Как мы внедряем ИИ в работу сотрудников: опыт Napoleon IT изнутри

Поводом для системного движения стали первые эксперименты сотрудников: отдельные команды начали использовать переводчики, транскрипцию, подсказки для кода и генерацию текстов. Эффект был заметен, но носил точечный характер. Нам стало очевидно, что без централизованного подхода значительная часть потенциала будет потеряна.

По инициативе CEO Napoleon IT, Павла Подкорытова, была сформирована команда, которая занялась исследованием и внедрением LLM-инструментов в повседневные процессы. Решили начать с самого начала: пробудить интерес, запустить эксперименты и показать, что ИИ — это не магия и не угроза, а понятный инструмент, который действительно может облегчить работу и ускорить выполнение рутинных задач.
‍

Оценка текущего состояния as is

Чтобы понять, насколько сотрудники уже знакомы с ИИ, мы провели внутренний опрос и серию коротких интервью. Выяснилось, что активных пользователей немного, даже при том, что в компании уже были подключены AI-функции, например автоматическая расшифровка встреч в Zoom и другие инструменты, ими пользовались далеко не все. 

Что мы увидели на старте:

• лишь небольшая часть сотрудников регулярно использовала LLM-инструменты в работе;
• многие вообще не пробовали ChatGPT, DeepSeek, Cursor и их аналоги;
• в ряде отделов присутствовали сомнения и опасения: от юридических рисков и качества ответов до страха «сделать что-то не так» или выглядеть неопытным;
• часть проектов ограничена повышенными требованиями информационной безопасности 

Самое главное — мы зафиксировали низкую осведомленность и высокий потенциал роста. Это и стало отправной точкой внедрения AI-first подхода. 
‍

Первые шаги: от осторожности к практике

Мы осознанно начали с самого простого — не с регламентов и требований, а с практики. Наша задача была дать каждому сотруднику возможность безопасно попробовать ИИ и увидеть в нём реальную пользу для своей работы.

Для этого мы сделали несколько шагов.

1. Трансформировали внутренний образовательный чат в LLM-комьюнити
‍Ранее это был чат про менеджмент и лидерство. Мы сделали живое пространство для общения, где сотрудники:

• делятся обзорами инструментов и личным опытом,
• обсуждают, что реально работает, а что нет,
• получают короткие лекции о применении ИИ в конкретных задачах,
• обсуждают статьи, кейсы и новые практики.

2. Запустили малые эксперименты
‍Фокусируясь на реальных рабочих задачах, мы работали с отдельными командами: продуктовыми, архитектурными, аналитическими, командами разработки, HR, маркетинга. Каждая команда тестировала релевантные для себя ИИ-инструменты. Например, Cursor,  Gamma, ChatGPT как помощника в принятии решений; Zoom AI, AiGenda для автоматизации рутинных внутренних процессов.

3. Провели денежный конкурс идей по применению ИИ
‍Сотрудники предлагали идеи, как автоматизировать собственные рабочие процессы. Победители получили призы, а компания — практичные идеи для внедрения и больший интерес к экспериментам.

Однако реакция сотрудников на эти инициативы оказалась разной. Часть команды с энтузиазмом включилась в эксперименты и начала активно делиться находками. Аналитики и юристы относились к ИИ осторожнее, их смущали фактические ошибки моделей и риски искажения данных. Разработчики, напротив, стали самой активной группой: они быстрее остальных находили практические сценарии и делились опытом с коллегами.

Регулярная LLM-повестка, малые эксперименты и открытые обсуждения постепенно убирали страхи и помогали сформировать уверенное и осознанное отношение к использованию ИИ.

Для нас было принципиально важно показать, что ИИ — это не замена людям и не эксперимент ради эксперимента. Каждое ИИ-решение мы оценивали по простому вопросу: помогает ли оно сотрудникам и даёт ли эффект бизнесу. _{Евгений Жорницкий, операционный директор Napoleon IT}

‍

Практика: как ИИ начал встраиваться в работу

AiGenda: прозрачность коммуникаций с заказчиком и онбординга
Одним из первых и самых заметных эффектов внедрения AiGenda стало улучшение коммуникаций с заказчиками. Транскрибация и краткое изложение воркшопов видеозвонков, на которых заказчики демонстрируют свои проекты и системы, позволили быстрее и точнее фиксировать договоренности, снизить количество разночтений и упростить согласование результатов встреч.

Параллельно AiGenda дала ощутимый эффект и внутри команды. Теперь новый член может:

• находить нужные встречи по ключевым словам;
• прослушивать только релевантные фрагменты;
• получать краткие, структурированные резюме разговоров.

В результате команды перестали тратить часы на ручную подготовку и согласование протоколов, а коммуникации стали более предсказуемыми и прозрачными и для заказчика, и для команды: ключевые решения фиксируются корректно и не теряются в потоке обсуждений.

Cursor и внутренняя инженерная стандартизация
Инструмент Cursor мы запускали пилотно сначала на 10 разработчиков. Результаты оказались такими:

• инженеры уровня middle+ получили заметный прирост скорости работы;
• для джунов инструмент оказался менее эффективным без прочного понимания контекста и навыков критической оценки кода;

Чтобы сохранить качество и единые подходы, мы разработали Cursor Rules — набор внутренних инженерных принципов, которые инструмент учитывает при генерации кода. Это позволило масштабировать использование ИИ без потери стандартов, даже когда часть работы выполняет модель.

