в 2021 году до двух миллиардов в 2024-м. Падение на девяносто процентов. Это минимум за десять лет.

Что это значит: раньше инвесторы давали деньги всем, кто обещал миллион студентов. Сейчас дают только тем, кто показывает реальные цифры: сколько студентов завершают курсы, сколько остаются учиться дальше, сколько платят повторно.

Почему это важно: рынок созрел. Закончилась эра, когда можно было набрать миллион регистраций и получить инвестиции. Теперь важны метрики качества, а не количества.

Наш опыт в To Dual

Мы изначально строили программы по принципу коротких форматов — одна-две недели вместо нескольких месяцев. Студенты учатся через решение реальных задач бизнеса. Получают конкретный навык за короткое время, который сразу можно применить в работе.

Завершаемость таких программ действительно в разы выше традиционных длинных курсов. Не потому что мы какие-то особенные, а потому что формат работает лучше. Короткие интенсивные спринты с практическими задачами — это то, что нужно современным студентам.

Практический вывод

Разбивайте обучение на модули по пять-семь уроков. Один урок — максимум пятнадцать минут. Показывайте пользу в первые две недели, иначе люди уйдут. Делайте так, чтобы можно было учиться с телефона — три четверти людей учатся именно так. Добавляйте групповое обучение — когда люди учатся вместе, они в шесть раз чаще доходят до конца.

Рынок труда: почему 85% вакансий закрываются через знакомых

Всемирный экономический форум прогнозирует: к 2030 году появится 170 миллионов новых рабочих мест, но исчезнет 92 миллиона старых. В итоге вырастет на 78 миллионов.

При этом 63 работодателя из 100 говорят: главная проблема не в количестве людей, а в том, что у кандидатов нет нужных навыков.

Почему это важно: вакансий будет больше, но получить их смогут только те, у кого есть актуальные навыки. Простого наличия диплома или опыта недостаточно.

Российский рынок: больше людей, меньше вакансий

Вакансии для офисных работников упали на четверть. Резюме выросли на четверть — до 3,2 миллиона активных. Конкуренция усилилась: было 3,7 резюме на одну вакансию, стало 5,9.

Что это значит на практике: если год назад на вашу вакансию откликались четыре человека, сейчас откликаются шесть. Найти работу стало сложнее. Конкуренция выше.

Парадокс в том, что 93 работодателя из 100 жалуются на дефицит кадров. Укомплектованность штатов — только 67%. То есть треть позиций пустует.

Почему это важно: проблема не в том, что людей мало. Проблема в том, что навыки кандидатов не совпадают с тем, что нужно компаниям. У компании есть вакансия аналитика данных, а откликаются люди с опытом работы бухгалтером. Формально человек есть, но он не подходит.

Скрытый рынок труда: как на самом деле закрываются вакансии

85 вакансий из 100 никогда не публикуются на сайтах вакансий. Они закрываются через знакомых, рекомендации сотрудников, внутренние базы кандидатов. 70 позиций из 100 находят человека ещё до того, как вакансия попадает на сайт.

Что это значит на практике: если вы ищете работу только через сайты вакансий, вы видите только 15-30% доступных позиций. Остальные 70-85% вообще не попадают в вашу видимость.

Рекомендации от сотрудников дают от 30 до 50 наймов из каждых ста. При том, что таких кандидатов всего семь из ста от общего потока заявок.

Простыми словами: если вы пришли по рекомендации действующего сотрудника, ваш шанс получить работу в четыре-семь раз выше, чем если вы откликнулись на вакансию на сайте.

Почему это работает: когда сотрудник рекомендует кандидата, он ставит на кон свою репутацию. Он не будет рекомендовать кого попало. Плюс рекомендующий знает и компанию, и кандидата — он может оценить совместимость лучше, чем специалист по подбору персонала по резюме.

Кандидаты по рекомендации нанимаются на 55% быстрее. И остаются в компании дольше: через год на месте 40-46 человек из ста против 14-33 пришедших с сайтов.

Почему это важно: компании это знают. Поэтому они платят сотрудникам бонусы за рекомендации — в среднем 150-200 тысяч рублей за успешный найм. Экономика простая: найти человека через рекомендацию стоит около 70 тысяч рублей. Обычными методами — от 300 тысяч до полутора миллионов рублей.

Куда пропадают резюме

Исследователи проанализировали 10 миллионов откликов на вакансии. Из ста человек, которые увидели вакансию, откликаются шесть. Из этих шести на собеседование приглашают одного. Из тридцати собеседований выходит восемь предложений о работе.

Что это значит: на один успешный найм приходится 180 откликов. Для соискателя это означает: будьте готовы отправить десятки, а то и сотни резюме.

Самая важная цифра: 75 резюме из 100 отсеиваются автоматически до того, как их увидит живой человек. Роботы проверяют ключевые слова, образование, опыт — и отбрасывают три четверти кандидатов.

Почему это важно: вы можете быть идеальным кандидатом, но если в резюме нет нужных ключевых слов, робот вас отсеет. Специалист по подбору даже не увидит ваше резюме.

Специалист по подбору, который всё-таки получил резюме, тратит на его просмотр 7,4 секунды. Семь секунд, чтобы решить судьбу кандидата.

Что это значит: у вас нет времени на длинные истории. Первые три строки резюме должны цеплять. Если за семь секунд специалист не понял, почему вы подходите — вы отсеяны.

Найм занимает в среднем сорок дней от публикации вакансии до выхода человека на работу. Поиск работы для человека — около пяти месяцев.

Почему это важно: закладывайте финансовую подушку минимум на пять месяцев. Это не значит, что вы будете искать пять месяцев, но надо быть готовым к такому сценарию.

Какие навыки на самом деле нужны

Самый востребованный навык по данным Всемирного экономического форума — аналитическое мышление. 70 работодателей из 100 считают его критически важным.

Обратите внимание: не знание конкретных программ, не опыт работы с определёнными инструментами. А способность анализировать информацию и принимать решения.

Почему это важно: программы меняются каждые несколько лет. Инструменты устаревают. Но умение думать, анализировать, видеть связи — это навык, который остаётся актуальным всегда.

Дальше идут навыки работы с искусственным интеллектом и большими объёмами данных, навыки в области компьютерных сетей и защиты информации.

Искусственный интеллект создаёт больше рабочих мест, чем убирает

Вопреки опасениям, ИИ пока создаёт больше рабочих мест, чем убирает. В 2024 году искусственный интеллект создал около 120 тысяч прямых рабочих мест и убрал около 13 тысяч. Чистый прирост — 107 тысяч позиций.

Почему это важно: все боятся, что ИИ оставит людей без работы. Пока происходит обратное — появляются новые специальности, связанные с ИИ. Кто-то должен его обучать, настраивать, проверять результаты, встраивать в процессы.

Исследователи из Йельского университета: рынок труда не испытал заметного разрушения за 33 месяца после запуска ChatGPT.

Зарплата людей с навыками работы с ИИ на 30% выше, чем у тех, кто этого не умеет. Годом ранее премия была 25%.

Что это значит: если вы освоите работу с ИИ, можете рассчитывать на зарплату на треть выше среднего по рынку. Это серьёзная мотивация учиться.

Всемирный экономический форум изучил больше двух тысяч восьмисот навыков. Ни один из них не показал очень высокую вероятность полной замены искусственным интеллектом. 69 навыков из 100 имеют низкую или очень низкую вероятность замены.

Почему это важно: ИИ не заменит вас полностью. Он автоматизирует часть задач, но большинство навыков останутся актуальными. Главное — учиться работать вместе с ИИ, а не вместо него.

Практический вывод для ищущих работу: инвестируйте время в нетворкинг (знакомства и связи) — они дают 70-85 успешных трудоустройств из ста. Сайты вакансий — только дополнительный канал. Развивайте навыки работы с ИИ — получите премию 30% к зарплате. Адаптируйте резюме под автоматические системы отбора — используйте ключевые слова из описания вакансии. Закладывайте финансовую подушку на пять месяцев поиска.

Для работодателей: выстраивайте систему рекомендаций от сотрудников — она работает в четыре-семь раз лучше других способов. Ставьте цель по скорости найма — меньше тридцати дней вместо средних сорока. Проверьте настройки автоматических систем отбора резюме — возможно, вы теряете хороших кандидатов из-за слишком жёстких фильтров.

Что из этого следует

Во всех трёх сферах проявляется одна закономерность: результаты получают не те, кто громче всех говорит о технологиях, а те, кто системно работает с людьми и процессами.

В искусственном интеллекте побеждают компании, которые тратят 70% бюджета на людей и процессы, а не на технологии. Которые выбирают одну-две задачи и доводят их до конца, а не пытаются автоматизировать всё сразу. Которые закладывают реалистичные сроки окупаемости в два-четыре года и не ждут волшебства через полгода.

В образовании работают короткие форматы по 5-15 минут вместо многомесячных курсов. Работает демонстрация практической пользы в первые две недели — если не зацепил сразу, человек уйдёт. Работает групповое обучение, когда студенты поддерживают друг друга, а не учатся в одиночку.

На рынке труда работают рекомендации и знакомства, которые дают шанс трудоустройства в четыре-семь раз выше массовых откликов. Работает развитие навыков работы с ИИ, которое даёт премию 30% к зарплате. Работает системный подход к найму через программы рекомендаций, а не надежда на поток откликов с сайтов.

Технологии — необходимое, но недостаточное условие успеха. Критическая разница в том, как эти технологии встраиваются в работу людей, как адаптируются под реальное поведение, как поддерживаются правильными процессами и обучением.

Компании и специалисты, которые понимают эту разницу и работают с людьми, а не только с инструментами, получают результаты на порядок выше среднего рынка.

Статья подготовлена командой To Dual на основе отчётов McKinsey, BCG, Gartner, World Economic Forum, данных hh.ru, Банка России и других исследовательских источников за 2024-2025 год.

]]> Интервью с ML Brand Lead в Яндексе https://to-dual.education/blog/3xr5zmzb41-intervyu-s-ml-brand-lead-v-yandekse Fri, 22 May 2026 13:56:00 +0300 Команда To Dual и Екатерина Мамонтова, ML Brand Lead в Яндексе Карьера ML Brand Lead, Екатерина Мамонтова, рассказала, как попала в команду, что помогло в первый год и почему момента «я уже не джун» может просто не быть.

Интервью с ML Brand Lead в Яндексе

Карьерный путь

Я училась в РУДН на программе двойного диплома с Рижской международной школой экономики и делового администрирования. Во время учёбы старалась пробовать разное: стажировалась в рекламных и ивент-агентствах. После университета пришла в Институт AIRI, где 4 года занималась digital-коммуникациями и спецпроектами.

Позже меня пригласили на собеседование в Яндекс. В процессе общения мне предложили присоединиться к команде ML Brand. Сейчас я уже около полугода работаю ML Brand Lead-ом.

Какой навык сильнее всего помог в первый год карьеры

Наверное, проактивность. Когда сам проявляешь инициативу — всё остальное начинает двигаться быстрее. Плюс здоровое любопытство — смотреть на всё с интересом и не бояться пробовать новое. И ещё — нетворкинг. Очень важно найти своих людей, с которыми хочется работать и делать классные вещи вместе.

Был какой-то момент, когда ты почувствовала, что ты уже специалист, не джун и не стажер?

Мне кажется, такого момента не бывает. Сначала думаешь: «ну всё, кайф», а потом поговоришь с кем-то сильно круче — и снова чувствуешь себя джуном. Но есть другое ощущение — когда ты сделал сложную задачу и понимаешь, что получилось хорошо. Наверное, важно просто фиксировать такие моменты и не обесценивать их.

Проекты, которые прокачали сильнее всего

Мне кажется, дело не в каких-то конкретных проектах, а в отношении к ним. Любой проект — это опыт. Он может быть удачным или нет, но в любом случае что-то тебе даёт. 100 неудачных проектов — это 100 проверенных гипотез. И, скорее всего, где-то рядом будет тот самый 101-й, который взлетит. И всё это — часть процесса. Без этого нормального роста просто не бывает.

Если бы ты начинала карьеру заново, что бы ты сделала иначе?

Если бы я начинала карьеру заново, я бы, наверное, сделала всё примерно так же. Но тем, кто только начинает, я бы посоветовала как можно раньше идти в практику — не ждать окончания учёбы, а пробовать стажировки и реальные задачи уже во время неё. Это помогает быстрее понять, как всё устроено и где тебе действительно интересно работать. Например, в Яндексе есть Young&&Yandex — там много возможностей для старта карьеры.

Напоследок

Небольшой совет для тех, кто боится собеседований: бояться интервью не нужно. И тебе, и работодателю выгодно, чтобы вы подошли друг другу — вы оба выигрываете, если всё складывается.

А успешная карьера — это много работы и любопытства и немного «солёных огурцов». С работой и любопытством всё понятно. А «солёные огурцы» — это про среду: когда свежий огурец попадает в банку с солеными, он тоже становится солёным со временем. Так же и здесь — если ты в окружении умных и сильных людей, ты неизбежно растёшь. Просто потому что по-другому не получается.

