Как внедрять ИИ, чтобы реально работало?

Ну что, лето кончилось, пора выкручивать тумблеры на полную и фигачить. А чтобы было попроще вкатываться - держите материал по ИИ с кучей практических штук. HRD Яндекса выложила гайд по ИИ в компании - и там не "Как работает ИИ" в стопицотый раз, а поконкретнее - как встроить его в ежедневную работу команды и масштабировать, чтобы это не осталось разовым экспериментом. Гайд собран из подходов самой компании, плюс практик бигтеха (GitHub, Microsoft и т.д.), и немного ещё взяли от консалтеров из McKinsey.

Структура простая. Первая часть - "Зачем и куда", что вообще считать внедрением, и как к нему подступиться. Вторая - "Что делать", с чего начинать, как учить людей, как масштабировать, чтобы результат не рассосался через полгода. Плюс чек-лист на 90 дней.

Лично мне особенно полезными показались вот эти три момента:

Первый: тут будет речь про систему 75/75/75, которую Яндекс недавно внедрил. Её я подробно разбирал здесь, но суть такая: 75% разрабов должны регулярно юзать ИИ, 75% изменений кода проходят через нейронку, и внутри таких изменений минимум 75% пишет сама модель. То есть, метрика вложенная, без склейки в единое число.

В гайде прямым текстом пишут: 75/75/75 мерит именно вход - долю ИИ-кода. Ответственность за результат всё равно остаётся на человеке, а риски вроде превращения метрики в самоцель нужно отслеживать отдельно. То есть, даже собственная годная метрика - не повод расслабляться.

Второй момент. Первый рабочий кейс с ИИ должен быть не самым выигрышным, а максимально тривиальным и даже скучным. Обычно хочется сразу отдать ИИшке процесс с самым жирным эффектом, чтобы потом красиво продать это в отчёте. Но по факту надо делать наоборот - искать, где часто повторяется и где дёшево внедрить, а результат легко проверить и однозначно оценить. По идее, это классический поиск quick wins, low hanging fruits и как это ещё называется. База-основа.

Но не очевидна тут мотивация. Логика в том, что если первый масштабный эксперимент не выгорит, то в компании/команде тут же прорастёт "сорняковое" убеждение "Мы попробовали - ИИ не работает". А это негативно может сказаться  в долгосроке.

И третий момент - не пытаться притянуть все годные сценарии из центра. Можно сколько угодно собирать экспертный совет по ИИ и сочинять юзкейсы наверху, но рабочие сценарии рождаются у людей, которые каждый день делают конкретную задачу ручками. Так что, задача центра - не изобретать, а вовремя заметить, что где-то уже родилось рабочее, и растащить это по командам. А заодно стимулировать среду, в которой рабочее регулярно рождается внутри команд и масштабируется. Понимаю, что это логично звучит, но на практике сделать такое способны не только лишь все, корпоративной выдержки часто не хватает.

Дизраптор