ИИ-рекрутер и ускорение найма
‍Ранее рекрутеры тратили значительную часть времени на коммуникации с кандидатами и на первичную оценку резюме, при том что до 90% откликов не соответствовали требованиям вакансий. Внедрение ИИ-рекрутера позволило автоматизировать этот этап: система анализирует резюме, задаёт уточняющие вопросы кандидатам и отбирает только релевантные профили, а также назначает интервью в календаре с учётом доступности обеих сторон. В результате рекрутеры сосредоточились на интервью, оценке кандидатов и работе с ожиданиями, а скорость и эффективность найма существенно выросли.

Мини-инструменты от сотрудников: первые шаги к AI Hybrid-разработке
‍Параллельно с использованием сторонних решений внутри команд начали появляться собственные мини-инструменты. Например, архитектор Napoleon IT создал собственного ИИ-агента для автоматического обновления проектной документации. То, на что раньше уходили часы, теперь занимает секунды, включая актуализацию схем баз данных.
‍

Что изменилось: первые результаты

Примерно через полгода после начала внедрения стали заметны устойчивые изменения. В каждом отделе (от аналитики до архитектуры) появился как минимум один регулярно используемый ИИ-инструмент. Сформировалась группа энтузиастов, которые не только активно используют внешние решения, но и создают собственные инструменты под свои задачи.

Мы осознанно не ставили целью сразу считать финансовый эффект. Первый этап мы рассматривали как этап культурного внедрения. Нам было важно сформировать привычку использовать ИИ как часть рабочего процесса, а не разовый эксперимент.

При этом метрики начали собирать с самого начала. В разработке мы анализируем данные Cursor: соотношение сгенерированного и принятого кода показывает, где инструмент ускоряет работу, а где остаётся сопротивление. В отдельные недели принималось лишь 5–10% сгенерированных строк, что указывало либо на недоверие к результату, либо на необходимость донастройки подходов. 

В аналитике ИИ-инструменты позволили кратно сократить время на протоколирование и согласование информации: до 95% этой работы теперь выполняется автоматически. Дополнительно мы оцениваем скорость погружения в проекты, время поиска информации и объём рутинных операций. Использование ИИ-инструментов сократило в разы время онбординга новых сотрудников в разы.

Мы сознательно не гнались за быстрым финансовым эффектом. На первом этапе для нас было важнее сформировать привычку работать с ИИ, чтобы он стал частью процесса, а не разовым инструментом. _{Евгений Жорницкий, операционный директор Napoleon IT}

‍

Минус 500 часов рутины: кейс команды аналитиков

На крупном проекте для федеральной розничной сети, где работает команда из восьми аналитиков, на протоколирование встреч тратилось значительное время. В среднем один протокол обходился в 5–10 часов: 1–2 часа занимала сама встреча, 3–4 часа — детальный протокол, затем следовали внутренние правки и правки от заказчика. Часто приходилось переслушивать записи, чтобы корректно зафиксировать договоренности и убрать спорные моменты. Существенное время уходило и на онбординг новых аналитиков, нужно было погружаться в контекст через архивы видео-встреч и протоколов.

Команда внедрила автоматическое протоколирование встреч. За несколько минут ИИ формирует три версии протокола: краткий итог, подробные тезисы с задачами и полную транскрипцию «слово в слово». Практика была принята заказчиком и заметно упростила коммуникации: спорные моменты теперь закрываются ссылкой на конкретный фрагмент встречи, а согласования проходят в разы быстрее. Также это упростило поиск информации и онбординг, нужные обсуждения можно найти по ключевым словам и быстро восстановить контекст.

В результате время на протоколирование сократилось до 20–30 минут. В рамках одного проекта это позволило высвободить до 520 часов, которые команда направила на углублённую аналитику, проработку требований и подготовку решений для заказчика. «Для нас ключевым эффектом стало не только сокращение времени само по себе, а то, что коммуникации с заказчиком стали более прозрачными и предсказуемыми», — отмечает руководитель направления аналитики.

‍

Переход к осознанной гибридизации процессов

Мы выходим из этапа экспериментов и переходим к осознанной гибридизации процессов. Для команд разработки этот этап во многом уже пройден: сегодня все разработчики работают с ИИ-инструментами, а в аутстаффинг-модели мы уже предоставляем специалистов, встроенных в готовую AI-Hybrid-инфраструктуру с понятными сценариями применения ИИ в повседневной работе.

Следующий шаг — масштабирование AI Hybrid-подхода на остальные функции и внутренние процессы компании. В этой модели:

• человек формулирует задачу, задает критерии и проверяет результат;
• ИИ берет на себя рутину, подготовку, анализ;
• сотрудник использует набор готовых ИИ-агентов для оптимизации отдельных этапов;
• финальные решения и ответственность за смысл остаются за человеком.
  
  

В ближайшие кварталы мы планируем:

• выбрать 3–5 наиболее ресурсоемких внутренних процессов;
• запустить по ним гибридные сценарии;
• провести новый конкурс инициатив уже на уровне операционных зон;
• масштабировать успешные решения на всю компанию.

Наша цель — не разовая экономия, а устойчивый рост производительности, предсказуемости и скорости бизнеса за счёт системного использования ИИ.

Вместо вывода

ИИ перестаёт быть отдельным направлением. Он становится новым операционным фоном. Через пару лет мы, возможно, перестанем говорить “мы внедряем ИИ”, так же, как никто уже не говорит “мы внедряем интернет”.

Это станет просто нормой работы компании — нормой, в которой человек остается автором решений, а ИИ усиливает его возможности.

Napoleon IT делает этот переход уже сейчас осознанно, системно и с опорой на культуру, а не на хайп. Именно это и создает реальное преимущество.

‍