]]> Интервью с SMM-лид в Точка Банке https://to-dual.education/blog/jneu71see1-intervyu-s-smm-lid-v-tochka-banke Mon, 08 Jun 2026 09:58:00 +0300 Команда To Dual и Максим Лызлов, SMM-лид в Точка Банке Карьера Маркетинг SMM-лид в Точка Банке, Максим Лызлов, рассказал о том, как прошел путь от копирайтера до лидера SMM в финтехе

Интервью с SMM-лид в Точка Банке

Как вы пришли в маркетинг?

Я учился на филфаке ВШЭ и в какой-то момент понял, что пора начинать работать. Ничего, кроме написания текстов, я тогда не умел — и подруга привела меня в агентство копирайтером. Я подхватил несколько проектов, а через полгода понял, что хочу вырасти до полноценного контент-менеджера. Примерно тогда осознал, что сфера мне нравится — настолько, что в какой-то момент я одновременно писал посты, проходил стажировку внутри агентства и параллельно сдавал курсовую в университете. Всё завертелось ярко и быстро, и с того момента началось более глубокое погружение в сферу.

Что вы ожидали от маркетинга — и что оказалось на самом деле?

Почему-то думал, что маркетинг — это про съёмки, коллабы, светские мероприятия, работу с лидерами мнений. Но судьба увела меня в другую плоскость: аналитика, креатив, отчёты и тексты. И это кайф!

Первая сложная задача

Это был креативный подход к большой рекламной съемке одного косметического бренда. Я предложил команде идею, в которую очень сильно поверил, но она оказалась совсем мимо — и даже заезженной, как выяснилось позже. Тогда казалось, что всё, мир маркетинга для меня закрыт навсегда, я недостаточно хорош для него. Но всё это было только на уровне команды и даже не дошло до заказчика.

Первая серьёзная ошибка

Тот же кейс. Тогда я думал, что сделав оммаж на популярную рекламу и адаптировав её под рынок, можно получить много внимания — но не учёл, что важно погружаться в историю бренда, его ценности, позиционирование, сам продукт. После этого я начал зарываться гораздо глубже предложенных материалов и генерировать идеи более осознанно. А чуть позже понял, что съёмки — это совсем не моё)

Первая победа

Когда работаешь в агентстве, первым импульсом к уверенности становится положительный фидбек от команды заказчика. После этого понимаешь, что ты в синхроне с их ожиданиями, — и в голове проявляется гораздо больше возможностей для совместной работы.

Какой навык сильнее всего помог в первый год карьеры?

Упорство и проактивность. Я сидел на работе до ночи, брал все проекты, которые предлагали, часто бесплатно. Был голоден до нового опыта и жертвовал встречами с друзьями, комфортом, личной жизнью. В первую «командировку» поехал за свой счёт в сидячем ночном поезде Санкт-Петербург — Москва. Билет стоил 900 рублей, а на неделю жизни у меня было около 3,5 тысяч. Но я кайфовал!

Что вы делали, чтобы вас замечали, кроме усердной работы?

Много общался с коллегами, в том числе за пределами работы. Впитывал как губка опыт других, а потом начал делиться своим. Digital-деревенька мала — со многими знакомыми мы пересекались на других проектах и становились заметнее друг для друга.

Если бы вы вернулись на старт карьеры

Делал бы всё то же самое. Возможно, не приносил бы в жертву карьере личную жизнь — но получилось как получилось. Ни о чём не жалею.

Если разложить вашу карьеру на 4–6 этапов, какие это этапы?

Копирайтер, затем контент-менеджер в агентстве, где я работал с несколькими проектами и прошел школу жизни. После — контент-менеджер и контент-маркетолог в EdTech-сфере, где закалялась сталь и впервые открылись чакры аналитики и цифр (для гуманитария это шок). А сейчас — это лидерская работа с командой в Финтехе. Тоже во многом новый и интересный опыт.

Первая точка роста

Стажировка внутри агентства. Мне предложили подхватить ещё один проект и проверить там свои силы. Всё это, конечно, бесплатно и параллельно с основной работой.

В какой момент вы почувствовали, что стали сильнее как специалист?

Скорее всего, когда в работе появилась аналитика. Благодаря цифрам я начал чувствовать себя увереннее в решениях, быстрее масштабировать то, что эффективно для бизнеса. Вместе с ответственностью начали появляться более интересные кейсы — которыми было не стыдно поделиться в телеграм-канале или на конференциях. Важно, что это не происходит по щелчку: развитие беспрерывно и будет продолжаться до самой пенсии — возможно, тогда я смогу выйти из сферы и как-то себя оценить.

Какие переходы в карьере были самыми важными?

Их было два. Первый — из агентства в EdTech. Тогда я понял, что всё-таки корпоративный игрок и в инхаусе раскрываюсь быстрее и ярче. Второй — переход в Финтех: сферу совершенно новую и на старте пугающую сложностью тематики, но еще более взрослую, осознанную и крутую — благодаря более глубокому проникновению аналитики.

Был ли период, когда рост замедлился?

Да, это был не самый удачный опыт в EdTech-стартапе для школьников. Не распознал на старте, чего конкретно хочет от меня команда, потерялся в количестве приоритетов, понял, что детский сегмент — совсем не моё, и через месяц мы распрощались. Устроил себе саббатикал и во время него решил, что надо возвращаться в EdTech — но уже чуть более крупный и устоявшийся.

Какие проекты сильнее всего прокачали вас

Учили скорее не проекты, а люди в них. В SETTERS EDUCATION я работал в команде бренд-директора Яны Линник — и благодаря ей глубже погрузился в ценность смыслов, которые транслируются вовне, понял, зачем нужен имидж и как не делать его кринжовым.

В Skillfactory это была руководитель медиамаркетинга Наталия Куприянова, которая открыла мне мир аналитики и показала, как работать с данными на качественно другом уровне.

А в Точка Банке — Альбина Бикулова, мой ex-SMM-лид, и Игорь Романов, лидер экспертных продуктов. Под их началом я погружался и продолжаю погружаться в Финтех и сферу медиа, учусь по-новому подходить к контенту и выстраивать процессы с командой.

Что бы вы сделали иначе, если проходили бы путь заново

Ничего. Оставил бы всё так, как было.

Напоследок

Качественного роста не бывает без усилий. Простая мысль, но каждый находит в ней что-то своё. Для меня это оказалось упорством, (почти всегда сложным) выходом из зоны комфорта, беспрерывной работой над собой и отказом на время от каких-то других сфер жизни. Главное в такие моменты — синхронизироваться с самим собой и задаваться вопросом: «Уверен ли я, что поступаю правильно и это приближает меня к цели?». Если да, то и бессонные ночи, и бесплатные проекты, и сидячие ночные вагоны — всё это обязательно окупится. Главное — не сидеть сложа руки и не ждать у моря погоды, а вписываться во все, впитывать как губка и искать возможности на каждом этапе. Такое точно не пройдёт незаметно и к чему-то да приведет.

]]> Интервью с Senior ML-разработчицей в СберЗдоровье https://to-dual.education/blog/1n3nvevgx1-intervyu-s-senior-ml-razrabotchitsei-v-s Fri, 31 Jul 2026 10:15:00 +0300 Команда To Dual и Мариам Каприелова, Senior ML-разработчица в СберЗдоровье, к.т.н. Карьера Senior ML-разработчица в СберЗдоровье и кандидат технических наук, Мариам Каприелова, рассказала, как случайно попала в машинное обучение, что помогало ей расти на каждом этапе и почему однажды сознательно сделала шаг назад по должности.

Интервью с Senior ML-разработчицей в СберЗдоровье

Мариам Каприелова, Senior ML-разработчица в СберЗдоровье, кандидат технических наук

О себе

Меня зовут Мариам, я разрабатываю модели машинного обучения уже больше 5 лет. За это время успела защитить кандидатскую в этой области, вывести много проектов в продакшн и поработать с самыми разными задачами в разных доменах.

Как вы пришли в ML?

В ML/DL я пришла случайно, никогда этого не планировала. Изначально училась в МФТИ на физика, в магистратуру собиралась поступать туда же — на управление технологическими проектами и венчурный бизнес. На это направление мне пришёл отказ, зато пригласили на управление IT-проектами. Одним из обязательных предметов был ML — и он настолько меня увлёк, что я поняла: этим и хочу заниматься в жизни.

Что вы ожидали до первой работы — и что оказалось на самом деле?

Я ожидала, что будет много рисёрча и много трудностей с освоением новых инструментов (тогда ещё не было вайбкодинга, знаете ли). По факту всё оказалось гораздо проще, чем я думала: коллеги помогали и поддерживали.

Первая сложная задача?

В нашем домене каждая задача сложная по-своему, так что правильнее сказать, что работа в ML/DL в целом описывается фразой «найди то, не знаю что». И сложности могут быть любые — как на уровне создания модели, так и на уровне проектирования продуктового сервиса.

Первая серьёзная ошибка?

Первой серьёзной ошибкой стал дизайн одного довольно сложного сервиса. Мы спроектировали его как исследовательский прототип и рискнули поставить бета-версию на продакшн после частичного тестирования. Конечно же, очень быстро всё упало. Сервис пришлось убрать и срочно дорабатывать. Теперь любую архитектуру я стараюсь проектировать с запасом на масштабирование и обязательно тестирую на нагрузку выше прогнозной.

Первая победа

Первая серьёзная победа — когда сложный сервис поиска заимствованных изображений наконец удалось стабилизировать в продакшене. Это была победа во всём: и в рисёрче (о котором мы с коллегами написали не одну статью), и в продакшн-пайплайне (о нём тоже вышли статьи), и в самом долгом пути к стабильной работе, который дал множество ценных уроков. Кстати, разработка этой системы вошла в мою диссертацию

Какой навык сильнее всего помог в первый год карьеры?

Не бояться учиться новому и браться за задачи, на которые нет готового ответа. Трус не работает в ML!

Что вы делали, чтобы вас замечали, кроме усердной работы?

В основном участвовала в разных активностях сверх рабочих обязанностей. Можно поучаствовать в соревновании? Мне надо. Можно рассказать про свежую статью на семинаре? Конечно, согласна. Это помогает не только выделяться, но и поддерживать профессиональный кругозор.

Если бы вы вернулись на старт карьеры, какой совет себе бы дали?

Наверное, посоветовала бы себе помимо основной работы найти лабораторию, где можно заниматься чистым рисёрчем для души. Сейчас в продуктовом ML мне этого не хватает.

Если разложить вашу карьеру на этапы, какие это этапы?

Первый этап — когда я джуном пришла на свою первую работу. Первый год я не трогала продакшн-сервисы и делала только рисёрч-задачи. Потом подросла до мидла, и мне поручили первые реализации продуктовых решений. Помню, как огорчалась: только набила руку на экспериментах, а тут снова задачи, которые идут тяжело. Дальше внезапно получилось так, что я стала тимлидом, и кроме техники начала заниматься командой. Новые задачи давались неожиданно хорошо, но было грустно, что времени на работу руками почти не оставалось. Сейчас я меньше занимаюсь организационными вопросами и больше времени отдаю проектированию и созданию продакшен-систем, а также инфраструктуре для их мониторинга и поддержки.

Какая была ваша первая точка роста после старта?

В нашей компании была прозрачная система роста, так что я просто выполнила свою программу развития. В неё входил разбор нескольких статей и написание кода по ним.

В какой момент вы почувствовали, что стали сильнее как специалист?

Как ни странно, первое осознание своего уровня пришло, когда я впервые сменила работу (на первом месте я проработала 3,5 года). Новый коллектив позволил мне взглянуть на свои компетенции по-новому — и я впервые осознала, насколько большой путь прошла со старта карьеры.

Какие переходы в карьере были самыми важными и почему?

В какой-то момент я дауншифтнулась с лида до синьора, но это был сознательный выбор. Мне хотелось больше работать руками. Но сейчас поняла, что снова морально готова лидить, и мое место именно там. Опыт позволяет и эффективно управлять командой, и решать сложные технические вопросы.

Какие проекты сильнее всего прокачали вас как специалиста?

Все проекты учат чему-то новому, так что выделить один сложно. Но я бы сказала, что сильнее всего меня как специалиста сформировало первое место работы — за что огромное спасибо потрясающей команде и руководителям

Что бы вы сделали иначе, если бы проходили путь заново?

Я уже говорила, что хотела бы иметь больше рисёрч-задач. Наверное, постаралась бы найти лабораторию, в которой работала бы по сей день помимо основной работы — в качестве хобби

Напоследок

Не бойтесь пробовать новое, общайтесь с коллегами (нетворк очень важен), не забывайте про здоровье и спорт!

]]> Почему аналитику важно задавать детские вопросы? https://to-dual.education/blog/analytics Fri, 11 Sep 2026 16:36:00 +0300 Команда To Dual и Андрей Кушниров, Analyst Team Lead в Magnit Tech Карьера Руководитель команды аналитики в Magnit Tech, Андрей Кушниров, рассказал, как пришёл в аналитику из качественных исследований, что помогало ему расти на каждом этапе и почему главный навык аналитика это умение задавать детские вопросы.

Почему аналитику важно задавать детские вопросы?

Андрей Кушниров, руководитель команды аналитики Magnit Tech

Мы поговорили с Андреем, руководителем команды аналитики Magnit Tech, и задали ему пару вопросов

Расскажите немного о себе

Меня зовут Андрей Кушниров, я руковожу командой аналитики специальных проектов, PEX и AI-решений в Magnit Tech. В свободное время пишу музыку в андеграундной музыкальной группе. Ещё преподаю на ФКНе Вышки: я автор курса «Онлайн-эксперименты в маркетинге» и соавтор совместного курса Магнит × Вышка «ML в ритейле». А в Центральном университете читаю блок по каузальному анализу на курсе «Прикладные социальные науки».

