Киберустойчивость вместо «бетонной» защиты Чтобы ИИ приносил измеримую пользу, управленцу важно научиться превращать бизнес-цель в задачи, понятные параметрам модели. Для этого нужно: сформулировать конкретную цель для модели, то есть что именно предсказать или классифицировать. Например, компания хочет сократить списания товара. Размытая цель «уменьшить списания» не подходит. Корректная формулировка будет выглядеть так: «предсказать спрос на каждый SKU на неделю вперед»; определить признаки, на основании которых модель примет решение — речь про выбор конкретных факторов, которые влияют на результат: сезонность, цена, акции конкурентов, характеристики товара, история покупок; понять допустимую точность и оценить возможные риски, связанные с ошибками модели. Если ее задача — прогноз продаж, то отклонение в 5 единиц для недорогих товаров обычно не вызывает серьезных последствий — магазин просто закажет чуть больше или меньше. Но для категории «дорогая электроника» такая же ошибка может привести к заморозке денег на складе или, наоборот, к дефициту. Поэтому менеджеру важно заранее определить, какая погрешность приемлема для конкретного товара или задачи и что произойдет, если ошибка будет серьезнее. видеть ситуации, в которых ИИ не даст результата без адаптации процессов. Примеры: — компания только вывела новый продукт, значит у нее еще нет истории продаж и прогнозы будут шумными; — менеджеры меняют цены вручную каждый день, и модель не успевает адаптироваться; — отдел логистики не фиксирует реальные сроки доставки, как следствие — отсутствие качественных данных и ИИ не может оптимизировать маршруты. Все описанные принципы — это переход от интуитивных решений к четко сформулированной задаче с измеримыми параметрами. 3. Проектирование метрик и критериев успеха Когда компания внедряет ИИ, важно не только запустить модель, но и понять, приносит ли она пользу. Для этого нужны метрики — простыми словами, показатели, по которым можно судить, насколько хорошо модель справляется со своей задачей. Без них менеджеру сложно задать цель вроде «повысить точность прогноза на 10%» или понять, почему результаты системы ухудшились. Метрики — это общий язык, на котором бизнес и ML-команда договариваются о целях и результатах. Менеджеру не обязательно самому их считать, но важно понимать, что стоит за цифрой: высокая точность может казаться хорошим результатом, но если при этом модель не замечает часть важных случаев, бизнес все равно теряет деньги или клиентов. А нужны ли рынку IT-специалисты? Чтобы корректно интерпретировать ее работу, важно понимать, какие метрики подходят для разных типов задач и что они отражают. Поэтому при работе с моделями используют следующие метрики: Классификация. Модели распределяют объекты по категориям — например, определяют, уйдет клиент или оплатит счет вовремя. Главное — чтобы она не пропустила тех, кто действительно собирался уйти или не произвести оплату. Эта метрика включает три основных показателя качества: — точность — показывает, насколько редко модель ошибается; — полнота — отражает, насколько хорошо она находит именно те случаи, которые важны бизнесу; — F1-score (среднее между полнотой и точностью) — это общий индикатор, который помогает понять, есть ли отклонения: если модель перестраховывается и пропускает нужные случаи, показатель сразу падает. На этот показатель удобно ориентироваться как на общий индикатор качества. Прогнозирование числовых значений. Здесь используют два основных показателя: — средняя абсолютная ошибка (MAE) — насколько в среднем прогноз отличается от факта; — среднеквадратичная ошибка (RMSE) — тоже измеряет ошибку, но сильнее реагирует на крупные отклонения (если модель иногда существенно промахивается, этот показатель растет быстрее). На практике это выглядит так: если модель прогнозирует продажи товара и «ошибается» на 10 единиц почти всегда — это предсказуемая ситуация. Но если время от времени промахивается сразу на 40–50 единиц, менеджер узнает об этом именно по росту показателя, чувствительного к крупным скачкам. Такой анализ помогает не только понять средний уровень ошибки, но и вовремя заметить критичные искажения, которые могут повлиять на запасы или доход. Рекомендательные системы. Главный ориентир — это поведение клиентов, а не «точность» модели. Какие показатели оценивать: — долю пользователей, которые взаимодействуют с рекомендациями; — изменение числа покупок после рекомендаций; — разницу в результатах между группой, получившей рекомендации, и контрольной группой. Ключевой вопрос здесь: увеличивают ли рекомендации продажи или вовлеченность по сравнению с тем, как было до этого? Если после внедрения блока рекомендаций покупатели стали оформлять покупки на 5% чаще, а контрольная группа осталась на прежнем уровне, тогда модель работает корректно. Поиск аномалий: акцент на эти показатели: — доля правильно найденных инцидентов; — доля сигналов, которые оказались ошибочными. Основная задача — найти баланс между точными сигналами и количеством ложных. Если их слишком много, команды тратят время впустую; если мало — повышается вероятность пропустить серьезные инциденты. 4. Управление рисками и этикой ИИ-проекты часто связаны с юридическими и репутационными рисками, поэтому менеджеру следует опираться на несколько базовых принципов безопасности: понимать, на основании каких данных модель делает выводы. Это не про технические детали — достаточно видеть общую логику и возможные точки искажения; следить за корректным использованием данных. Персональная информация должна обрабатываться грамотно, а процессы — соответствовать политике компании и требованиям закона; разделять зоны ответственности между человеком и ИИ. Модель дает рекомендации, но управленческие решения и последствия остаются на стороне людей. 