В прошлом посте я рассказывал про метрики и как связать их с целями бизнеса. Но чтобы метрики росли нужна система. Как раз сегодня на митапе @agileufa кратко затрагивали тему внедрения и проблемы чистого листа.
1️⃣ Хаотичные попытки "насадить" AI часто заканчиваются сопротивлением: "Опять что-то новое, мне и так работы хватает!".
2️⃣ "Проблема чистого листа" - человек может много слышать про AI, но не понятно с чего и как начинать.
Чтобы этого избежать, я использую модель управления изменениями ADKAR. И разделяю активности на два потока: массовые ("вширь") и прицельные ("вглубь").
ADKAR — модель для управления изменениями в организациях. Она состоит из 5 элементов-букв:
1. A (Awareness) - Осознание необходимости изменения. На этом этапе важно донести до сотрудников, почему изменения необходимы и какие проблемы они решают.
2. D (Desire) - Желание участвовать в изменениях. Нужно стимулировать мотивацию сотрудников поддерживать изменения.
3. K (Knowledge) - Знание о том, как измениться. Мы должны обучать сотрудников новым навыкам и знаниям, необходимым для внедрения изменений.
4. A (Ability) - Способность внедрять изменения на практике. Здесь оценивается, насколько сотрудники смогут применять новое знание в своей повседневной работе.
5. R (Reinforcement) - Укрепление изменений, чтобы обеспечить их долгосрочное удержание. Это предполагает обеспечение поддержки, мотивации и мониторинга изменений.
Вот как это выглядит на практике:
1. Awareness (Осознание необходимости)
Цель: Чтобы у людей появился контекст и понимание, что технологии уже здесь и это новая норма.
- 📢 Распространение "вширь": постоянные мероприятия (вебинары, лекции, митапы), где мы просто рассказываем "что это такое" и "зачем оно нам".
- 📧 Регулярная рассылка новостей и кейсов в корпоративном чате (это немного буксует, не всегда хватает времени).
2. Desire (Желание меняться)
Цель: Переключить отношение с "надо" на "хочу".
- 🔥 Демонстрация боли и решения:** показываем, как AI снимает рутину, решает сложные и неудобные моменты в работе (тот самый boilerplate-код или нудные тесты).
- 🥕 Административный рычаг: у меня такого нет, но некоторые компании прямо в цели аккуратно (или нет) "вшивают" обязательный AI в цели командам. Звучит жестко, но добавляет мотивации.
3. Knowledge (Знание как)
Цель: Дать конкретные навыки, а не абстрактную теорию.
- 👨🔬 Специализированные вебинары: отдельно для QA, Developer, System Analyst, DevOps — с разбором их специфических кейсов.
- 🤼♂️ Круглые столы: обмен опытом между командами.
- 📚 Единый реестр AI-решений (One-Stop Shop): документация "как делать", собранная в одном месте (единое окно).
4. Ability (Умение применять)
Цель: Перейти от теории к практике своими руками. Инструментов много, но ничерта непонятно как применять у себя на конкретном кейсе.
- 🛠 Воркшопы "Hands-on": садимся и решаем реальную задачу из JIRA / Youtrack с помощью AI. Это самый мощный драйвер adoption.
5. Reinforcement (Поддержка и закрепление)
Цель: Чтобы откат к старым привычкам не случился через неделю.
- 💬 Чаты и встречи: пространство для обмена опытом, нытья, (да, это важно!) и непонятных вопросов.
- 📖 Постоянно обновляемая база знаний, которая растет вместе с опытом команды (с этим сложно).
Короче - мы ведем пользователя за руку: от "слышал(а) что-то про AI" (Awareness) до "решаю свою JIRA-задачу за 15 минут вместо часа" (Ability). И постоянно спрашиваем - удобно ли, чо мешает? + трекаем метрики.
Именно так растет MAU и появляются реальные бизнес-результаты.
❓А как вы подходите ко внедрению AI в ежедневную рутину команд?
#ADKAR #ChangeManagement #AIAdoption