Как вы пришли в аналитику? Это было ваше желание, интерес или случайность, и с чего вы начинали?

В студенческие годы я брал проекты, связанные с социологическими и маркетинговыми исследованиями, преимущественно ориентированными на качественную методологию. Собрал команду исследователей, но быстро упёрся в потолок направления и решил посмотреть в сторону аналитики. Вышел на стажировку в команду аналитики ВТБ, мне понравилось, дальше развивался в банкинге в ВТБ и Сбере, 2 года назад перешёл в Магнит.

Что вы ожидали от аналитики до первой работы, и что оказалось на самом деле?

От аналитики я всегда ждал тесной связи с бизнесом и возможности влиять на реальные решения с помощью исследований и моделирования. Но на старте карьеры дата-аналитика такая работа встречается не так часто.

Поэтому мне было важно найти команду, где аналитика — не просто подготовка цифр и отчётов, а полноценный инструмент для принятия решений. Где есть прямой диалог с бизнесом, а выводам из данных действительно доверяют.

К счастью, такое место я нашёл в Магните. Здесь аналитика действительно влияет на бизнес, а результаты нашей работы превращаются в конкретные действия.

Первая сложная задача: что это было и что вы поняли про профессию?

На мой взгляд, на каждом этапе стоит искать сложные задачи. В начале самые тривиальные вещи могут казаться неподъёмными, но по мере того как ты начинаешь чувствовать почву под ногами, важно сознательно погружаться в неизведанное и сложное. Там — рост.

Первая серьёзная ошибка: что произошло и чему она вас научила?

Скорее всего, это была какая-то ошибка в отчёте, который уходил правлению банка) На мой взгляд, самое важное качество аналитика — это профессионально задавать детские вопросы. В первую очередь к себе так, как будто бы ты ничего не знаешь ни о данных, с которыми работаешь, ни о том продукте, который ты строишь. Желательно регулярно, ставя под вопрос то, что ты уже знаешь, объясняя для себя заново, так ты можешь заметить нестыковки в том, что казалось идеально отлаженным механизмом.

Первая победа, после которой вы почувствовали уверенность?

Наверное, когда удалось выйти в штат через 2 месяца работы, хотя стажировка была годовая, без гарантий попадания в команду. Это показало, что при достаточном усердии можно двигать любые стены.

Какой навык сильнее помог вам в первый год карьеры?

Умение брать на себя больше, чем от тебя ожидают. Даже больше, чем ты умеешь. Помогает двигаться вперёд и сейчас.

Что вы делали, чтобы вас замечали, кроме усердной работы?

Не могу сказать, что я старался что-то делать намеренно. Сейчас понимаю: наиболее важным оказалось умение выстраивать контакты с людьми, в том числе с теми, с кем напрямую не пересекаешься по задачам. Грановеттер снова оказался прав, и сила слабых связей работает зачастую лучше усердия в келье.

Если бы вы вернулись на старт карьеры, что бы вы себе посоветовали?

Решения на каждом этапе я бы оставил те же. Единственное, раньше начал бы вкладываться в предметную область, а не только в стек: инструменты устаревают за пару лет, а понимание того, как устроен бизнес, работает на тебя всю карьеру.

Если разложить вашу карьеру на этапы, какие они?

Банкинг и рост в Data Science. Думал, что закономерный рост — это углубление в DS, но, придя в AI Lab в Сбере, понял, что мне интереснее копать бизнес-инсайты, чем улучшать метрику модели.

Магнит и аналитика для бизнеса. Здесь я сразу начал работать в плотной связке с бизнесом, и появилась потребность в мультимодальности подхода: в зависимости от задачи приходится проявлять компетенции, которые обычно раскладывают по разным профессиям, где-то ты продуктовый аналитик, где-то дата-сайентист, где-то эконометрист. Ритейл хорош тем, что приходится работать с комплексными проблемами, и важно подобрать правильный инструмент.

Магнит и управление командой. Относительно новый этап в моей жизни — управление командой. Любой проект теперь получает новое измерение — человеческое. Команда — это не объём ресурса, как, например, вычислительный кластер, это люди со своими целями, интересами и чувствами. Сделать этих людей единомышленниками и товарищами, заинтересованными в результате команды, — это главная задача, которую я ставлю перед собой.

Что бы вы посоветовали тем, кто только начинает?

Не растворяйтесь в чужих задачах: цели компании и команды не должны автоматически вытеснять ваши собственные. Не бойтесь отстаивать профессиональную позицию и делать так, как считаете правильным. В аналитике это в итоге и есть ваша ценность для команды.

]]> Сопровождение обучения - что это и зачем нужно? https://to-dual.education/blog/otljs78201-soprovozhdenie-obucheniya-chto-eto-i-zac Wed, 16 Sep 2026 18:33:00 +0300 Дарья Штурма, комьюнити-менеджер To Dual Обучение Команда Сопровождение — необязательная часть образовательного продукта, но от этого не менее важная. Разбираем, в каких случаях без него действительно лучше, а в каких оно вытягивает доходимость, NPS и повторные продажи.

Сопровождение обучения - что это и зачем нужно?

Сопровождение онлайн-обучения: что это и зачем нужно

Зачем нам менеджер сопровождения, если продукт чёткий и понятный

Всем привет! На связи Даша — комьюнити-менеджер TO DUAL. В команде я строю коммуникационные стратегии для наших продуктов и для заказчиков, занимаюсь контент-продакшеном. Одна из ключевых моих ролей в клиентских проектах — организация сопровождения пользователей во время обучения.

Сопровождение бывает разное:

Асинхронное

Всё, что работает без нас в моменте: welcome-письмо с картой маршрута, база знаний и FAQ, гайды по платформе, чек-листы с дедлайнами, шаблоны домашек, короткие видеоинструкции, еженедельные дайджесты. Не устаёт, не уходит в отпуск, масштабируется на любое количество участников.

Автоматизированное

Бот с Q&A, который отвечает на типовые вопросы. Забирает на себя ощутимую долю рутины и отвечает мгновенно (даже в 23:50, когда ответ нужен за несколько минут до дедлайна).

Синхронное

Саппорт в общем чате потока, дежурный координатор, ответы на вопросы в личных сообщениях, разборы работ, мотивация, сопутствующий контент для расширения кругозора по теме. Здесь появляется человек: тот, кто видит конкретного Васю с его конкретной застрявшей домашкой или техническим сбоем в процессе. И тот, кто видит частый запрос и собираем на его основе полезные доп материалы.

Горизонтальное

Это уже не столько поддержка, сколько среда: чат потока, где участники помогают друг другу, мини-группы, публичные апдейты о прогрессе, разборы чужих кейсов. Часто именно здесь рождается самое ценное — ощущение причастности к общему делу и понимание, что ты не один со своими трудностями. Такие комьюнити могут жить долго и после окончания обучения, без привязки к конкретному проекту.

Обычно всё это миксуется: асинхронные материалы расставляются на ключевых этапах CJM, а менеджер сопровождения наращивает атмосферу живыми включениями в чате.

Почему понятный продукт не гарантирует доходимость

Классическое возражение звучит так: если методология выстроена, интерфейс прозрачный, а задания сформулированы однозначно — зачем платить ещё и за сопровождение?

Затем, что понятность и качественный продукт — это не гарантия доходимости и высокого NPS.

Про это даже есть отдельная теория. В 2000 году Гаррисон, Андерсон и Арчер описали модель Community of Inquiry, для многих она стала базой для проектирования онлайн-обучения. Идея такая: осмысленный учебный опыт держится на трёх уровнях присутствия:

социальном (я вижу живых людей в чате и на занятиях и чувствую связь с ними),
преподавательском (кто-то ведёт, направляет, объясняет и реагирует),
когнитивном (я реально думаю и строю смысл).

Уберите первые два пункта — и останется голая база знаний. Качественная, полезная, но голая: без цельного опыта и осмысленности.

Российский рынок сегодня соглашается с идеей важности эмпатичного подхода в обучении. РБК Тренды в свежем обзоре EdTech прямо говорят о том, что индустрия становится человекоцентричной: фокус смещается с продуктов и навыков на самого клиента — его страхи, переживания и потребности.

Зачем человеку человек в обучении

Если продукт масштабный и сложный, то по дороге к финишу с участником происходит примерно следующее:

Провал середины

Стартовый запал кончился, финиш ещё не скоро. Это точка, где отваливаются даже самые замотивированные ребята.

Стыд отстающего

Человек выпал на неделю по работе или здоровью, вернулся, увидел, что все ушли вперёд, и тихо ушёл сам. Не потому что не потянет, а потому что стало неловко.

Синдром самозванца

Ну только я так мог — все всё поняли, один я нет. В чате страшно задать вопрос и показаться глупым, и каждый сидит с этой мыслью в одиночку.

Жизнь

Переезд, больничный, аврал, ребёнок. Никакой курс или спринт не выдержит конкуренции с реальностью, если никто не помогает вернуться в строй.

Ни одну из этих проблем нельзя решить более понятной формулировкой задания. Все они решаются человеком, который вовремя написал: «Привет, вижу, ты пропал. Всё в порядке? Давай подумаем, как догнать, могу предложить тебе вот такой сценарий.»

Cопровождение — опциональный ингредиент

На этом моменте давайте сделаем важную оговорку: сопровождение не является обязательной частью образовательного продукта.

Есть форматы, где оно не к месту: короткий самостоятельный курс на пару часов, справочная база для внутреннего использования или курс для аудитории, которая приходит за конкретным навыком, знает, зачем пришла, и не хочет никакого чата. Навязанное сообщество в таких случаях раздражает больше, чем помогает.

Сопровождение — это не гигиенический минимум. Это выбор заказчика на этапе брифа, который имеет свою цену: люди, время, процессы, нагрузка на команду.

Но если вы всё же решили добавить этот ингредиент в формулу проекта — вот что обычно приходит бонусом:

Доходимость. Самая прямая метрика. Люди доходят до финиша, потому что кто-то заметил, что они пропали, и помог вернуться в строй.
Лояльность и NPS. Запоминается не модуль №7, а то, как тебя поддержали, когда было трудно.
Конверсия в следующий шаг. CTA в письмах и анонсах работает лучше, когда его отправляет знакомый человек, а не безымянный корп бот.
Повторные покупки и рекомендации. Выпускник, которого поддержали, приводит коллег. Это самый дешёвый канал привлечения.
Отзывы и UGC. Живое сообщество производит контент само: забавные истории, кейсы на основе воркшопов, скриншоты результатов, совместный кофе с коллегами по интересам после курса.
Обратная связь для продукта. Координатор в чате — это непрерывный кастдев. Он узнает о проблеме сразу: в чате или у себя в лс, а не из итогового опросника, когда уже поздно что-то менять.

С чего начать, если ресурсов мало

Не обязательно строить полноценный отдел сопровождения. Базовый минимум набор выглядит так:

Приветственное сообщение от живого человека с именем и лицом на аватарке.
Один общий чат с понятными правилами и координатором, который отвечает на технические вопросы или призывает нужных экспертов для ответа на контентные.
Бот с ответами на частые вопросы или закреплённый FAQ.
Эмпатичная точка касания в середине пути — там, где по прогнозам будет спад мотивации.
Культура поддержки, если кто-то отстал, и внятный сценарий возвращения.

Это уже даёт заметный эффект и почти не требует бюджета.

Финальное слово

Продукт может быть идеально понятным — и всё равно брошенным на полпути. Функция сопровождения добавляет в процесс немного души и человекоцентричности. В такой атмосфере гораздо проще и комфортнее признавать ошибки и проходить через особенно трудные этапы программы. А ещё, дружелюбный вайб и лояльность участников может прикрыть слабые стороны продукта, если они вдруг просочились в прод :)

]]> Путь от Яндекса до стартапа в Кремниевой долине https://to-dual.education/blog/vl9fgu5td1-put-ot-yandeksa-do-startapa-v-kremnievoi Thu, 08 Oct 2026 17:00:00 +0300 Команда To Dual и Олеся Крижевич, Growth Consultant и Co-founder Synthetic Archetype Карьера Сооснователь AI-стартапа Synthetic Archetype и growth-консультант, Олеся Крижевич, рассказала, как пришла в growth и product из маркетинга, что помогало ей расти на каждом этапе и почему сознательно ушла из большой компании, чтобы строить свое

Путь от Яндекса до стартапа в Кремниевой долине

Олеся Крижевич, Growth Consultant и сооснователь Synthetic Archetype

Мы поговорили с Олесей, growth-консультантом в Париже и сооснователем AI-стартапа Synthetic Archetype, и задали ей пару вопросов

Расскажите немного о себе

Меня зовут Олеся Крижевич. Я работаю на стыке growth, product и business strategy. Сейчас я Growth Strategy Consultant для tech-стартапов в Париже в экосистеме Station F, а также Co-founder & Business Lead в Synthetic Archetype, AI-стартапе, который мы развиваем между Кремниевой долиной и Европой.

До этого несколько лет я работала с технологическими и AI-продуктами в Яндексе, занималась growth, международными запусками и развитием продуктов.