5. Управление изменениями Внедрение ИИ — это не только про технологии, но и про перестройку процессов. Руководитель среднего звена становится проводником этих изменений и ему понадобятся новые компетенции: демонстрировать готовность осваивать новые ИИ-навыки и обучать сотрудников на собственном примере; адаптировать процессы под совместную работу человека и алгоритма; выстраивать обратную связь между бизнесом и ML-командой: менеджеры передают данные о том, как модель работает в процессах, а аналитики объясняют, какие доработки нужны и почему. Такой набор знаний позволит менеджеру уверенно ориентироваться в диалоге с аналитиками, корректно ставить задачи и избегать завышенных ожиданий. Организационные решения: как развивать управленцев с ИИ-навыками 1. Внутренние обучающие программы Чтобы менеджеры могли эффективнее взаимодействовать с ML-моделями, компании развивают собственные образовательные инициативы. Эффект дают форматы, которые опираются на реальные цели бизнеса: практические воркшопы по постановке задач и оценке результатов, мини-курсы внутренних экспертов с разбором ситуаций, а также отдельные обучающие треки для продакт-менеджеров, маркетологов и операционных руководителей. Такой подход делает развитие компетенций системным, а не разовым мероприятием. Например, у Mastercard есть внутренние программы обучения, направленные на подготовку руководителей к работе с ML-моделями. Менеджеры проходят практические сессии, учатся формулировать задачи и анализировать результаты. Это снижает количество неточных запросов к аналитическим командам и повышает качество прогнозных инструментов. 2. Ротации и участие в AI-проектах Получить практический опыт взаимодействия с ML-моделями помогает временное включение руководителей в AI-инициативы. Формат ротаций позволяет менеджерам на несколько месяцев присоединиться к проектным командам в роли кураторов бизнеса, наблюдать полный цикл работы моделей и лучше понимать ограничения и логику ML-систем. Эта практика развивается в международных компаниях. Microsoft совместно с Accenture в 2023 году реализовывала проект Microsoft AI Skills Initiative , где основное внимание уделялось развитию управленческих компетенций в работе с ИИ. Менеджеры среднего звена периодически участвовали в AI-проектах, работая рядом с аналитиками и инженерами. 3. Совместная работа менеджеров и data-команд Чтобы управленцы быстрее осваивали работу с ИИ, компании используют практики тесного взаимодействия с аналитиками и data-командами. Есть разные форматы: от совместного ведения проектов до наставничества. Цель в том, чтобы создать пространство, где менеджер понимает, как работает ML-процесс. Подбираем модель ИИ под реальные задачи Можно закреплять пары на несколько недель или месяцев. Такой режим позволит увидеть логику работы моделей «изнутри»: как собираются данные, какие решения принимаются на промежуточных этапах, какие ограничения возникают и от чего зависит качество результата. Эту практику развивают в Google: образовательные треки Google Cloud включают совместные сессии менеджеров и технических специалистов, где управленцы наблюдают за ходом проектов, пробуют разбирать результаты моделей и учатся формулировать задачи. 4. Проверка управленческих ИИ-навыков Чтобы обучение работало, руководителям важно не только пройти курс, но и попробовать себя в практических ситуациях: сформулировать ML-задачу, выбрать метрику, оценить ограничения модели. Легкая внутренняя сертификация или короткие практические задания помогают закрепить навыки и понять, где нужна доработка. Как пример — Deutsche Telekom, где внедрили персонализированные AI-треки с регулярными мини-проверками прогресса. Руководители отмечали, как меняется умение ставить задачи и оценивать результаты моделей, а через пару месяцев компания зафиксировала рост самостоятельности менеджеров и снижение нагрузки на аналитиков: запросов, требующих уточнений, стало меньше. 5. Формирование AI-регламентов и стандартов Чтобы инициативы в области ИИ не останавливались на уровне менеджеров среднего звена, можно установить единые правила работы с моделями. Регламенты помогут менеджерам понять, как выбирать задачи, какие требования предъявлять к качеству, кто отвечает за проверку результатов и какие риски учитывать. Для основы есть уже готовые подходы: принципы ответственного ИИ OECD, требования EU AI Act или корпоративные AI-frameworks Google, Microsoft и IBM. Как измерять успех обучения и отдачу для бизнеса Эффективность видна прежде всего по тому, как меняется работа менеджеров: они начинают точнее формулировать ML-задачи, увереннее взаимодействовать с аналитиками и чаще инициировать AI-проекты. Это первые признаки того, что навыки начали работать в ежедневной практике. Далее оценивают влияние на бизнес: повышается ли успешность пилотов, сокращается ли нагрузка на data-команды и улучшаются ли процессы от прогнозов до операционных решений. Отслеживать динамику можно через короткие опросы, ретроспективы и простые дашборды. Почему развитие AI-грамотности меняет управленческую систему Повышение AI-грамотности менеджеров — это не только обучение новым инструментам. Когда управленцы понимают принципы работы моделей, умеют формулировать задачи и корректно оценивать результаты, меняется сама структура взаимодействия между бизнесом и технологиями. Компании получают согласованные процессы, возникает меньше ошибок на стыке ролей и появляются предсказуемые результаты внедрения ИИ. В итоге это влияет не на отдельных сотрудников, а на управленческую модель в целом, делая ее гибкой, технологичной и устойчивой к быстрым изменениям. Source: https://www.it-world.ru/cionews/3bzuzi8wsxwksk04w8skk840cok0k40.html