Команда не вся пользуется ИИ. Она делится на трети

Microsoft в 2026 году опубликовал цифру, которая звучит внушительно: больше 30% работающего населения США пользуются ИИ. Внушительно ровно до того момента, пока не прочитать определение. «Пользуются» здесь означает 90 минут в месяц. Это три минуты в рабочий день.

Если ваша лента состоит из людей, которые пишут промпты на завтрак и строят агентов на ужин, у вас сложилось ощущение, что ИИ повсюду и все им владеют. Это ощущение не выдерживает встречи с данными. Microsoft WTI 2026 фиксирует: организационные факторы объясняют 67% разницы в AI-эффективности между компаниями.

Гэбриел Вайнберг в июньской заметке собрал картину из нескольких источников, и она выглядит иначе, чем медийный нарратив. Примерно треть людей активно пользуется ИИ. Примерно треть – эпизодически. Примерно треть не пользуется вообще. Опрос Gallup среди поколения Z, которое принято считать поголовно цифровым, показал: 19% не используют ИИ никогда, ещё 31% – раз в месяц или реже.

Вайнберг строит из этого вывод о том, что ИИ переоценён, и проводит аналогию с мясом: как около 70% американцев сознательно сокращают красное мясо, так и многие сознательно ограничивают ИИ. Для нас интересен не его скептический вывод, а сам факт деления на трети. Для руководителя это деление меняет не отношение к технологии, а тактику внедрения.

Что делает деление на трети с вашими ожиданиями

Большинство планов внедрения ИИ написаны для команды, которой не существует. Они исходят из того, что есть однородная группа сотрудников, к которой нужно применить однородную меру: дать инструмент, провести вебинар, выпустить регламент. Через квартал руководитель смотрит на статистику использования и не понимает, почему она не растёт.

Не растёт, потому что команда не однородна. В ней сидят три разные группы, и каждой нужно разное.

Активная треть уже нашла применение. Этим людям не нужен вебинар про основы – им нужны более сложные сценарии и право экспериментировать. Эпизодическая треть пробовала, что-то получилось, что-то нет, устойчивой привычки не сложилось. Им нужна не мотивация, а конкретная задача, которая закрепит привычку. И последняя треть стоит в стороне.

Соблазн руководителя – считать эту последнюю треть проблемой дисциплины. Раз не пользуются, значит ленятся или сопротивляются. Данные говорят другое. Среди причин отказа люди называют опасения за рабочее место, вопросы приватности, недоверие к качеству ответов. Это рациональные, а не эмоциональные причины. Человек, который не доверяет ответам ИИ, поступает разумно ровно до того момента, пока ему не показали, на какой задаче этим ответам можно доверять.

И здесь сходятся все три группы в одной точке. Разница между тем, кто пользуется ИИ, и тем, кто бросил, почти никогда не в мотивации и не в технической грамотности.

Одна задача, с которой всё начинается

Самое практичное наблюдение из всей картины звучит просто. Люди, которые остаются с ИИ надолго, почти всегда находят одну конкретную повторяющуюся задачу, которую он выполняет хорошо. И от неё наращивают.

Не «ИИ умеет всё». Не «давайте перестроим процессы». Одна скучная регулярная операция, которую инструмент тихо закрывает лучше, чем человек делал вручную. Расшифровка и саммари встречи. Черновик письма клиенту по шаблону. Первый проход по требованиям перед тем, как отдать аналитику. Превращение списка тезисов в структуру документа.

Те, кто бросил, обычно делали ровно обратное. Они проверяли ИИ на его слабом месте. Просили посчитать что-то, где нужна точность. Задавали вопрос про свежие факты, получали выдумку. Поручали задачу, требующую профессионального суждения, которое модель не воспроизводит. Один неудачный заход, и вывод сделан: не работает, я же говорил.

Разница между этими двумя сценариями – не способности человека. Это попадание или непопадание в правильную первую задачу. И вот это уже полностью в зоне влияния руководителя.

Проверить, какая задача станет для конкретного человека той самой первой, проще всего на наборе реальных управленческих ситуаций, а не на абстрактных примерах из обучающего ролика. Когда задача взята из собственной работы, выигрыш виден сразу – без объяснений, почему это полезно. Именно так устроен наш эксперимент с шаблонами задач менеджера: 300 часов экономии в год начинаются с одной операции, которую ИИ стабильно закрывает лучше.

Почему мандат «все используют ИИ» не работает

Логичная реакция руководителя, который увидел низкое использование, – ввести требование. С понедельника каждый применяет ИИ в работе, отчитываемся раз в неделю. Намерение понятное, результат предсказуемо плохой.

Мандат заставляет скептика из последней трети открыть инструмент и применить его к случайной задаче. С высокой вероятностью это будет неудачная задача, потому что человек не знает, какие задачи удачные, – именно поэтому он и был в стороне. Он получает плохой результат, фиксирует его как доказательство своей правоты и закрывает вопрос уже не на уровне «не пробовал», а на уровне «пробовал, не работает». Принуждение не сократило разрыв, оно его зацементировало.