Из увлечений: теннис, сноуборд и книги. Я очень люблю читать и в какой-то момент даже организовала свой книжный клуб. А ещё люблю путешествовать и вообще довольно легко ввязываюсь в приключения. Думаю, отчасти поэтому за последний год моя жизнь распределилась между Парижем и Кремниевой долиной.

Как вы пришли в свою сферу? Это было желание, интерес или случайность, и с чего вы начинали?

Если говорить о моей сфере сейчас, то я бы определила её скорее как сочетание growth, product и стратегии. Но точкой входа для меня действительно стал маркетинг.

Изначально я пошла учиться на экономику, потому что мне всегда хорошо давались математика и аналитические предметы. При этом меня очень тянуло в творчество. Мой первый карьерный опыт вообще был связан с видеопродакшеном в VK, потом был опыт в fashion. Какое-то время я всерьёз думала, что хочу строить карьеру именно в креативной индустрии.

Но постепенно поняла, что чистого творчества мне недостаточно. Мне хотелось работать с цифрами, понимать бизнес и видеть измеримый результат своей работы. И тогда я открыла для себя маркетинг как тот самый баланс art & science, креатива, аналитики и бизнеса.

Следующим этапом стал Mars, очень сильная школа классического маркетинга и brand growth. Но довольно быстро мне стало интересно не только то, как продвигать продукт, но и почему он устроен именно так, как его развивать и как влиять непосредственно на пользовательский опыт и бизнес-результат.

Поэтому я перешла в tech, в Яндекс. Там границы между маркетингом, growth и продуктом постепенно начали для меня стираться. Я всё больше занималась growth-задачами, международными запусками, продуктовыми гипотезами и стратегией.

Поэтому сегодня мне уже сложно назвать себя человеком исключительно из маркетинга. Скорее маркетинг дал мне фундамент, из которого я постепенно пришла к growth, product strategy и в итоге к предпринимательству.

Что вы ожидали от профессии до первой работы, и что оказалось на самом деле?

Когда я только начинала, мне казалось, что маркетинг — это в первую очередь креатив, коммуникации и создание классных кампаний.

На практике довольно быстро выяснилось, что хороший маркетинг гораздо больше про бизнес, чем кажется со стороны. За красивой идеей стоят исследования пользователей, аналитика, экономика, эксперименты и очень чёткое понимание того, какой результат ты хочешь получить.

Мне как раз понравилась эта сторона профессии. А дальше я поняла, что те же принципы можно применять гораздо шире, уже не только к продвижению, но и к самому продукту: искать точки роста, формулировать гипотезы, тестировать их и смотреть, как они влияют на поведение пользователей и бизнес.

Наверное, именно поэтому моя карьера довольно органично развивалась от классического маркетинга к growth и product strategy.

Первая сложная задача: что это было и что вы поняли про профессию?

Одними из первых по-настоящему сложных для меня стали международные запуски в Яндексе, когда мы с командой начали выходить с продуктами на новые рынки.

До этого я уже работала в больших компаниях, но обычно внутри достаточно понятной системы: есть процессы, накопленная экспертиза, понимание рынка. А здесь мы фактически заходили на новую территорию, где готового playbook просто не существовало.

При этом команда была довольно компактной, поэтому зона личной ответственности резко выросла. Нужно было не только хорошо делать свою конкретную часть работы, но и постоянно выходить за её рамки: разбираться в новом рынке, пользователях, продукте, локализации, работать с разными командами и быстро принимать решения в условиях неопределённости.

Тогда я поняла одну важную вещь: чем интереснее и сложнее проект, тем меньше работает подход «это не моя зона ответственности». Иногда нужно быть немного jack of all trades, быстро погружаться в новые области и самому находить способ довести задачу до результата

Первая серьезная ошибка: что произошло и чему она вас научила?

Скорее это была не одна большая ошибка, а паттерн, который я замечала за собой в начале карьеры: иногда слишком долго пытаться самой найти идеальный ответ вместо того, чтобы быстрее задать вопрос, проверить гипотезу или попросить обратную связь.

В начале кажется, что хороший специалист должен прийти уже со всеми ответами. Со временем я поняла обратное: сильный специалист умеет быстро понять, чего он не знает, задать правильные вопросы и привлечь людей, которые знают больше него.

Поэтому сейчас я гораздо спокойнее отношусь к ошибкам и незнанию. Для меня важнее скорость, с которой ты учишься и корректируешь направление.

Первая победа, после которой вы почувствовали уверенность?

Одной из таких побед для меня стал наш с командой успешный международный запуск в Яндексе. Особенно сильным было ощущение, когда продукт действительно начал находить там своего пользователя и конкурировать с глобальными брендами.

Для меня это был важный момент. Я увидела, что даже очень амбициозную задачу, для которой изначально нет готовой инструкции, можно разложить на части, собрать вокруг неё нужных людей и постепенно довести до результата.

После этого появилось профессиональное ощущение: «Окей, значит, мы действительно можем делать вещи такого масштаба».

Какой навык сильнее помог вам в первый год карьеры?

Я бы назвала сочетание любопытства, инициативности и адаптивности.

Мне всегда было интересно выходить за рамки своей непосредственной задачи: разбираться, почему что-то работает именно так, быстро осваивать новые области, предлагать идеи, даже если формально от меня этого никто не просил.

Но со временем к этому добавился ещё один очень важный навык, resilience. Карьера редко развивается по тому сценарию, который ты заранее нарисовал в голове. Меняются проекты, рынки, команды, какие-то идеи не срабатывают. Особенно сильно я почувствовала это позже, когда начала строить собственный стартап.

Поэтому способность быстро перестраиваться, учиться на неудачах и продолжать двигаться дальше для меня оказалась одним из самых полезных профессиональных качеств.

Что вы делали, чтобы вас замечали, кроме усердной работы?

Больше всего мне помогала инициативность и искреннее желание делать то, что мне интересно, даже если это не всегда напрямую относилось к моей зоне ответственности.

Например, в Яндексе я периодически инициировала спецпроекты и коллаборации на стыке технологий, культуры и других сфер, которые были мне самой интересны. Часто они начинались просто с идеи: «А что, если попробовать вот так?», а затем превращались в заметные проекты, которые обсуждались уже на уровне большой команды.

И только позже я поняла, что это ещё и сильно повышало мою внутреннюю visibility. Поэтому мой подход не в том, чтобы специально пытаться сделать так, чтобы тебя заметили, а в том, чтобы находить интересные возможности, предлагать идеи и брать на себя инициативу. Если проекты действительно получаются классными, видимость обычно приходит вместе с результатом.

Если бы вы вернулись на старт карьеры, что бы себе посоветовали?

Первое — не бояться брать на себя больше ответственности и предлагать смелые идеи. Даже если идея кажется немного безумной, лучше её озвучить. Самое плохое, что может произойти: её просто не реализуют.

Второе — гораздо больше спрашивать. В начале карьеры мне иногда казалось: «Вдруг я задам глупый вопрос, и все поймут, что я чего-то не знаю?» Сейчас я думаю ровно наоборот. Полезно периодически быть самым неопытным человеком в комнате. Скорее всего, это означает, что ты находишься в правильном месте и тебе есть чему научиться.

Третье — не бояться ошибаться. Особенно в начале карьеры цена большинства ошибок довольно невысока, а скорость обучения благодаря им огромная. Поэтому я бы меньше пыталась всё сделать идеально и больше экспериментировала, выходила за рамки существующих процессов и приносила свой взгляд.

Если разложить вашу карьеру на этапы, какие они?

Я бы разделила свой путь на четыре этапа.

Первый, поиск себя. Это были разные стажировки и первые проекты: от видеопродакшена и fashion до маркетинга. Тогда моей главной задачей было понять, что мне действительно интересно и в какой среде я хочу работать.

Второй, фундамент. Работа в Mars дала мне хорошую школу большой международной компании: понимание бизнеса, маркетинга, brand growth и того, как устроены сильные корпоративные процессы.

Третий, масштаб. В Яндексе я уже росла как самостоятельный специалист: работала с технологическими и AI-продуктами, брала всё более крупные проекты, участвовала в международных запусках и постепенно двигалась от маркетинга ближе к product, growth и стратегии.

И четвёртый этап, предпринимательский. Я решила снова пойти учиться, поступила в магистратуру, часть которой проходила в Кремниевой долине, и именно в этот период начала строить собственный стартап. Сейчас я переношу накопленную экспертизу из big tech уже в совершенно другую среду, где нет готовой структуры и многое приходится создавать с нуля.

Какой была ваша первая точка роста после старта? Что помогло перейти на следующий уровень задач?

Первой действительно большой точкой роста для меня стал переход в Яндекс. Именно там я впервые почувствовала быстрый рост и масштаба задач, и собственной ответственности.

Мне повезло, что сама среда это поддерживала. Если ты хорошо справлялся с одним проектом, тебе довольно быстро доверяли следующий, уже более сложный и масштабный.

Со своей стороны я старалась не ждать момента, когда кто-то скажет: «Теперь ты готова к следующему уровню», а самой искать задачи чуть сложнее тех, которые уже умела решать. Думаю, именно это сильнее всего ускорило мой рост в тот период.

В какой момент вы почувствовали, что стали сильнее как специалист? Что изменилось в работе?

Наверное, не было одного конкретного момента. Скорее я заметила, что моё отношение к работе постепенно изменилось.

Я перестала просто получать задачу и думать, как лучше её выполнить. Вместо этого начала сначала задавать вопросы: зачем мы это делаем, какую проблему решаем, есть ли лучший способ добиться результата?

Ещё одним важным моментом стало то, что мне стало абсолютно комфортно не соглашаться с более старшими и опытными коллегами, хотя это пришло не сразу. Не просто спорить, конечно, а аргументировать свою позицию данными, исследованиями и тем, что я вижу в продукте.

Когда замечаешь, что к твоему мнению прислушиваются и твои решения действительно начинают влиять на продукт и бизнес, появляется совсем другое ощущение себя как специалиста. А вместе с ним естественно растут и масштаб задач, и ответственность.

Какие переходы в карьере были самыми важными и почему?

Я бы выделила три ключевых перехода.

Первый, переход в Яндекс и вообще в tech. Он сильно изменил моё представление о маркетинге и постепенно привёл меня гораздо ближе к продукту, growth и стратегии.

Второй, переход к международным проектам. Когда запускаешь продукт на новом рынке, очень быстро понимаешь, что нельзя просто взять готовую модель и перенести её в другую страну. Нужно заново разбираться в пользователях, рынке и контексте, а уровень неопределённости и личной ответственности сильно возрастает.

И третий, решение оставить уже довольно понятную корпоративную траекторию, пойти в магистратуру и начать строить собственный стартап. Это был самый большой выход из зоны комфорта, но одновременно и самый сильный скачок в обучении.

Был ли период, когда рост замедлился? Что помогло сдвинуться дальше?

Не могу сказать, что у меня был долгий период стагнации. Скорее в определённый момент я почувствовала, что мне стало слишком понятно, как может выглядеть моя следующая корпоративная ступень.

И именно тогда я решила сознательно нарушить эту траекторию: взять паузу, пойти в магистратуру и попробовать предпринимательство. Это был довольно большой риск. Я уходила из комфортной среды, где всё складывалось хорошо и была понятная перспектива роста.

Но для меня это стало важным принципом: если тебе становится слишком комфортно и ты уже примерно знаешь, что будет дальше, иногда полезно самому поставить себя в ситуацию, где снова придётся очень быстро учиться.

Какие проекты сильнее всего прокачали вас как специалиста?

Если выбирать несколько проектов, то первый, наши международные запуски в Яндексе. Они научили меня работать в условиях высокой неопределённости, разбираться в совершенно новых рынках, координировать много разных функций и при этом отвечать за конечный результат.

Второй, мой собственный стартап Synthetic Archetype. Стартап очень быстро превращает тебя в мультиинструменталиста. Сегодня ты думаешь о продуктовой стратегии, завтра разговариваешь с потенциальными клиентами, потом занимаешься growth, собираешь обратную связь или готовишь следующий пилот.

В большой компании ты можешь быть очень сильным специалистом в своей области. Стартап же учит смотреть на бизнес целиком и понимать, как продукт, пользователи, продажи, маркетинг и экономика связаны между собой. Для меня это, наверное, самая интенсивная школа последних лет.

Что бы вы сделали иначе, если бы проходили путь заново?

Если честно, глобально я бы не стала менять свой путь. Даже решения, которые в моменте казались не самым очевидным выбором, в итоге чему-то меня научили и привели к следующему этапу.

Единственное, что я бы действительно убрала, — это часть страхов и overthinking. Особенно в начале карьеры мы часто тратим огромное количество энергии на мысли: «А достаточно ли я хороша?», «А что, если не получится?», «А что обо мне подумают?»

Сейчас я гораздо больше верю в подход: меньше переживать о том, как всё должно сложиться идеально, и быстрее пробовать. Сделал шаг, посмотрел на результат, скорректировал направление и пошёл дальше.

Что бы вы посоветовали тем, кто только начинает?

Первое, не бойтесь рисковать и периодически сознательно выходить из зоны комфорта, как бы банально это ни звучало. Мне самой было страшно оставить понятную карьерную траекторию и уехать в Кремниевую долину учиться и пробовать строить собственный проект. Но именно такие решения в итоге дали мне самые большие скачки в развитии.

Если бы я осталась там, где мне уже было комфортно, я бы наверняка продолжала расти. Но, возможно, никогда не оказалась бы в той точке, где нахожусь сейчас.

Второе, развивайте resilience. За последний год в стартап-среде я особенно хорошо поняла одну вещь: большинство идей и гипотез не срабатывают. И твоя задача — не угадать правильную с первого раза, а иметь достаточно устойчивости, чтобы попробовать второй, десятый или пятидесятый вариант.

Важно уметь после неудачи отряхнуться, понять, чему она тебя научила, и попробовать снова. Очень часто именно предыдущие ошибки и делают тебя достаточно сильным для той идеи или возможности, которая в итоге сработает.

И последнее, постоянно расширяйте своё поле возможностей. Читайте, интересуйтесь совершенно разными вещами, знакомьтесь с людьми, пробуйте проекты за пределами своей основной работы. Сознательно ищите комнаты, в которых вы чувствуете себя самым неопытным человеком. Это может быть некомфортно, но обычно именно там происходит самый быстрый рост.

Мне вообще нравится мысль, что удаче можно немного помочь. Чем больше возможностей ты для себя создаёшь, чем больше пробуешь и чем больше талантливых людей вокруг тебя, тем выше вероятность, что однажды что-то действительно выстрелит.

]]> Как работать с внешним спикером: 5 кейсов из практики продюсера https://to-dual.education/blog/g2gnuesep1-kak-rabotat-s-vneshnim-spikerom-5-keisov Fri, 09 Oct 2026 09:09:00 +0300 Алина Заболотова, продюсер образовательных программ To Dual Команда Обучение Как брифовать внешнего эксперта, фиксировать договорённости и не бояться предлагать изменения. Собрали практические советы от продюсера образовательных программ TO DUAL.

Как работать с внешним спикером: 5 кейсов из практики продюсера

Как работать с внешним спикером в корпоративном обучении

Внешний спикер в образовательных проектах: как с ним взаимодействовать

Всем привет! На связи Алина — продюсер образовательных программ TO DUAL. В клиентских проектах на мне внешние эксперты: поиск спикеров, брифинг, согласование программы и сопровождение до эфира.

За время своей работы я убедилась: экспертиза спикера не гарантирует, что материал придёт в срок и в согласованном виде. У спикера свой график, свои привычки и своё представление о том, как надо. Он отвечает за содержание, а за проект целиком — сроки, бюджет, ожидания заказчика — отвечаете вы.

Собрала пять ситуаций, где это проявляется, и рассказываю, что делать в каждой из них.

Спикер видит только свою часть работы, а вы отвечаете за весь проект

У проекта есть сроки и бюджет. У заказчика есть ожидания, требования к обучению, технические ограничения и особенности аудитории, для которой вы создаёте обучение. Спикер приходит со своим видением темы, а свести всё это вместе предстоит вам.

Как это бывает: вы нашли нового спикера, быстро созвонились, обозначили тему и сроки и решили, что всё и так понятно. Эксперт готовит материал в привычном для себя формате, с которым выступал раньше. Присылает результат, а там кейсы не под вашу аудиторию и задания на два часа при лимите в час. Всё приходится переделывать в сжатые сроки.

Что делать: подробно брифуйте спикера на старте и согласовывайте с ним все детали. На первой встрече:

Расскажите про аудиторию обучения (кто, сколько, какие грейды, как ведут себя во время обучения);
Опишите проект и заказчика (цели, тайминги, ограничения);
Обсудите формат заданий, которые нужно составить, и покажите примеры;
Вместе со спикером решите, что из его опыта подходит под ваши форматы, а что нет, и договоритесь о наполнении теории и практики.;
После встречи попросите подробно описать теорию и практику в паспорте курса*, затем проверьте его и согласуйте с заказчиком.

Ещё до основного дедлайна попросите у спикера черновик или скелет материала. Так расхождения с брифом всплывут, пока есть время их исправить.

* Паспорт курса — главный документ проекта, в котором зафиксирована вся структура курса: цели, аудитория, формат, программа, задания и интерактивы.

Хороший эксперт — не обязательно хороший спикер

Список регалий ничего не скажет о том, уверенно ли спикер держится перед аудиторией и укладывается ли в тайминг. Это отдельный навык.

Как это бывает: коллеги посоветовали крутого спикера: компания на слуху, должность высокая, в теме явно разбирается. Созвонились, вроде настроен на работу. Что-то смущало, но вы решили, что эксперт разбёрется сам, и пошли готовиться к обучению дальше. А на первой же сессии он перенервничал и растерялся перед аудиторией.

Что делать: на первом знакомстве просите записи прошлых выступлений, если они есть, и прямо спрашивайте, как часто он выступает перед публикой.

Даже ваш первый созвон со спикером — это уже часть оценки. На встрече видно, как человек держится без подготовленного текста, как презентует себя, умеет ли ясно формулировать мысли на ходу и как реагирует на вопросы. Обязательно обращайте на это внимание.

Если записей нет или сомнения остались, устройте прогон перед первой сессией: пусть спикер проведёт 15–20 минут лекции для вас или коллег. И подстрахуйтесь на эфире: модератор и заранее подготовленные вопросы помогут, если эксперт растеряется.

Спикер может забыть договорённости или переиграть их по-своему

Даже если на знакомстве всё прошло отлично, по ходу работы спикер может начать менять то, что вы согласовали ранее: формат заданий, программу.

Как это бывает: вы созвонились, договорились о формате обучения. Пока спикер готовил практики, он увлёкся: часть договорённостей забыл, часть решил переделать по-своему. Подходят сроки, он присылает материал. Открываете, а там совсем не то, что обсуждали. В ответ на ваши вопросы получаете: «Я подумал, так будет лучше».

Что делать: фиксируйте всё письменно после каждой встречи. Нет текста — нет договорённости. Сразу переносите итоги в постмит (короткое письмо-резюме встречи) или закреп в переписке, а детали — в паспорт курса и таблицу с таймлайном и программой.

Если спикер захочет что-то поменять, возвращайте разговор к закрепу и паспорту курса. Вносить изменения можно, но только как новую договорённость: обсудили, зафиксировали, согласовали с заказчиком. Так вы избежите повторных объяснений, а спикер быстрее доработает материал.

Даже эксперту можно сказать «давайте поменяем»

Человек может разбираться в теме лучше вас и всё равно ошибаться. Молчать из уважения к экспертизе соблазнительно, но ошибка эксперта в проекте стоит дорого.

Как это бывает: спикер убеждает вас, что его формат подачи лучший. Вы уже работали с этой аудиторией и знаете, что она привыкла к другому, но соглашаетесь попробовать и убеждаете в этом заказчика. На сессии формат не заходит, аудитория реагирует вяло, заказчик недоволен, а виноваты в итоге вы.

Что делать: если видите нестыковку с требованиями заказчика, сценарием обучения или ошибку в материале, говорите прямо, как только заметили. Не откладывайте и не успокаивайте себя мыслью «наверное, ему виднее». Опирайтесь не на личное мнение, а на факты: обратную связь с прошлых потоков, запрос заказчика, опыт работы с этой аудиторией.

Тактично обозначьте проблему и предложите своё решение. Например, в споре о формате: «Понимаю, почему тебе ближе такой формат, но эта группа привыкла к короткой теории и сразу к практике — на прошлых потоках длинный блок не зашёл. Давай основную часть сделаем привычно, а твой формат попробуем только в одном блоке?»

А если нашли ошибку в материале: «Я заметила, что в задании есть материал, которого нет в теории. Может, уберём эту часть или добавим её в теорию?»

И да, тегать и напоминать — это нормально

Без внешних напоминаний дедлайны спикера теряются между его основными задачами. Он же взял на себя обучение сверх всего остального.

Как это бывает: спикер просыпается с мыслью, что сегодня нужно доделать материал для вашей сессии. Садится за него днём, но тут звонит важный клиент. После звонка возвращается к материалу, а через 30 минут прилетает срочная задача от его команды. Он отвлёкся, а к вечеру уже забыл про вашу задачу.

Что делать: регулярно напоминайте о дедлайнах. Спрашивайте, как дела, всё ли продвигается, нужна ли помощь. Не стесняйтесь тегать и напоминать — это часть вашей работы.

Чтобы напоминания не превращались в погоню, договоритесь о них на старте: в каком мессенджере и как часто вы пишете. Разбейте работу на промежуточные сроки и ставьте спикеру внутренний дедлайн на пару дней раньше реального — это буфер на правки.

Вывод

Спикер — человек, с которым нужна система: фиксировать договоренности, напоминать, сверяться. Если выстроить ее заранее, сюрпризов на обучении будет меньше.

Расскажите, как вы работаете с внешними спикерами? Мы собираем практики и обмениваемся опытом в L&D комьюнити TO DUAL.

]]> Люди готовы, компании — нет https://to-dual.education/blog/rdcc9cvon1-lyudi-gotovi-kompanii-net Fri, 09 Oct 2026 09:25:00 +0300 Команда To Dual AI Разбираем Work Trend Index 2026 от Microsoft: почему отдача от ИИ больше зависит от культуры компании и поддержки руководителя, чем от навыков сотрудников, и с чего начать внедрение уже сейчас.

Люди готовы, компании — нет

Разбор 2026 Work Trend Index: что на самом деле говорят цифры Microsoft — и что в них стоит перепроверить

Разбор подготовлен командой To Dual по материалам 2026 Work Trend Index Annual Report (Microsoft, май 2026). Оригинал доступен на сайте Microsoft — рекомендуем прочитать его целиком. Ниже — наш пересказ ключевых данных с собственными комментариями.

Главное

Microsoft прогнал через модель 29 факторов, которые могли бы объяснить, почему одни сотрудники получают от ИИ реальную отдачу, а другие нет. В расчёт вошло почти всё: личные качества, стаж, отрасль, размер компании, поколение, уровень должности, собственная мотивация и отношение к технологии.

Организационные факторы объясняют отдачу примерно вдвое лучше индивидуальных: 67% против 32%. Демографические характеристики почти ничего к этому не добавляют.

Самый значимый фактор — культура работы с ИИ в компании. Она примерно в два с половиной раза сильнее связана с результатом, чем самый сильный индивидуальный фактор, то есть собственная установка человека по отношению к ИИ. Следом идут практики развития людей и поддержка со стороны руководителя. Оба фактора примерно вдвое слабее культуры.

Проще говоря, вопрос «умеют ли наши люди работать с ИИ» оказался менее важным, чем вопрос «создала ли компания условия, в которых они могут это делать».

Если ИИ в компании не приживается, эти данные дают хороший повод сначала посмотреть на систему вокруг сотрудников: на культуру, обучение, поддержку руководителей и то, как работа с ИИ вообще встроена в повседневные процессы.

Что вообще измеряли

В основе исследования лежат два независимых источника данных.

Первый — опрос 20 000 офисных сотрудников в 10 странах: США, Великобритании, Германии, Франции, Италии, Нидерландах, Японии, Индии, Бразилии и Австралии. Полевые работы проходили с февраля по апрель 2026 года, исследование проводила Edelman Data x Intelligence. В выборку вошли только сотрудники, которые хотя бы изредка используют генеративный ИИ в работе. Тех, кто ответил «никогда», отсеивали на входе.

Второй источник — телеметрия Microsoft 365: обезличенные данные об использовании Copilot и агентских платформ с марта 2025 по март 2026 года. Отдельно Microsoft проанализировал более 100 000 диалогов с Microsoft 365 Copilot за одну неделю февраля 2026 года.

Роль менеджеров изучалась отдельно в исследовании People Science среди 1 800 сотрудников, проведённом в июле 2025 года.

Часть 1. ИИ поднимает потолок, а не ускоряет конвейер

Самая интересная часть телеметрии — про то, зачем люди на самом деле открывают Copilot.

Диалоги классифицировали по намерению пользователя и разложили по стандартной таксономии рабочих активностей O*NET. Получилось так:

49% — когнитивная работа: анализ информации, решение проблем, оценка вариантов, творческое мышление
19% — взаимодействие с людьми: коммуникация с руководителями и коллегами, интерпретация информации для других
17% — производство результата: запись и документирование информации
15% — поиск информации

Внутри блока когнитивной работы самая крупная подкатегория — принятие решений и решение проблем. На неё приходится 28% всех обращений.

С помощью ИИ люди анализируют проблемы, сравнивают варианты решения и генерируют идеи. То есть берутся за задачи, для которых раньше часто требовались более опытные коллеги или собственная глубокая экспертиза.

Отсюда один из главных тезисов репорта: ИИ расширяет круг людей, которые могут брать на себя более сложную и содержательную работу, напрямую связанную с результатом.

Цифры из опроса это подтверждают:

66% говорят, что ИИ позволил им тратить больше времени на содержательную работу (high-value work)
58% — что теперь выполняют задачи, которые год назад были им не по силам

По мере того как ИИ берёт на себя всё больше задач, возрастает значение человеческого суждения и способности оценивать результат. Это видно и по ответам на вопрос о навыках, которые становятся важнее:

контроль качества работы ИИ — 50%
критическое мышление — 46%

При этом 86% опрошенных воспринимают результат работы ИИ как отправную точку для дальнейшей работы. По их словам, «ответственность за мышление» остаётся за человеком.