Та же ошибка с обратной стороны: широкое обучение «про возможности ИИ». Сотрудник выходит с вебинара впечатлённым и без единой задачи, к которой мог бы применить услышанное в ближайший час. Впечатление выветривается за день, привычка не формируется. Между «я видел, что ИИ умеет» и «я использую ИИ в этой операции каждый вторник» лежит пропасть, которую общий обзор не закрывает. Об этой же пропасти – только применительно к корпоративным пилотам – мы писали отдельно: почему AI-пилоты гибнут на этапе внедрения.

Работает противоположный заход. Не широкое требование, а узкая точная помощь: для каждого человека найти его одну задачу. Это выглядит медленнее – вы работаете точечно вместо одного приказа на всех. Но это единственный заход, который даёт устойчивый результат, потому что он совпадает с тем, как реально формируется привычка к ИИ.

Внутри этого захода скрыт ещё один навык, который часто принимают за очевидный. Промпт выглядит просто, пока не нужен надёжный результат. Разница между «иногда получается» и «работает каждый раз» – это и есть та граница, на которой эпизодический пользователь либо переходит в активного, либо откатывается обратно. Формулировка задачи, проверка ответа, понимание, где модели доверять нельзя – это передаваемый навык, но передаётся он не сам по себе. Данные Workday по 3 200 пользователям это подтверждают: 37% времени, сэкономленного с помощью ИИ, исчезает на исправление ошибок у тех, кто не разобрался с этим навыком.

Как это выглядит на практике

Принцип одной задачи легко произнести и легко завалить на исполнении. Несколько вещей, которые отличают рабочий вариант от лозунга.

Начните с эпизодической трети, а не с активной и не с отказников. Активные справятся сами. Отказники – самая дорогая в развороте группа. А эпизодические уже на полпути: им нужна одна закрепляющая задача, чтобы из «иногда» получилось «по умолчанию». Это самый быстрый видимый результат при наименьших усилиях. Stanford AI Index 2026 зафиксировал ровно этот паттерн: 62% пользователей застревают на поверхностном уровне именно потому, что не прошли через закрепляющую задачу.

Задачу ищите в реальной работе человека, не в каталоге возможностей ИИ. Вопрос не «что умеет ИИ», а «какую вашу регулярную операцию он закроет». Расшифровка планёрки полезна тому, кто эти планёрки ведёт, и бесполезна тому, кто на них не ходит.

Сделайте первый заход совместным. Скептик, оставленный наедине с инструментом, повторит свой прошлый неудачный опыт. Пройдите задачу вместе один раз: вы видите, где он сформулировал запрос так, что результат развалился, он видит, что при правильной постановке выигрыш реальный.

Дайте копируемый шаблон, а не вдохновение. Человеку, нашедшему свою задачу, нужен готовый промпт, который он вставит и адаптирует, а не общее понимание принципов. Ниже – пример такого шаблона для одной из самых частых менеджерских операций: превратить сырые заметки со встречи в структурированное резюме с решениями и ответственными.

Ты – ассистент менеджера. Я дам тебе сырые заметки со встречи. Преврати их в структурированное резюме строго по этому формату:

1. Контекст встречи – одно предложение: о чём шла речь.
2. Принятые решения – маркированный список. Только то, по чему есть явная договорённость. Если решение не зафиксировано прямо, не додумывай его.
3. Задачи – таблица из трёх колонок: что сделать, кто ответственный, к какому сроку. Если ответственного или срока в заметках нет, напиши «не назначен» / «срок не задан», а не угадывай.
4. Открытые вопросы – список того, что обсуждали, но не закрыли.
5. Спорные места – если в заметках есть противоречия или то, что можно понять двояко, перечисли отдельно.

Не добавляй ничего, чего нет в заметках. Не сглаживай формулировки. Если чего-то не хватает для пункта – так и напиши.

Вот заметки:
[вставьте сырые заметки со встречи]

Этот промпт сознательно устроен так, чтобы не давать модели додумывать. Запрет на угадывание ответственных и сроков, отдельный блок спорных мест, требование не сглаживать формулировки – это и есть та разница между «иногда получается» и «можно доверять». Дайте человеку такой шаблон, и его первая задача с большой вероятностью окажется удачной.

Что стоит зафиксировать

Деление на трети – это не повод опустить руки и решить, что ИИ переоценён. Это карта, которая показывает, куда прикладывать усилие. Команда не однородна, и план «все используют ИИ» обращён к команде, которой нет.

Устойчивое использование начинается с одной задачи, и руководитель влияет именно на то, попадёт человек в удачную первую задачу или в неудачную. Это не вопрос мотивации сотрудников и не вопрос регламента. Это вопрос точного подбора первой задачи под конкретного человека и передачи навыка, который превращает случайную удачу в надёжный результат.

Скептичная треть – не балласт. Это люди, которые ждут доказательства, что ИИ полезен на их собственной работе, а не на чужой демонстрации. Дайте им это доказательство в виде одной задачи – и треть, стоявшая в стороне, начнёт двигаться сама.

Параллельно стоит держать в голове, что одно использование ИИ ещё не означает, что команда делится находками. Об обратной стороне – почему сотрудники скрывают свои AI-методы даже когда понимают, что обмен помог бы всем, – мы писали отдельно.

Читайте также

Почему команда скрывает, как пользуется ИИ

Менеджер как супервайзер агентов: что стоит за отчётом Google

GLM-5: от вайб-кодинга к ИИ-агентам

Thinkslop: как ИИ незаметно подменяет ваше мышление