Роль человека всё больше связана с оценкой качества результата, его доработкой и ответственностью за итог.

Часть 2. Опережающие специалисты — 16%, которые работают иначе

Microsoft отдельно выделил группу самых продвинутых пользователей — Опережающих специалистов. Они уже используют агентов для сложных многоэтапных задач, регулярно перестраивают собственные рабочие процессы с учётом возможностей ИИ, а также активно участвуют в проектах по его освоению и внедрению внутри компаний.

Опережающие специалисты составляют 16% выборки Microsoft. Чаще всего они работают в технологическом секторе (35%) и финансах (12%), а по функциям больше всего представлены в ИТ (36%) и финансах (11%).

При этом они особенно внимательно относятся к распределению работы между человеком и ИИ и чаще осознанно ограничивают его использование:

43% против 30% среди остальных намеренно выполняют часть задач самостоятельно, чтобы сохранять собственные навыки;
53% против 33% перед началом работы определяют, какую часть задачи стоит передать ИИ, а какую выполнить самостоятельно.

Самыми эффективными пользователями ИИ оказываются те, кто перестраивает свою работу с учётом того, где особенно важны человеческое суждение, экспертиза и ответственность за результат.

Вместе с этим меняется и взгляд на саму профессию. Всё большее значение приобретает вопрос не о наборе задач конкретного специалиста, а о результатах, за которые он способен отвечать.

Четыре режима работы с ИИ

В репорте авторы разложили работу с ИИ на четыре режима по двум параметрам: насколько глубоко в задачу вовлечён человек и какую часть работы берёт на себя агент.

Делегирование — человек задаёт направление, агент выполняет задачу. Например: превращает заметки в структурированный документ или собирает регулярный отчёт из стандартных входных данных.
Совместная работа — человек и агент вместе ведут задачу через несколько итераций. Например: дорабатывают предложение через несколько кругов правок или ведут анализ, где каждый новый результат определяет следующий вопрос.
Быстрые вопросы — короткие задачи и отдельные обращения. Например: уточнить факт, переписать абзац, переформатировать таблицу.
Исследование — проверка возможностей агента на новых задачах. Например: протестировать новый процесс перед тем, как встроить его в работу, или сравнить несколько подходов и понять, как лучше делегировать новую задачу.

Ключевое наблюдение авторов: опережающих специалистов отличает способность определить, какой режим лучше подходит конкретной задаче.

Часть 3. Парадокс трансформации

Microsoft разложил респондентов по двум осям: личная готовность работать с ИИ и готовность организации создавать для этого условия. Обе оси нормализованы внутри каждой страны. В результате получилось пять зон (n = 16 971):

Зона	Доля	Что это значит
Опережение (Frontier)	19%	И сотрудник, и организация активно используют ИИ и создают условия для его дальнейшего применения
Формирование (Emergent)	50%	Сотрудник и организация постепенно осваивают ИИ и встраивают его в работу
Тупик (Stalled)	16%	И у сотрудника, и у организации пока низкая готовность к работе с ИИ
Блокировка (Blocked agency)	10%	Сотрудник активно использует ИИ, но внутри компании пока недостаточно условий для его применения в работе
Невостребованный потенциал (Unclaimed capacity)	5%	Компания уже создала условия для работы с ИИ, но сотрудник пока использует эти возможности ограниченно

В этом распределении есть заметная асимметрия. «Заблокированных» вдвое больше, чем тех, кому компания уже создала условия, которыми сотрудник пока не пользуется.

Иначе говоря, сотрудники чаще успевают освоить ИИ раньше, чем компании создают возможности для его полноценного применения в работе.

Разрыв заметен и на уровне руководства. Лишь четверть опрошенных говорят, что у руководства есть единая и понятная позиция по использованию и внедрению ИИ. Сами руководители при этом чаще считают, что ИИ-трансформация внутри компании поощряется и получает необходимую поддержку.

Получается ещё одно расхождение:

65% опрошенных боятся отстать, если не начнут быстро адаптироваться к ИИ.
При этом 45% считают более безопасным сосредоточиться на текущих целях, чем перестраивать работу с риском временно просесть по результатам.
И только 13% говорят, что компания поощряет эксперименты, даже если они не сразу дают результат.

Microsoft называет это Парадоксом трансформации. Даже сотрудники, готовые перестраивать свои рабочие процессы с помощью ИИ, оказываются под двойным давлением. Страх отстать подталкивает их быстрее осваивать технологию, а система оценки делает эксперименты рискованными, если они не дают быстрого результата. В итоге сотрудники чаще сохраняют привычные процессы.

Давление в пользу быстрого внедрения ИИ одновременно снижает готовность к экспериментам, без которых эта трансформация невозможна.

Часть 4. Менеджер как множитель

Роль непосредственного руководителя в ИИ-трансформации Microsoft измерял в отдельном исследовании People Science среди 1 800 сотрудников.

Исследование показывает два особенно сильных фактора. Первый — личный пример руководителя. В командах, где руководитель регулярно использует ИИ в собственной работе, сотрудники на 17 пунктов выше оценивают его ценность, на 22 пункта чаще критически осмысляют собственную работу с ним и на 30 пунктов больше доверяют агентским системам.

Второй фактор — психологическая безопасность вокруг экспериментов. Там, где сотрудники могут пробовать новые способы работы без страха за неудачный результат, показатели готовности к ИИ и воспринимаемой пользы растут до 20 пунктов, а вероятность стать частым пользователем агентов увеличивается в 1,4 раза.

Опережающие специалисты заметно чаще работают именно в такой среде. По сравнению с остальными они значительно чаще говорят, что их руководитель:

Поведение менеджера	Опережающие	Остальные
Сам использует ИИ в работе	85%	64%
Задаёт стандарты качества для работы с ИИ	83%	57%
Создаёт условия для экспериментов	84%	61%
Поощряет перестройку рабочих процессов	87%	61%
Поощряет перестройку работы, даже если она не сразу даёт ожидаемый результат	26%	11%

Отсюда следует довольно практический вывод для тех, кто отвечает за внедрение ИИ. Одного обучения сотрудников недостаточно, если линейные руководители продолжают работать по-старому. Поэтому начинать имеет смысл с менеджеров. Самый простой шаг — регулярное использование ИИ самим руководителем: оно почти не требует дополнительных ресурсов и при этом входит в число наиболее значимых факторов во всей выборке.

Часть 5. Организация как обучающаяся система

Компании, которые дальше других продвинулись в работе с ИИ, постепенно перестраивают под него сами рабочие процессы и превращают полученный опыт в знание. Когда это знание фиксируется, распространяется внутри организации и влияет на следующие решения, компания начинает работать как обучающаяся система (Learning System).

Многие руководители делают ставку на найм сильных специалистов и рассчитывают, что этого будет достаточно. Данные Microsoft показывают, насколько большое значение имеют условия, которые компания создаёт для их работы.

Агенты растут неравномерно

Количество активных агентов в экосистеме Microsoft 365 выросло за год в 15 раз, а в крупных корпорациях в 18 раз.

Отраслевой разрез показывает два разных сценария внедрения агентов. Первый — широкое внедрение, когда технология быстро распространяется между компаниями внутри отрасли. Так происходит в секторе программного обеспечения и технологий (software & technology): почти каждая пятая компания среди тех, кто использует агентов, относится именно к нему.

Второй сценарий — глубокое внедрение, когда компаний с агентами меньше, зато внутри каждой из них технология распространяется гораздо масштабнее. Такой сценарий характерен для производства и добычи (manufacturing & resources).

При этом поведение самих пользователей по отраслям почти не различается: количество запросов на человека примерно одинаковое везде. Основная разница возникает на уровне организации: где именно встроены агенты и насколько глубоко они включены в рабочие процессы.

Что делают компании, которые вырываются вперёд

Опережающие специалисты чаще остальных описывают командные практики, которые помогают превращать личные находки сотрудников в общее знание команды:

Практика	Опережающие	Остальные
Команда совместно разбирает процессы, ища возможности для ИИ	63%	32%
Обмен приёмами, новыми агентами, находками и ошибками	61%	36%
Обсуждение стандартов качества для работы с ИИ	54%	29%

Разрыв по каждой из этих практик почти двукратный. Реже всего команды обсуждают стандарты качества, хотя именно общее понимание хорошего результата позволяет оценивать работу ИИ по понятным критериям, а не каждый раз определять планку заново.

С документированием ситуация слабая у обеих групп:

Уровень документирования процессов	Опережающие	Остальные
Команда	26%	19%
Функция	29%	17%
Организация	25%	14%

Даже среди опережающих специалистов только около четверти говорят, что процессы работы с агентами, точки передачи задач человеку и стандарты качества где-то зафиксированы и могут быть воспроизведены другими.

В результате большая часть найденных практик остаётся локальным знанием отдельных сотрудников и гораздо медленнее превращается в знание всей организации.

Новая инфраструктура оценки

Чем больше задач выполняют агенты, тем выше цена ошибки на этапе проверки. Один неудачный результат обычно не создаёт серьёзной проблемы, но при масштабном использовании агентов такие ошибки начинают накапливаться. Поэтому инфраструктура оценки должна развиваться вместе с агентными системами.

По мнению Microsoft, её стоит строить вокруг трёх вопросов:

Кто отвечает за качество работы агентов?
У кого есть право менять процессы, в которых работают агенты?
Как удачные локальные практики фиксируются и распространяются внутри организации?

Компании, которые умеют отвечать на эти вопросы, накапливают то, что в репорте называют Owned Intelligence: институциональное знание, которое растёт со временем, учитывает специфику конкретной компании и поэтому плохо копируется.

Построение такой инфраструктуры требует согласованной перестройки на четырёх уровнях. Сотрудники выстраивают свою работу вокруг постановки задачи и проверки результата. Руководители перепроектируют процессы с учётом ожидаемого результата и степени автономии агентов. Разработка создаёт масштабируемую инфраструктуру и управляет агентами как полноценными участниками цифровой среды, у которых есть идентичность, права доступа, политики и жизненный цикл. Команды безопасности отвечают за новые риски: утечки данных, непреднамеренные действия в системах и несанкционированный доступ.

Когда эти четыре уровня работают согласованно, организация становится обучающейся системой: работа постоянно производит новое знание, а накопленное знание постепенно меняет сами процессы.

С чего начать уже сейчас

Ниже шесть шагов, расположенных от самых простых к тем, которые требуют более серьёзной перестройки. Первые два почти не требуют дополнительных ресурсов, в то время как последние два уже меняют устройство самой работы.

Личный пример руководителя. Один из самых сильных и при этом недорогих факторов во всей выборке — руководитель, который сам регулярно использует ИИ в работе и делает это заметной частью командной практики. У опережающих специалистов такой руководитель встречается в 85% случаев против 64% у остальных. Поэтому работу с ИИ имеет смысл начинать с менеджеров, а затем уже масштабировать обучение на команды.
Пауза перед задачей. Перед началом крупной задачи команда тратит несколько минут на то, чтобы определить, какую часть работы выполнит человек, а какую можно передать ИИ. Среди опережающих специалистов так делают 53%, а среди остальных — всего 33%. Это один из самых заметных разрывов в исследовании и практика, которая требует в первую очередь дисциплины.
Поиск зоны блокировки. Сотрудники, которые уже освоили ИИ, лучше других видят, что мешает применять его в реальной работе. Чаще всего ограничения возникают на уровне согласований, регламентов, метрик и самих процессов. Такая диагностика быстро показывает, где именно застряло внедрение.
Общая планка качества. Обсуждение того, что считать хорошим результатом, встречается реже других командных практик: 54% у опережающих и 29% у остальных. Общие критерии помогают оценивать результат по понятной планке, а не определять её заново в каждом отдельном случае.
Фиксация опыта. Даже среди опережающих специалистов процессы задокументированы лишь примерно у четверти. Общий документ с работающими подходами, ошибками и промптами помогает превращать личные находки в знание, которым может пользоваться вся команда.
Пересмотр системы поощрений. Стоит найти случаи, когда сотрудник перестроил процесс, результат появился не сразу, а это негативно повлияло на его оценку. Такие ситуации показывают, что система мотивации мешает изменениям, которые сама компания пытается запустить. За подобные эксперименты поощряют лишь 13% сотрудников, поэтому уже защита таких попыток от негативных последствий снимает один из заметных барьеров для трансформации.

Три вопроса про агентов

Пока агенты берут на себя всё больше работы, компании приходится заранее определить, кто и за что отвечает.

Кто проверяет качество работы агентов?
У кого есть право менять процессы, в которых они работают?
Как удачные локальные практики фиксируются и распространяются внутри компании?

Пока на эти вопросы нет понятных ответов, масштабирование агентов увеличивает не только объём выполняемой работы, но и операционный риск.

]]> WAIC 2026: почему сотни ИИ-агентов не меняют отчётность компаний https://to-dual.education/blog/i8oc68izv1-waic-2026-pochemu-sotni-ii-agentov-ne-me Fri, 16 Oct 2026 13:34:00 +0300 Юлиана Нам и Дмитрий Еременко, сооснователи To Dual AI Бизнес Пересказываем доклад Ли Кайфу с WAIC 2026: почему ИИ-агенты пока не влияют на отчётность и как изменятся компании, когда начнут использовать ИИ для стратегических решений.

WAIC 2026: почему сотни ИИ-агентов не меняют отчётность компаний

Основатели агентства TO DUAL Юлиана Нам и Дмитрий Ерёменко побывали на Всемирной конференции по искусственному интеллекту (WAIC) в Шанхае.

Одним из главных событий деловой программы для них стал доклад Ли Кайфу, экс-главы Google China и основателя Sinovation Ventures и 01.AI. Он говорил о том, почему компании внедряют ИИ, но пока не используют его там, где принимаются решения, и как из-за этого изменится структура компаний.

Выступление шло на китайском, полная запись вышла только в китайских медиа, и на русском этот доклад до сих пор не пересказывали. Поэтому мы собрали его основные тезисы и соотнесли их с задачами бизнеса.

Авторы: Юлиана Нам и Дмитрий Ерёменко, фаундеры TO DUAL, создатели магистратуры «ИИ в маркетинге и управлении продуктом» НИУ ВШЭ.

Конференция про последствия

WAIC прошла в Шанхае с 17 по 20 июля. Это главная конференция Китая по ИИ и одна из крупнейших в мире. Выставка заняла 100 тысяч квадратных метров, в ней участвовали больше 1100 компаний, которые показали свыше 3000 экспонатов, в том числе больше 300 мировых премьер. Тема года — «Интеллектуальные партнёры: создаём будущее вместе». Открывал конференцию Си Цзиньпин.

На фоне западных конференций, где компании показывают новые продукты, WAIC выделяется тем, что здесь много говорят о последствиях внедрения ИИ. Целый день деловой программы занял разговор о том, как ИИ меняет производительность, устройство организаций и корпоративную культуру. В этом блоке Ли Кайфу выступил с докладом «Первопринцип производительности: будущее ИИ уже здесь – перестройка бизнеса, организаций и личности».

Ли Кайфу работает в индустрии почти сорок лет. Он защитил докторскую по распознаванию речи в Carnegie Mellon, занимал руководящие позиции в Apple, Microsoft и Google, затем основал венчурный фонд Sinovation Ventures и компанию 01.AI, которая разрабатывает языковые модели. Слушать его стоит ещё и потому, что он одинаково хорошо знает американский и китайский рынки, а людей с таким опытом сейчас немного.

Тишина в ответ на вопрос про отчётность

К Ли Кайфу на конференциях подходят руководители компаний и рассказывают, сколько агентов внедрили в поддержке, юридическом отделе и финансах. У некоторых счёт идет на сотни. Он спрашивает одно и то же: как это изменило вашу отчётность? Почти всегда в ответ наступает тишина.

Ли Кайфу объясняет это тем, что весь этот ИИ работает на периферии. Компания получила в распоряжение интеллект уровня выпускника лучшего университета мира и посадила его разбирать тикеты и поправлять презентации. Стратегию, финансы, продажи и конкурентную борьбу, от которых зависит судьба бизнеса, ИИ не затронул.

Слабостью моделей это не объясняется. Ли Кайфу приводит в пример DeepSeek R1: компании массово скачивали модель и разворачивали её на своих серверах, а потом она простаивала, потому что ничего не знала о конкретной компании, то есть о её архивах, процессах, людях и истории решений. Он сравнивает это с самым мощным чипом Nvidia, который привезли бы главе General Motors в 1976 году: без операционной системы и приложений такой чип бесполезен, какой бы ни была его мощность.

Поверх базовой модели, по мнению Ли Кайфу, нужна собственная надстройка из трёх частей:

Онтология компании, то есть структурированная карта того, что организация знает о себе;
Данные о текущем состоянии компании, которые обновляются в реальном времени;
Мультиагентная архитектура, в которой несколько версий модели с разными ролями спорят между собой, прежде чем выдать решение.

Так работает совет директоров или инвестиционный комитет, где решение принимают после спора участников.

Почему скачок случился именно сейчас

Ли Кайфу объясняет нынешний скачок четырьмя факторами.

Первый фактор предсказал ещё в восьмидесятых Ханс Моравек, учитель Ли Кайфу в Carnegie Mellon: машинам проще даётся то, что людям кажется сложным, и наоборот. Поэтому с помощью ИИ люди начали автоматизировать умственный труд, а физический такой автоматизации пока не поддаётся.

Второй — скорость распространения. ChatGPT набирал аудиторию примерно в пять раз быстрее TikTok, потому что инфраструктуру строить не пришлось: интернет уже работал. Электричество распространялось десятилетиями, потому что сети для него прокладывали с нуля.

Третий – стоимость. За два года цена за токен при сопоставимом качестве упала, по его расчётам, примерно в 175 раз.

Четвёртый — самоулучшение моделей: они всё чаще дорабатывают себя без циклов экспериментов, на которые у исследовательских команд уходили годы.

Отдельно Ли Кайфу говорил о коде. Три года назад писать программы с помощью ИИ было почти невозможно. Сейчас же модели справляются с 94 процентами задач профильного бенчмарка, тогда как инженер уровня middle решает 50-60 процентов. Код важен как операционный язык цифрового мира. Модель, которая умеет его писать, способна открывать приложения, вызывать внешние сервисы и управлять компьютером, то есть сама доводить задачу до результата.

Boss AI и проблема испорченного телефона

Часть доклада Ли Кайфу посвятил Boss AI – продукту своей команды. Поэтому слушать эту часть стоило с поправкой на то, что спикер рассказывает о собственном проекте. Но проблему, ради которой создан продукт, он описал точно, и её узнает любой, кто работал в крупной компании: до руководства информация доходит искаженной. В большой организации много уровней среднего менеджмента, и на каждом часть сведений теряется, а часть намеренно придерживают: кто-то не хочет расстраивать начальство, департаменты конкурируют и прячут друг от друга похожие проекты.

Boss AI решает эту проблему так: система записывает и обрабатывает совещания, и руководитель получает сведения без искажений. Разработчики считают их самым ценным источником данных в компании, потому что решения принимают именно на них. Руководитель узнаёт, что происходило на встречах, где его не было, кто что пообещал и выполнил ли обещание, а также получает сведения о ключевых сотрудниках и рисках их ухода. Во время совещаний система сверяет заявления участников с данными и показывает расхождения.

DRI: организация без среднего звена

Если середина управленческой пирамиды – это в первую очередь источник искажений, а исполнение всё больше берут на себя агенты, встает вопрос: зачем пирамида вообще нужна?

Ли Кайфу предлагает заменить её моделью DRI (Directly Responsible Individual). Так называют человека, который единолично отвечает за своё направление и его результат, своего рода микро-CEO с узкой специализацией.

Термин пришёл из Apple, но такие люди были и раньше: Тим Бернерс-Ли в CERN, Акио Морита в Sony, Говард Шульц в раннем Starbucks. Их были единицы, потому что каждый крупный проект требовал ресурсов целой организации. С дешёвыми ИИ-агентами этого ограничения больше нет: один DRI управляет несколькими агентами и в одиночку делает работу, для которой раньше нужен был отдел.

Менеджерам среднего звена Ли Кайфу оставляет три варианта:

☐ Можно стать DRI или руководителем нескольких DRI.

☐ Можно стать связующим звеном между агентами и людьми там, где по-прежнему нужны доверие и личный контакт.

☐ Третий вариант временный: связывать старые процессы с новыми, пока старые не исчезнут.

Вкус, дальновидность, убеждения, смелость

В финале доклада Ли Кайфу вернулся к вопросу, который задал своему учителю почти сорок лет назад: если машины станут умнее нас, в чём тогда смысл человека?

Моравек ответил вопросом на вопрос: а с чего вы взяли, что смысл человека – в его уме?

Сам Ли Кайфу называет четыре качества, которых нет у ИИ:

Вкус. Коко Шанель почувствовала, что женщинам нужна одновременно удобная и красивая одежда, и никакой анализ данных того времени к этому бы не привёл.
Дальновидность. iPhone не мог появиться из опросов пользователей Nokia.
Убеждения. Безос годами держал курс, который Уолл-стрит не принимал.
Смелость. Маск поставил личное состояние на возвращаемые ракеты.

Все четыре качества Ли Кайфу объясняет одним: ИИ не несёт ответственности так, как её несёт человек, потому что его нельзя наказать и ему нечего терять. Решение, за которое некому отвечать, он называет расчётом. Из этого Ли Кайфу выводит разделение труда: ИИ поручают исполнение, анализ и советы, а главные решения принимает человек, и он же за них отвечает.

Этот доклад подтвердил то, на чём мы в TO DUAL строим работу с клиентами: ИИ приносит пользу, когда его используют в стратегии, финансах и продажах, то есть там, где компания принимает решения, а число внедрённых агентов само по себе в отчётности ничего не меняет. Судя по WAIC, к такому же выводу постепенно приходят и другие компании.

]]> Понятно — не значит усвоено: почему высокие оценки занятия могут ничего не говорить о результате https://to-dual.education/blog/gy3lcf4lt1-ponyatno-ne-znachit-usvoeno-pochemu-viso Fri, 16 Oct 2026 13:49:00 +0300 Юлиана Нам и Дмитрий Еременко, сооснователи To Dual Обучение Команда Сотрудники уходят с тренинга довольными, но через месяц почти ничего не применяют. Разбираемся, как иллюзия понимания искажает оценки обучения и какая практика помогает знаниям дойти до работы.

Понятно — не значит усвоено: почему высокие оценки занятия могут ничего не говорить о результате

Иллюзия понимания в корпоративном обучении

После обучения у сотрудников обычно хорошее настроение: тема разобрана, примеры понятные, в анкетах стоят высокие оценки. Проходит неделя, и от знаний остаются смутные обрывки, а в работе новый навык так и не применяется.

Чаще всего дело не в невнимательности слушателей и не в слабом спикере. У этого расхождения есть название и хорошо изученная причина. Разберём, откуда оно берётся и что можно заложить в программу, чтобы знания доходили до практики.

Что такое иллюзия понимания

Иллюзией понимания называют ошибку, при которой человек считает, что разобрался в теме, хотя на деле только понял объяснение. Чаще всего её подпитывает лёгкость восприятия: если слушать было легко и всё выглядело логичным, возникает ощущение, что материал уже усвоен.

За этим стоят два разных ощущения, которые легко спутать:

Первое звучит как «я понял объяснение»: логика ясна, примеры знакомы, вопросов нет.
Второе звучит как «я умею сам»: человек решает задачу по теме без подсказок и без чужих слайдов перед глазами.

После хорошего занятия у слушателя остаётся первое ощущение. Понять, есть ли второе, просто прислушавшись к себе, нельзя. Поэтому человек опирается на простой признак: насколько легко было слушать. Легко — значит, всё знаю. При этом лёгкость создал преподаватель, когда разложил тему, подобрал пример и убрал лишнее, и к знаниям слушателя она отношения не имеет.

Эксперимент: как самооценка студентов разошлась с результатами теста

Немецкие исследователи Мадлен Хёрнляйн и Кристоф Кульгемайер проверили, что происходит после хорошего объяснения: понимают ли люди тему или им только так кажется.

Студентам показали короткое обучающее видео о том, что такое энергия в физике. Дальше участников разделили на две группы. Первая сразу перешла к проверке знаний. Вторая сначала полчаса решала задачу на новом примере, которого в видео не было, то есть получила практику.

Сразу после видео обе группы одинаково высоко оценили своё понимание. Тест обе написали посредственно, примерно на половину правильных ответов. Те, кто только смотрел, так и остались уверены, что всё поняли. Те, кто решал задачу, увидели свои пробелы и стали оценивать себя скромнее, ближе к реальному результату. Именно в этом польза практики: знаний сразу не прибавилось, но люди узнали, чего они пока не умеют.

Через месяц участников проверили снова, без повторения материала. У тех, кто после видео что-то делал руками, уверенность в своих знаниях совпадала с результатами теста. У тех, кто только смотрел, связи между уверенностью и знаниями не было. Они не могли понять, что знают, а что нет.

Сильнее всего переоценивали себя те, кто знал тему хуже остальных. Авторы связывают это с эффектом Даннинга — Крюгера: чем меньше человек знает о предмете, тем хуже он замечает собственные пробелы. Для обучения это самый неприятный вывод: тем, кому практика нужнее всего, кажется, что она им не нужна.

Что это значит для корпоративного обучения

Исследование проводили на студентах и на одной теме из физики, а на корпоративном обучении его напрямую не проверяли. Но механизм здесь тот же. Иллюзия понимания мешает не только слушателю. Она сбивает с толку и тех, кто проектирует программу и оценивает её результат.

Начнём с анкет. После тренинга компании обычно спрашивают участников, было ли понятно и было ли полезно. Вопрос «было ли понятно» почти дословно повторяет то, чем в эксперименте измеряли иллюзию, поэтому такие оценки ловят то же искажение. Участники довольны, потому что спикер хорошо объяснил, и это ничего не говорит о том, научились ли они. Высокие баллы не гарантируют результата, а иногда скрывают его отсутствие.

Со спикерами похожая история. Чем понятнее и увереннее объясняет спикер, тем сильнее у слушателей ощущение, что они всё знают. В исследовании 2018 года студентам показывали видео одной и той же лекции в двух вариантах: преподаватель читал её живо и уверенно либо по бумажке и монотонно. После яркой версии студенты оценивали свои знания выше, хотя тест обе группы написали одинаково. С сильным спикером слушать интересно. Но чтобы сотрудники научились, одного объяснения мало.

Ещё заметнее последствия в работе. Сотрудник, уверенный в своих знаниях, не просит помощи и не возвращается к повторению материалов, потому что не видит пробелов. Ошибки всплывают позже, в реальных задачах, когда исправлять их дороже. Например, после тренинга по работе с возражениями менеджер уверенно отвечает на вопросы ведущего, а через месяц на встрече с клиентом теряется на первом же недовольстве.

Как проектировать обучение, чтобы знания оставались

Практика после занятия сама собой не возникает, поэтому её закладывают в программу заранее. Эксперимент выше объясняет, зачем нужна задача сразу после объяснения: она возвращает самооценке точность. А чтобы знания закрепились надолго, помогают приёмы, хорошо изученные в когнитивной психологии.

Практика на своём материале. Сразу после объяснения участник берёт пример из своей работы и применяет к нему новое. Задача из презентации даёт меньше, ведь её решение слушатели уже видели.
Задания без подсказок. На время задания слайды и конспект закрыты. Если сотрудник справляется только с записями перед глазами, он понял объяснение, но тему пока не освоил. Такой приём называют активным припоминанием: человек достаёт знание из памяти, и оно закрепляется прочнее.
Возвраты к теме через дни и недели. Например, короткие задания через два дня, через неделю и через месяц после занятия. Точного расписания нет, важен сам принцип: на каждом возврате участник снова вспоминает материал, и забывание замедляется.
Проверка применения вместо впечатлений. Вместо вопроса «понравилось ли» участник решает рабочую задачу или разбирает ситуацию из практики. Ещё один вариант: руководитель наблюдает, как сотрудник применяет навык в работе.
Пересказ своими словами. Это полезное дополнение, но оно слабее, чем попытка сделать самому. В эксперименте Хёрнляйн и Кульгемайера сразу после занятия пересказ снижал иллюзию слабее, чем задача на новом примере, а через месяц оба варианта сработали одинаково. Плюс пересказа в том, что ведущему почти не нужно его готовить.

Как понять, что обучение сработало

Для оценки обучения часто берут модель Киркпатрика. В ней четыре уровня: реакция участников, усвоение знаний, изменение поведения в работе и результат для компании. Анкета удовлетворённости закрывает только первый уровень, и как раз на нём иллюзия понимания сильнее всего искажает картину.

Чтобы увидеть остальные уровни, замеры разносят во времени.

Когда	Что проверяют	Как
Сразу после занятия	Может ли участник решить задачу сам	Задание на новом примере без слайдов
Через месяц	Что осталось в памяти	Повторная задача без предварительного повторения
Через 3 месяца	Применяет ли сотрудник навык в работе	Наблюдение руководителя, разбор рабочих результатов
Через полгода и позже	Изменились ли показатели, ради которых запускали обучение	Сравнение рабочих метрик до и после программы

Высокие оценки в анкете вместе со слабым результатом через месяц обычно указывают на иллюзию понимания, хотя часть разницы может объясняться и обычным забыванием. В обоих случаях программе нужно больше самостоятельной практики.

Вывод

Понятное объяснение закрывает половину дела. Вторая половина приходится на практику, и её следует закладывать в программу ещё на этапе проектирования. Тогда у сотрудников больше шансов обрести навык, а у компании появляется способ проверить, что обучение дошло до работы.

Мы с командой проектируем программы, в которых практика на рабочих задачах встроена в каждый модуль, и помогает оценить, что из обучения сотрудники применяют через месяц и позже.

]]> UGC в корпоративном обучении: как контент от участников повышает эффективность программы https://to-dual.education/blog/lues6i0z91-ugc-v-korporativnom-obuchenii-kak-konten Fri, 16 Oct 2026 14:30:00 +0300 Команда To Dual AI Обучение Разбираем пять форматов UGC в рамках комьюнити, которые повышают вовлечённость и помогают сотрудникам закрепить результаты обучения, в том числе при внедрении ИИ.

UGC в корпоративном обучении: как контент от участников повышает эффективность программы

Лучше всего обучение закрепляется тогда, когда участники перестают только потреблять материал и начинают создавать его сами. Совет, который прочитал в презентации лекции, чаще всего быстро забудется. А вот кейс, который можно рассказать коллегам, останется надолго.

Почти любая корпоративная программа сталкивается с двумя проблемами: без практики знания выветриваются, а к середине курса вовлечённость заметно проседает. Пользовательский контент (UGC) закрывает обе и превращает обучение из трансляции в обмен опытом.

Ниже разбираем пять форматов UGC, которые мы используем в обучающих комьюнити, объясняем, почему они работают, и показываем, как их запустить. Выводы опираются на исследования LinkedIn, Gallup, McKinsey и BCG.

Что такое UGC в обучении и почему он важен именно сейчас

UGC в обучении — это контент, который участники программы создают добровольно и для других: разборы своих кейсов, истории побед, подборки находок, ответы на вопросы коллег. От домашнего задания его отличает адресат. Домашку пишут для проверяющего, а UGC пишут для сообщества.

В теме ИИ-трансформации это особенно важно. Инструменты меняются быстрее, чем обновляется любая программа. Самым свежим учебным материалом оказываются живые практики самих сотрудников и реальный опыт, по стопам которого могут пойти другие.

И эти практики уже существуют. По данным отчёта McKinsey «Superagency in the workplace», руководители считают, что генеративный ИИ используют для рабочих задач лишь 4% сотрудников. Сами сотрудники называют втрое большую долю — 13%.

Получается, что знание уже распределено по компании, но не собрано. UGC-комьюнити — один из самых простых способов его собрать.

Почему это работает: пять механизмов усвоения

UGC работает не потому, что это модно, а потому, что задействует давно описанные механизмы обучения:

Обучение через объяснение. Чтобы рассказать кейс, его нужно разложить на шаги и понять причины результата. В педагогической психологии это называют эффектом протеже: объясняя другим, человек сам усваивает материал глубже.
Рефлексия. Пост о том, как участник справился со сложным этапом — это готовая рефлексия. Он осмысляет, что сработало, и делает опыт осознанным.
Викарный опыт. Психолог Альберт Бандура доказал, что вера в свои силы растёт, когда мы видим успех похожего на нас человека. Кейс коллеги убеждает сильнее, чем кейс внешнего эксперта.
Чувство принадлежности. Отклик группы на пост поддерживает мотивацию. Участник, которого заметили, реже бросает программу.
Социальная часть модели 70-20-10. Модель предполагает, что около 20% развития происходит во взаимодействии с другими. Комьюнити делает эту часть управляемой, а не случайной.

Пять форматов UGC, которые мы используем в комьюнити

1. Open-call на кейсы применения

Мы объявляем сбор историй: что участники внедрили после обучения и какой результат получили. Цель двойная — замотивировать остальных и найти практики, которые можно масштабировать.

Один удачный кейс превращается в технологию для всей группы. Для ИИ-трансформации это ещё и способ вывести теневое использование ИИ на свет. В исследовании BCG по Азиатско-Тихоокеанскому региону отмечено, что значительная часть внедрения ИИ идёт неформально, без одобрения компании. Open-call помогает превратить такие частные эксперименты в общие правила.

Как запустить: дайте шаблон «проблема + инструмент + процесс + результат + совет» и понятную награду, например, публикацию в дайджесте лучших кейсов или баллы рейтинговой системы (если она есть).

2. Шеринг побед и преодолённых трудностей

Это свободный формат без конкурса: регулярный тред, где можно рассказать о маленькой победе или о том, как удалось пройти сложный этап. Участник хвалит себя и получает поддержку группы, а тот, кто застрял на том же месте, видит, что выход есть.

Важно поощрять не только успехи, но и истории преодоления — «у меня тоже не получалось с первого раза» снимает страх ошибки лучше любой лекции.

Как запустить: регулярная рубрика с фиксированными правилами обмена историями и обязательной реакцией команды на каждое сообщение.

3. Обмен находками и ссылками

Участники делятся статьями, инструментами, промптами, подкастами по теме обучения. Сообщество превращается в распределённую систему мониторинга: каждый приносит то, что заметил сам.

Этот формат требует минимум усилий, поэтому хорошо подходит для первого шага. Тот, кто сегодня поделился ссылкой, завтра охотнее расскажет свой кейс.

Как запустить: отдельный тег, ежемесячный дайджест лучших находок.

4. Кулуарные форматы для разбора кейсов на равных

Мы предлагаем участникам самоорганизовываться в небольшие группы: мастермайнды, пары взаимопомощи, закрытые сессии разбора в формате лаборатории. Там люди решают задачи друг друга без эксперта над головой.

Ключевое условие — психологическая безопасность. Это понятие ввела исследовательница Гарварда Эми Эдмондсон: готовность говорить о сомнениях и ошибках без страха оценки. В узком кругу люди честнее рассказывают о том, что не работает, и именно там появляются настоящие решения.

Как запустить: предложите простой сценарий встречи (групповой онлайн-разбор проблемы в реальном времени с демонстрацией экрана), помогите с подбором групп и не вмешивайтесь в сам процесс.

5. Интервью с активчиками

Мы берём интервью у тех, кто особенно заметно продвинулся или больше всех помогает другим. Для героя это признание, продвижение личного бренда и возможность рассказать о своей команде или бизнес-юните.

Для остальных участников интервью задаёт ролевую модель. Оно показывает, что активность в сообществе замечают и ценят, и повышает статус самого обмена опытом.

Как запустить: отследите когорту самых активных участников и выберите одного героя, донесите ему ценность интервью и предложите поучаствовать.

Что получает компания

Для заказчика UGC-комьюнити — это не приятный бонус к обучению, а инструмент, который отвечает на задачи, зафиксированные крупнейшими исследованиями.

Вовлечённость, которая падает

По данным Gallup State of the Global Workplace 2025, доля вовлечённых сотрудников в мире снизилась с 23% в 2023 году до 21% в 2024-м. Главная причина — падение вовлечённости менеджеров с 30% до 27%.

Да, комьюнити не заменяет хорошего руководителя. Но оно даст людям то, чего им часто не хватает в команде: признание, связь с коллегами и ощущение прогресса.

Внедрение ИИ, которое буксует без поддержки

В отчёте BCG AI at Work 2025 регулярное использование ИИ среди линейных сотрудников застряло на уровне 51%. При этом среди руководителей и менеджеров его регулярно используют больше трёх четвертей.

BCG называет два рычага. Первый — обучение: регулярно пользуются ИИ заметно чаще те, кто прошёл не меньше пяти часов обучения и имел доступ к очному формату и коучу. Второй — поддержка: при сильной поддержке со стороны компании доля сотрудников с позитивным отношением к ИИ растёт с 15% до 55%. Комьюнити с кейсами коллег и разборами на равных усиливает оба рычага.

Навыки, которых не хватает для стратегии

LinkedIn Workplace Learning Report 2025 показывает, что 49% специалистов по обучению видят беспокойство руководства: у сотрудников нет навыков для реализации стратегии. Лишь 36% организаций LinkedIn относит к «чемпионам развития карьеры», и они чаще других используют проектное обучение на реальных задачах.

UGC-комьюнити работает именно так: участники учатся на реальных задачах друг друга, а компания получает базу внутренних кейсов, из которой можно собирать стандарты и регламенты. Заодно становятся видны будущие амбассадоры изменений — те, кто охотнее всех делится и помогает.

Как запустить UGC-тренд в обучающем комьюнити

Ниже список проверенных на практике механик, которые помогут замотивировать участников делиться контентом внутри сообщества:

Начните с самого лёгкого формата. Шеринг полезными ссылками или рубрика обмена маленькими победами требуют минимум смелости и времени.
Дайте шаблоны. Три-четыре вопроса или структура рассказа про свой кейс снимают страх чистого листа.
Напишите первые посты сами. Модератор и несколько подсадных участников задают тон и показывают, что делиться трудностям — это нормально.
Введите ритуалы. Постоянный день недели, одинаковые названия рубрики, ежемесячный open-call. Предсказуемость снижает порог входа.
Отвечайте на каждый пост. Реакция в первые часы — главный сигнал, что вклад заметили.
Показывайте признание публично. Подборки лучших кейсов, дайджест лучших находок в конце месяца, упоминания в рассылке, интервью.
Договоритесь о правилах конфиденциальности. Особенно в кейсах: заранее объясните, какие данные и скриншоты публиковать нельзя, и спрашивайте согласие на использование истории вне сообщества.
Собирайте лучшее в базу знаний или дайджест. Без этого ценные кейсы потеряются в чате на следующий же день.

Обучение не заканчивается на последнем уроке

Программа даёт знания, а закрепляются они там, где люди начинают применять их и рассказывать об этом друг другу. Открытые сборы кейсов, треды побед, обмен находками, разборы на равных и интервью с активчиками превращают группу пассивных читателей в сообщество практиков. Для компании это означает более высокую вовлечённость, быстрее распространяющиеся рабочие практики и базу внутренних кейсов, которую не купить у внешнего подрядчика.

В TO DUAL мы сопровождаем корпоративные программы и ИИ-трансформацию живым комьюнити: запускаем форматы обмена опытом, модерируем их и помогаем собрать лучшие кейсы в стандарты компании.

]]>